Durante mucho tiempo, la computación fue vista como un asunto reservado para ingenieros, programadores, matemáticos o especialistas en sistemas. En muchas universidades, empresas e instituciones, hablar de computación era hablar de laboratorios, códigos, servidores, bases de datos o software. Sin embargo, esa visión ya no alcanza para explicar el mundo actual. En el siglo XXI, la computación dejó de ser una disciplina cerrada para convertirse en una infraestructura transversal de la vida económica, científica, educativa, social y cultural.
Hoy, prácticamente ninguna profesión puede comprenderse por fuera de los datos, los algoritmos, las plataformas digitales, la automatización y la inteligencia artificial. La medicina analiza imágenes diagnósticas con modelos de aprendizaje profundo; el derecho usa herramientas de búsqueda y análisis documental; la educación incorpora tutores inteligentes; la agricultura se apoya en sensores, drones y modelos predictivos; la industria trabaja con robótica, mantenimiento predictivo y gemelos digitales; las ciencias sociales procesan grandes volúmenes de texto, opinión pública y comportamiento digital; y las artes exploran nuevas formas de creación asistida por inteligencia artificial. Esta expansión confirma que la inteligencia artificial no opera como una tecnología sectorial, sino como una tecnología de propósito general que transforma economías, organizaciones y prácticas sociales completas (OECD, 2019; Stanford HAI, 2025).
Por eso, la gran discusión ya no debería ser si la inteligencia artificial pertenece o no a la ingeniería. La pregunta más importante es otra: ¿cómo formar a todos los profesionales para comprender, usar y orientar críticamente la inteligencia artificial en sus propios campos de conocimiento?
La computación ya no es solo programación
Uno de los cambios más importantes de las últimas décadas es que la computación dejó de entenderse únicamente como la capacidad de programar. Programar sigue siendo importante, pero la computación es mucho más que escribir código. Es una forma de pensar, modelar, representar problemas, organizar información, identificar patrones y diseñar soluciones.
Jeannette Wing propuso el concepto de pensamiento computacional para referirse a una habilidad fundamental que no debería ser exclusiva de los científicos de la computación. Para Wing (2006), pensar computacionalmente implica formular problemas y soluciones de manera que puedan ser procesados por un agente computacional, sea una máquina o una persona siguiendo procedimientos formales. Esta idea es clave porque ubica la computación en el mismo nivel de otras competencias generales, como leer, escribir, argumentar o razonar matemáticamente.
Desde esta perspectiva, un médico, un abogado, un administrador, un biólogo, un comunicador o un diseñador no necesitan convertirse necesariamente en ingenieros de software. Pero sí necesitan entender cómo se estructuran los datos, cómo se automatizan procesos, cómo se entrenan modelos, qué significa una predicción algorítmica y cuáles son los límites de una respuesta generada por inteligencia artificial. Como señalan Lockwood y Mooney (2017), el pensamiento computacional se ha convertido en una competencia educativa cada vez más relevante, aunque todavía existen vacíos sobre cómo integrarlo de manera amplia en los currículos.
En otras palabras, la computación se convierte en un nuevo lenguaje profesional.
La inteligencia artificial como tecnología de propósito general
La inteligencia artificial tiene una característica que la diferencia de muchas otras tecnologías: no transforma un solo sector, sino que puede modificar casi todos los campos de actividad humana. Por eso suele ser entendida como una tecnología de propósito general, similar a lo que en su momento representaron la electricidad, la máquina de vapor, el computador personal o internet.
La OCDE ha señalado que la inteligencia artificial está reconfigurando economías y sociedades al generar nuevas capacidades de productividad, eficiencia, automatización, análisis de información y toma de decisiones; al mismo tiempo, advierte que su adopción plantea desafíos relacionados con valores humanos, justicia, privacidad, seguridad y responsabilidad (OECD, 2019). Esta doble condición es fundamental: la IA no es simplemente una herramienta neutral para hacer más rápido lo que ya hacíamos. Es una tecnología que cambia la manera en que decidimos, investigamos, producimos, enseñamos, diagnosticamos, diseñamos políticas y entendemos la realidad.
Agrawal, Gans y Goldfarb (2018) plantean una idea muy potente: la inteligencia artificial reduce el costo de la predicción. Esto significa que muchas decisiones que antes dependían únicamente de la experiencia humana ahora pueden apoyarse en sistemas capaces de anticipar comportamientos, riesgos, demandas, patrones o escenarios. La consecuencia es profunda: si la predicción se vuelve más barata y más disponible, muchas profesiones deberán redefinir cómo toman decisiones.
En esa misma línea, Iansiti y Lakhani (2020) sostienen que las organizaciones que compiten en la era de la IA no solo incorporan nuevas herramientas, sino que rediseñan sus modelos operativos alrededor de datos, algoritmos, plataformas y redes digitales. Por eso, el impacto de la IA no se limita a la eficiencia técnica; también transforma la estrategia, la estructura organizacional y la generación de valor.
Una competencia transversal para todas las profesiones
Hablar de la computación en inteligencia artificial como área transversal significa reconocer que ya no basta con formar especialistas aislados. Todas las profesiones requieren una base mínima de alfabetización algorítmica, pensamiento computacional y comprensión crítica de la IA.
En salud, la IA puede apoyar diagnósticos, clasificar imágenes médicas, predecir riesgos y personalizar tratamientos. En educación, puede ayudar a identificar dificultades de aprendizaje, generar rutas personalizadas y apoyar la labor docente. En finanzas, permite detectar fraudes, evaluar riesgos y automatizar decisiones crediticias. En industria, mejora procesos mediante mantenimiento predictivo, visión artificial y robótica. En agricultura, facilita la gestión de cultivos, suelos, clima y plagas. En gobierno, puede apoyar la focalización de políticas públicas, la atención ciudadana y el análisis de información territorial.
Pero en todos estos casos aparece una misma pregunta: ¿quién interpreta, valida y gobierna esas decisiones?
Aquí está el punto central. La IA no reemplaza la responsabilidad profesional. Al contrario, la hace más exigente. Un profesional del siglo XXI no solo debe saber usar herramientas inteligentes; también debe comprender sus consecuencias técnicas, éticas, sociales y organizacionales. Russell (2019) advierte que el avance de la inteligencia artificial obliga a repensar la relación entre sistemas inteligentes y valores humanos, especialmente cuando estos sistemas participan en decisiones que afectan la vida de las personas.
De la alfabetización digital a la alfabetización algorítmica
Durante años se habló de alfabetización digital como la capacidad de usar computadores, internet, plataformas, hojas de cálculo o herramientas de comunicación. Esa alfabetización sigue siendo necesaria, pero ya no es suficiente.
La nueva etapa exige una alfabetización algorítmica e inteligencia artificial aplicada. Esto implica comprender, al menos de manera básica, qué es un dato, qué es un algoritmo, cómo aprende un modelo, qué significa entrenar una IA, qué son los sesgos algorítmicos, cómo se evalúa una predicción y por qué una respuesta generada automáticamente no debe aceptarse sin criterio.
La UNESCO (2024) propone un marco de competencias en IA para docentes que incluye fundamentos de IA, ética, pedagogía, desarrollo profesional y enfoque centrado en lo humano. Aunque está dirigido al ámbito educativo, este marco resulta útil para pensar la formación transversal de cualquier profesional, porque insiste en que la IA no debe enseñarse solo como técnica, sino también como práctica ética, crítica y socialmente situada.
Esto es especialmente importante para las universidades. Si la IA ya está entrando a todos los sectores, la educación superior no puede responder únicamente con asignaturas optativas o cursos aislados. Se requiere una visión más estructural: incorporar la computación y la IA como componentes formativos transversales en todas las carreras.
La IA como método ampliado de investigación
Otro aspecto central es que la inteligencia artificial no solo sirve para automatizar tareas profesionales. También está cambiando la forma de producir conocimiento.
En las ciencias naturales, permite analizar datos genómicos, imágenes satelitales, modelos climáticos y patrones ecológicos. En las ciencias sociales, facilita el procesamiento de grandes volúmenes de texto, redes sociales, encuestas y registros administrativos. En las humanidades, abre posibilidades para el análisis computacional de archivos, discursos, imágenes, lenguajes y patrimonios culturales. En ingeniería, permite simular sistemas complejos, optimizar procesos y diseñar soluciones mediante modelos predictivos.
Esto significa que la IA se está convirtiendo en un método ampliado de investigación. No reemplaza la teoría, ni la interpretación humana, ni el juicio disciplinar. Pero sí amplía la capacidad de observar, clasificar, relacionar, simular y descubrir patrones que antes eran invisibles o imposibles de procesar manualmente.
El informe AI Index Report 2025 de Stanford muestra que la inteligencia artificial se ha expandido rápidamente en investigación, industria, inversión, regulación y adopción empresarial, lo cual confirma que ya no se trata de una tecnología emergente marginal, sino de una fuerza estructural en la ciencia, la economía y la sociedad contemporánea (Stanford HAI, 2025).
Una nueva área común del conocimiento
La tesis de fondo es clara: la computación en inteligencia artificial debe ser entendida como una nueva área común del conocimiento. No porque todas las personas deban volverse expertas en redes neuronales, programación avanzada o arquitectura de modelos, sino porque todas las profesiones estarán atravesadas por decisiones mediadas por sistemas inteligentes.
Así como la estadística se volvió indispensable para interpretar datos en salud, economía, psicología, administración o ciencias sociales, la IA se está convirtiendo en una competencia transversal para interpretar y actuar en un mundo automatizado. Así como la escritura permitió organizar y transmitir conocimiento, la computación permite modelarlo, procesarlo y ampliarlo. Así como la matemática ofreció un lenguaje para la ciencia moderna, los algoritmos se están convirtiendo en un lenguaje operativo de la sociedad digital.
Por ello, las universidades deberían pensar en una formación transversal en IA con al menos cinco niveles:
Alfabetización en IA
- Comprender conceptos básicos: datos, algoritmos, modelos, automatización y aprendizaje automático.
Pensamiento computacional
- Formular problemas mediante abstracción, lógica, patrones, procesos y soluciones modelables.
Uso profesional de IA
- Aplicar herramientas inteligentes en problemas propios de cada disciplina.
Analítica para la decisión
- Interpretar datos, predicciones, visualizaciones y escenarios.
Ética y gobernanza
- Evaluar sesgos, riesgos, privacidad, transparencia, responsabilidad y efectos sociales.
Este marco permitiría superar dos extremos: por un lado, la idea de que la IA es solo para expertos técnicos; por otro, la idea peligrosa de que basta con usar herramientas sin comprenderlas.
El reto ético: no todo lo técnicamente posible es socialmente deseable
Una mirada académica sobre IA no puede limitarse al entusiasmo tecnológico. La inteligencia artificial también plantea riesgos importantes. Puede reproducir sesgos, afectar derechos, aumentar desigualdades, concentrar poder tecnológico, precarizar trabajos, invadir la privacidad o automatizar decisiones sin suficiente transparencia.
Por eso, formar en IA no debe significar únicamente enseñar herramientas. Debe significar formar criterio.
Russell (2019) insiste en que uno de los grandes desafíos de la IA es asegurar que los sistemas inteligentes estén alineados con los valores humanos. Esta preocupación no es abstracta. En campos como salud, justicia, educación, empleo o crédito, una decisión automatizada puede afectar directamente la vida de una persona.
De ahí que la computación en inteligencia artificial deba enseñarse junto con ética, responsabilidad profesional, pensamiento crítico, análisis social y gobernanza tecnológica. La propia OCDE (2019) plantea que el desarrollo de IA debe estar guiado por principios de confianza, transparencia, robustez, seguridad y responsabilidad, especialmente cuando su uso se extiende a sectores sensibles de la sociedad.
Conclusión: una nueva alfabetización para una nueva época
La computación y la inteligencia artificial representan una de las transformaciones más profundas del siglo XXI. Su importancia no está solo en la aparición de nuevas herramientas, sino en la emergencia de una nueva forma de pensar, investigar, producir, decidir y ejercer las profesiones.
Por eso, la IA no puede seguir siendo vista como un asunto exclusivo de ingenieros o científicos de datos. Debe ser comprendida como una dimensión transversal de todas las áreas de conocimiento. Cada profesión necesita desarrollar su propia forma de dialogar con la inteligencia artificial: la medicina con la IA diagnóstica, el derecho con la IA documental, la educación con la IA pedagógica, la biología con la IA computacional, la administración con la IA estratégica, las artes con la IA creativa y el gobierno con la IA pública.
El desafío para las universidades, las empresas y las instituciones no es simplemente enseñar a usar herramientas de moda. El verdadero reto es formar profesionales capaces de comprender la lógica de los sistemas inteligentes, aplicarlos en sus campos, cuestionar sus resultados y orientar su uso hacia fines humanos, éticos y socialmente valiosos.
La computación en inteligencia artificial debe ser asumida como una nueva alfabetización profesional del siglo XXI: una competencia común, crítica y estratégica para participar activamente en la sociedad del conocimiento.
Referencias
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
Deja una respuesta