La rápida expansión de la inteligencia artificial (IA) ha transformado de manera estructural los procesos de toma de decisiones en ámbitos como la salud, la educación, el sector público y la gestión ambiental. Lejos de ser un conjunto neutral de herramientas técnicas, la IA constituye hoy una infraestructura sociotécnica que incorpora valores, supuestos normativos y relaciones de poder. En este contexto emerge el enfoque Artificial Intelligence for Social Good (AI4SG), entendido como un marco teórico-práctico orientado a alinear el diseño, implementación y evaluación de sistemas de IA con objetivos explícitos de bienestar social, equidad y sostenibilidad.
AI4SG (Artificial Intelligence for Social Good), se puede definir como una línea de investigación y práctica que busca aplicar los desarrollos y avances de la inteligencia artificial para resolver problemas sociales y mejorar el bienestar de los individuos, la sociedad y el planeta en su conjunto.
AI4SG no se limita a la aplicación de tecnologías avanzadas a problemas sociales, sino que propone una reorientación normativa de la innovación algorítmica, integrando ética aplicada, gobernanza y evaluación de impacto social como componentes estructurales del desarrollo tecnológico
Del optimismo tecnológico a la crítica algorítmica
La literatura crítica contemporánea ha mostrado que la adopción indiscriminada de sistemas algorítmicos puede generar efectos adversos significativos. O’Neil (2016) documenta cómo modelos predictivos opacos, aun cuando son estadísticamente robustos, pueden amplificar desigualdades y consolidar formas de exclusión estructural. De manera complementaria, Benjamin (2019) evidencia que los sistemas de IA tienden a reproducir jerarquías raciales y sociales preexistentes, configurando lo que denomina el New Jim Code.
Desde una perspectiva más amplia, se sostiene que la IA debe ser comprendida como un fenómeno material y político, cuya operación depende de cadenas globales de extracción de recursos, trabajo humano precarizado y concentraciones asimétricas de poder, Crawford (2021) . Estas contribuciones coinciden en señalar que la eficiencia técnica no es un criterio suficiente para evaluar la legitimidad social de la IA, abriendo el espacio conceptual para enfoques como AI4SG.
Definición y alcance de AI4SG
Siguiendo a Cowls (2022), AI4SG puede definirse como el conjunto de enfoques, metodologías y prácticas orientadas a maximizar el impacto social positivo de la IA, minimizando riesgos éticos, sociales y ambientales. Este enfoque se caracteriza por tres rasgos fundamentales:
- Intencionalidad normativa: los objetivos sociales no son efectos colaterales, sino fines explícitos del sistema.
- Centralidad del ser humano: la IA se concibe como soporte a la deliberación y la decisión humana, no como sustituto de la responsabilidad moral.
- Evaluación de impacto: el desempeño del sistema se mide tanto en términos técnicos como sociales.
Desde esta perspectiva, AI4SG se sitúa en la intersección entre ciencia de datos, ética de la tecnología y políticas públicas.
a literatura especializada converge en una serie de principios que estructuran los proyectos AI4SG:
- Justicia y equidad algorítmica, mediante la identificación y mitigación de sesgos.
- Transparencia y explicabilidad, como condiciones para la confianza pública.
- Responsabilidad y rendición de cuentas, definiendo claramente actores y roles.
- Precaución y proporcionalidad, especialmente en contextos de alta vulnerabilidad.
- Impacto social verificable, más allá de la eficiencia operativa.
Christian (2020) conceptualiza este desafío como el problema de alineación, subrayando que la adecuación de sistemas inteligentes a valores humanos es simultáneamente un problema técnico, institucional y moral.
AI4SG en sectores críticos: el caso de la salud y el sector público
La IA puede emplearse en diversos dominios para impactar positivamente a individuos, comunidades o ecosistemas:
Inclusión social: Ayuda a reducir brechas mediante aplicaciones que facilitan la comunicación de personas con discapacidades o herramientas que detectan sesgos de género en procesos de contratación y créditos
Salud y bienestar: Se utiliza para diagnosticar enfermedades (como la sepsis o la retinopatía diabética) mediante el análisis de registros médicos e imágenes. También facilita la telemedicina, permitiendo que la atención médica llegue a zonas remotas a través de dispositivos móviles.
Educación de calidad: Permite crear sistemas de aprendizaje personalizados (tutores inteligentes o avatares) que se adaptan al ritmo y necesidades específicas de cada alumno.
Agricultura y medio ambiente: Se emplea en la agricultura de precisión con robots que optimizan la siembra y el riego. También se usa para la monitorización del clima, la protección de la vida submarina y la lucha contra la caza furtiva mediante drones y algoritmos de visión computacional.
De manera análoga, en el sector público, la aplicación de IA a la focalización de políticas sociales exige marcos de gobernanza robustos que eviten la automatización acrítica de decisiones con alto impacto social.
Analisis desde la perspectiva decolonial AI4SG: límites epistémicos y posibilidades emancipatorias
Desde una perspectiva decolonial, el enfoque AI4SG requiere una problematización adicional que trascienda los marcos normativos dominantes de la ética de la IA. Siguiendo a Aníbal Quijano, la tecnología moderna está inseparablemente ligada a la colonialidad del poder, entendida como un patrón histórico que articula conocimiento, economía y autoridad. En este sentido, la IA —incluida aquella orientada al “bien social”— no puede asumirse como neutral ni universal.
La mayor parte de los sistemas de IA se diseñan a partir de epistemologías y racionalidades técnicas propias del Norte Global, lo que implica que los problemas sociales y los criterios de optimización suelen definirse desde marcos externos a los contextos donde estas tecnologías se implementan. Como advierte Walter Mignolo, este proceso reproduce una forma de colonialidad del saber, en la cual ciertos conocimientos se legitiman como universales mientras otros son sistemáticamente marginalizados.
Reflexión FInal
Artificial Intelligence for Social Good constituye hoy un marco indispensable para orientar el desarrollo de la inteligencia artificial en contextos de alta complejidad social. Al integrar ética, gobernanza y crítica epistemológica, AI4SG permite superar visiones reduccionistas de la innovación tecnológica y avanzar hacia una concepción de la IA como herramienta al servicio del bienestar colectivo. La incorporación de una perspectiva decolonial amplía este enfoque, recordando que no puede haber verdadero “bien social” sin justicia epistémica, contextualización cultural y participación efectiva de las comunidades afectadas. El futuro de AI4SG dependerá, en última instancia, de la capacidad institucional para traducir estos principios en prácticas concretas de diseño, regulación y evaluación.
Referencias
Benjamin, R. (2019). Race after technology: Abolitionist tools for the new Jim code. Polity Press.
Christian, B. (2020). The alignment problem: Machine learning and human values. W. W. Norton & Company.
Coeckelbergh, M. (2020). AI ethics. MIT Press.
Cowls, J. (Ed.). (2022). Artificial intelligence for social good. Springer.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.
PhD. Wilmer Lopez Lopez – Marzo 2026
Deja una respuesta