Wilmer Lopez Lopez

Autor: Wilmer Lopez

  • Biodiversidad y sostenibilidad en la nueva era digital; hacia una inteligencia ecológica para el siglo XXI

    La crisis contemporánea de biodiversidad exige nuevas formas de comprensión, gestión y acción colectiva. En la nueva era digital, tecnologías como la inteligencia artificial, los sensores remotos, el ADN ambiental, los sistemas de información geográfica, los gemelos digitales, la analítica de datos y las plataformas de reporte ambiental están transformando la manera en que las sociedades observan, valoran y gobiernan la relacion con la naturaleza. Sin embargo, esta transformación no debe entenderse únicamente como una modernización tecnológica de la conservación, sino como el surgimiento de una nueva visión de sostenibilidad basada en datos, anticipación, trazabilidad, corresponsabilidad y justicia ecológica. Este artículo propone que la biodiversidad debe ser abordada como una infraestructura viva para la sostenibilidad territorial, económica y social, y que la digitalización puede convertirse en una herramienta estratégica siempre que esté orientada por principios éticos, científicos, comunitarios y de gobernanza ambiental.

    Durante décadas, la sostenibilidad fue entendida principalmente como la búsqueda de equilibrio entre crecimiento económico, protección ambiental y bienestar social. Sin embargo, la aceleración del cambio climático, la pérdida de especies, la degradación de ecosistemas, la contaminación y la presión sobre los recursos naturales han mostrado que esta visión resulta insuficiente. La biodiversidad ya no puede ser vista como un asunto periférico de la política ambiental, sino como una condición estructural para la vida, la seguridad alimentaria, la salud pública, la resiliencia climática, la productividad y la estabilidad económica (Convention on Biological Diversity, 2023).

    En este contexto, la nueva era digital abre un campo de posibilidades inéditas. Hoy es posible monitorear ecosistemas mediante imágenes satelitales, identificar especies con algoritmos de visión artificial, analizar sonidos de la naturaleza con aprendizaje automático, rastrear riesgos ambientales en cadenas de suministro, modelar escenarios de pérdida de biodiversidad y generar reportes corporativos sobre impactos y dependencias de la naturaleza.

    No obstante, esta transición también plantea preguntas críticas. ¿Quién controla los datos de la biodiversidad? ¿Cómo evitar que la naturaleza sea reducida únicamente a indicadores financieros? ¿Qué lugar ocupan las comunidades locales, los pueblos indígenas y los saberes territoriales? Estas preguntas son centrales para construir una visión de biodiversidad y sostenibilidad pertinente en la era digital.

    La biodiversidad en la nueva era digital debe comprenderse entonces como una infraestructura viva y estratégica para la sostenibilidad, cuya gestión requiere integrar ciencia, tecnología, gobernanza, ética y conocimiento territorial. La digitalización no reemplaza la conservación, pero puede potenciarla si permite observar mejor los ecosistemas, anticipar riesgos, tomar decisiones basadas en evidencia y construir modelos de desarrollo orientados hacia una economía naturaleza-positiva (Convention on Biological Diversity, s. f.; World Economic Forum, 2025).

    De la conservación tradicional a la inteligencia ecológica digital

    La conservación de la biodiversidad ha estado tradicionalmente asociada a áreas protegidas, inventarios biológicos, restauración ecológica y regulación ambiental. Estas estrategias siguen siendo fundamentales, pero hoy resultan insuficientes si no se articulan con capacidades digitales que permitan comprender sistemas ecológicos complejos en tiempo real (Convention on Biological Diversity, 2023).

    La inteligencia artificial puede apoyar la identificación de especies, el análisis de grandes volúmenes de imágenes, el reconocimiento de patrones ecológicos y la predicción de amenazas. En el caso colombiano, investigaciones recientes destacan el potencial de la inteligencia artificial para la conservación y el uso sostenible de la biodiversidad, especialmente si se adapta a las realidades ecológicas, institucionales y sociales del país. Esta transición configura lo que puede denominarse una inteligencia ecológica digital: la capacidad de combinar datos ambientales, conocimiento científico, tecnologías avanzadas y toma de decisiones para proteger la vida en todas sus escalas. No se trata solo de digitalizar la naturaleza, sino de desarrollar mejores capacidades para comprenderla, cuidarla y restaurarla (Cañas et al., 2025).

    Biodiversidad como sistema de datos, valor y riesgo

    En la era digital, la biodiversidad se convierte también en un sistema de información. Cada especie, ecosistema, cuenca, bosque, suelo o cuerpo de agua genera señales que pueden ser observadas, medidas y analizadas. Sensores, satélites, drones, cámaras trampa, bioacústica, ADN ambiental y plataformas geoespaciales permiten construir nuevas capas de conocimiento sobre la naturaleza (Cañas et al., 2025). Este cambio tiene profundas implicaciones para la sostenibilidad. Las organizaciones ya no solo deben medir sus emisiones de carbono; también deben comprender sus impactos, dependencias, riesgos y oportunidades relacionados con la naturaleza. En esa dirección, la Taskforce on Nature-related Financial Disclosures propone el enfoque LEAP —Locate, Evaluate, Assess and Prepare— como una metodología para identificar y evaluar asuntos relacionados con la naturaleza en organizaciones de distintos sectores y geografías (TNFD, 2023/2025).

    Esto implica una transformación del lenguaje empresarial y público. La biodiversidad deja de ser vista únicamente como patrimonio natural y empieza a ser entendida como un factor de riesgo sistémico, una fuente de resiliencia y una condición para la competitividad sostenible.

    Tecnologías emergentes para una sostenibilidad anticipatoria

    Una de las grandes promesas de la era digital es pasar de una sostenibilidad reactiva a una sostenibilidad anticipatoria. En lugar de actuar únicamente cuando el daño ambiental ya ocurrió, las tecnologías digitales pueden ayudar a identificar señales tempranas de degradación, pérdida de especies, estrés hídrico, deforestación, contaminación o fragmentación de hábitats. Estas herramientas pueden fortalecer las capacidades de gobiernos, universidades, empresas y comunidades para tomar decisiones basadas en evidencia. Sin embargo, su valor depende de la calidad de los datos, la pertinencia territorial, la interoperabilidad, la transparencia y la participación social (Cañas et al., 2025; World Economic Forum, 2025).

    Hacia una economía naturaleza-positiva

    La nueva visión de sostenibilidad ya no se limita a reducir impactos negativos. El debate global avanza hacia el concepto de naturaleza positiva, que implica detener y revertir la pérdida de biodiversidad, restaurar ecosistemas y rediseñar modelos económicos para que generen valor sin destruir la base natural que los sostiene (Convention on Biological Diversity, s. f.; World Economic Forum, 2025). El Marco Global de Biodiversidad de Kunming-Montreal estableció 23 metas globales de acción hacia 2030, acompañadas de un marco de monitoreo con indicadores para hacer seguimiento a los avances nacionales, regionales y globales (Convention on Biological Diversity, 2023).

    Este enfoque exige que la biodiversidad sea incorporada en la planeación territorial, las finanzas, la infraestructura, la agricultura, la educación, la innovación y la política industrial. En este punto, el sector tecnológico tiene un papel estratégico: puede ofrecer capacidades de monitoreo, trazabilidad, modelamiento y gestión de datos, pero también debe reducir sus propios impactos sobre agua, energía, minerales, residuos electrónicos y cadenas de suministro (World Economic Forum, 2025).

    Riesgos éticos: no todo lo digital es sostenible

    Aunque la digitalización ofrece oportunidades importantes, también puede generar nuevos riesgos. La infraestructura digital consume energía, agua, minerales críticos y materiales tecnológicos. Los centros de datos, la inteligencia artificial, los dispositivos electrónicos y las redes de comunicación tienen una huella ambiental que no puede ser ignorada (World Economic Forum, 2025).

    Además, existe el riesgo de convertir la biodiversidad en una simple mercancía de datos. La información genética, los datos de especies, los mapas ecológicos y los conocimientos tradicionales pueden ser apropiados sin una distribución justa de beneficios. Para países megadiversos como Colombia, Brasil, Perú, Ecuador o México, este punto es especialmente sensible (Cañas et al., 2025; World Economic Forum, 2025). Por eso, la sostenibilidad digital debe incorporar principios de soberanía de datos ambientales, participación comunitaria, protección de conocimientos tradicionales, ciencia abierta responsable, interoperabilidad pública, transparencia algorítmica, justicia ecológica y reducción de la huella ambiental tecnológica. La pregunta no es simplemente cómo usar más tecnología para conservar biodiversidad, sino qué tipo de tecnología, bajo qué gobernanza, con qué propósito y para beneficio de quién.

    América Latina y Colombia: biodiversidad, datos y autonomía estratégica

    América Latina ocupa un lugar central en esta discusión. La región concentra una enorme riqueza biológica, ecosistemas estratégicos, selvas tropicales, páramos, cuencas hidrográficas, costas, humedales y territorios de alta diversidad cultural. Sin embargo, también enfrenta deforestación, minería ilegal, expansión urbana desordenada, conflictos por el agua, pérdida de hábitats y desigualdad en capacidades científicas y tecnológicas (Convention on Biological Diversity, 2023).

    Colombia, como país megadiverso, tiene una oportunidad histórica: construir una agenda de biodiversidad digital soberana, capaz de integrar universidades, centros de investigación, comunidades, Estado, empresas y cooperación internacional. Esto implica desarrollar capacidades en bioinformática, inteligencia artificial ambiental, sensores, datos geoespaciales, monitoreo comunitario, ciencia ciudadana, analítica climática, economía de la biodiversidad y gobernanza de datos naturales. La biodiversidad no debe ser vista solo como una ventaja natural, sino como una plataforma estratégica para la innovación, la educación, la competitividad y la sostenibilidad territorial. En este sentido, la nueva era digital puede ayudar a que la región pase de ser proveedora de recursos naturales a ser generadora de conocimiento, tecnología y valor agregado basado en la vida.

    Conclusión

    La nueva era digital redefine la relación entre biodiversidad y sostenibilidad. La naturaleza ya no puede ser entendida únicamente como paisaje, recurso o externalidad ambiental. Debe ser reconocida como una infraestructura viva que sostiene la economía, la salud, la cultura, la seguridad alimentaria y la resiliencia climática. Las tecnologías digitales pueden ampliar nuestra capacidad de observar, medir, anticipar y restaurar los ecosistemas. Pero su verdadero valor dependerá de la orientación ética, política y social con la que sean utilizadas. Una sostenibilidad digital sin justicia ecológica puede terminar profundizando las desigualdades que dice resolver. En cambio, una inteligencia ecológica digital, situada y participativa, puede convertirse en una herramienta poderosa para proteger la vida y construir futuros naturaleza-positivos. La gran tarea del siglo XXI no será simplemente digitalizar la biodiversidad, sino aprender a gobernar la tecnología desde la vida.

    Referencias

    Cañas, J. S., Parra-Guevara, C., Montoya-Castrillón, M., Ramírez-Mejía, J. M., Perilla, G. A., Marentes, E., Leuro, N., Sandoval-Sierra, J. V., Martinez-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. arXiv.

    Convention on Biological Diversity. (2023). Monitoring framework for the Kunming-Montreal Global Biodiversity Framework.

    Convention on Biological Diversity. (s. f.). 2030 targets with guidance notes: Kunming-Montreal Global Biodiversity Framework.

    Taskforce on Nature-related Financial Disclosures. (2023). Guidance on the identification and assessment of nature-related issues: The LEAP approach.

    World Economic Forum. (2025). 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

  • Computing and Artificial Intelligence: A New Cross-Cutting Dimension for All Disciplines and Professions in the 21st Century

    For decades, computing was viewed as a niche domain reserved exclusively for engineers, programmers, mathematicians, and systems specialists. In universities and corporate settings alike, discussing computing meant talking about labs, source code, servers, databases, and software. However, this narrow perspective no longer captures today’s reality. In the 21st century, computing has evolved from an isolated discipline into a foundational, cross-cutting infrastructure that underpins economic, scientific, educational, social, and cultural life.

    Today, virtually no profession can be practiced in isolation from data, algorithms, digital platforms, automation, and artificial intelligence (AI).

    • Healthcare analyzes diagnostic imagery using deep learning models.
    • The legal sector leverages advanced document search and analysis tools.
    • Education integrates intelligent tutoring systems.
    • Agriculture relies on sensors, drones, and predictive modeling.
    • Industry utilizes robotics, predictive maintenance, and digital twins.
    • The social sciences process massive volumes of text to map public opinion and digital behavior.
    • The arts explore novel frontiers of AI-assisted creativity.

    This rapid expansion underscores that AI does not operate merely as a sector-specific tool, but as a general-purpose technology transforming entire economies, organizations, and social frameworks (OECD, 2019; Stanford HAI, 2025).

    Consequently, the debate should no longer center on whether AI belongs strictly to the realm of engineering. The pivotal question is now: How do we equip all professionals to critically understand, utilize, and direct artificial intelligence within their respective fields?

    Computing is No Longer Just Programming

    One of the most significant paradigm shifts in recent decades is that computing is no longer synonymous with programming. While writing code remains important, computing encompasses far more; it is a way of thinking, modeling, conceptualizing problems, organizing information, identifying patterns, and designing solutions.

    Jeannette Wing pioneered the concept of computational thinking to describe a fundamental skill that should not be exclusive to computer scientists. For Wing (2006), thinking computationally involves formulating problems and their solutions in a way that can be effectively executed by an information-processing agent—be it a machine or a human following formal procedures. This insight is crucial because it elevates computing to the same status as other core competencies, such as reading, writing, rhetorical argument, or mathematical reasoning.

    From this perspective, doctors, lawyers, managers, biologists, communicators, and designers do not need to retrain as software engineers. However, they do need to understand how data is structured, how processes are automated, how models are trained, what an algorithmic prediction implies, and where the limits of an AI-generated response lie. As Lockwood and Mooney (2017) point out, computational thinking has become an increasingly vital educational competence, though significant gaps remain regarding how to integrate it broadly across academic curricula.

    In short, computing is becoming the new universal language of professional life.

    Artificial Intelligence as a General-Purpose Technology

    Artificial intelligence possesses a defining characteristic that sets it apart from most historical technologies: rather than disrupting a single sector, it reshapes almost every arena of human activity. For this reason, it is classified as a general-purpose technology, mirroring the historical impact of electricity, the steam engine, the personal computer, and the internet.

    The OECD notes that AI is actively reconfiguring economies and societies by unlocking unprecedented capacities for productivity, efficiency, automation, information analysis, and decision-making. Simultaneously, it warns that widespread adoption introduces profound challenges concerning human values, fairness, privacy, security, and accountability (OECD, 2019). This dual nature is critical to grasp: AI is not a neutral tool designed merely to accelerate existing tasks. It is a transformative force that alters how we make decisions, conduct research, manufacture goods, teach, diagnose illness, design public policy, and interpret reality.

    Agrawal, Gans, and Goldfarb (2018) offer a compelling thesis: artificial intelligence drastically reduces the cost of prediction. This means that many decisions previously reliant solely on human intuition and experience can now be augmented by systems capable of anticipating behaviors, risks, market demands, patterns, and future scenarios. The implications are profound: as prediction becomes cheaper and more accessible, numerous professions will be forced to redefine their decision-making frameworks.

    Along the same lines, Iansiti and Lakhani (2020) argue that organizations competing in the AI era cannot just adopt new software packages; they must completely redesign their operating models around data, algorithms, platforms, and digital networks. Therefore, the impact of AI extends far beyond technical efficiency—it fundamentally rewires strategy, organizational architecture, and value creation.

    A Cross-Cutting Competence for All Professions

    Treating computing and artificial intelligence as a cross-cutting domain requires acknowledging that training isolated tech specialists is no longer sufficient. Every profession now demands a baseline of algorithmic literacy, computational thinking, and a critical understanding of AI.

    The applications are already widespread:

    • In healthcare, AI assists in diagnostics, medical imaging classification, risk prediction, and personalized treatment plans.
    • In education, it helps identify learning gaps, map personalized learning pathways, and augment teaching methods.
    • In finance, it drives fraud detection, risk assessment, and automated credit approvals.
    • In industrial manufacturing, it optimizes operations through predictive maintenance, computer vision, and robotics.
    • In agriculture, it streamlines the management of crops, soil health, weather variables, and pest control.
    • In governance, it enhances the targeting of public policies, improves citizen services, and refines geospatial data analysis.

    Yet, across all these use cases, a critical question emerges: Who interprets, validates, and governs these automated decisions?

    This is the crux of the matter. AI does not absolve professionals of responsibility; on the contrary, it demands higher standards of accountability. A 21st-century professional must not only know how to operate intelligent tools but must also understand their technical, ethical, social, and organizational footprint. Russell (2019) warns that the rapid advancement of AI forces us to rethink the alignment between intelligent systems and human values, particularly when these systems are integrated into decisions that directly alter human lives.

    From Digital Literacy to Algorithmic Literacy

    For years, digital literacy was defined as the basic ability to use computers, browse the internet, navigate software platforms, manage spreadsheets, or utilize communication tools. While that baseline remains necessary, it is no longer sufficient.

    The current era demands algorithmic literacy and applied artificial intelligence. This entails a foundational understanding of what data is, how an algorithm operates, how a model learns, what training an AI involves, what constitutes algorithmic bias, how predictions are evaluated, and why an automated output should never be accepted blindly without critical appraisal.

    UNESCO (2024) has proposed an AI competency framework for teachers covering AI foundations, ethics, pedagogy, professional development, and human-centered approaches. Although tailored to educators, this framework serves as an excellent blueprint for the cross-cutting training of any professional. It rightly insists that AI should not be taught purely as a technical skill, but as an ethical, critical, and socially situated practice.

    This presents a clear mandate for higher education. If AI is permeating every industry, universities cannot respond with mere electives or isolated workshops. A structural overhaul is required to embed computing and AI as core, cross-cutting educational components within every degree program.

    AI as an Augmented Research Method

    Beyond automating professional workflows, artificial intelligence is fundamentally changing how we generate knowledge across all academic disciplines.

    • Natural Sciences: It accelerates the analysis of genomic sequencing, satellite imagery, climate models, and ecological patterns.
    • Social Sciences: It streamlines the processing of massive text corpora, social network dynamics, demographic surveys, and administrative records.
    • Humanities: It unlocks new possibilities for the computational analysis of historical archives, political discourse, iconography, linguistics, and cultural heritage.
    • Engineering: It enables the simulation of complex systems, process optimization, and the design of advanced solutions through predictive modeling.

    Consequently, AI is establishing itself as an augmented research method. It does not replace foundational theory, human interpretation, or disciplinary expertise. Instead, it amplifies our capacity to observe, classify, correlate, simulate, and uncover patterns that were previously invisible or impossible to process manually.

    Stanford’s AI Index Report 2025 highlights that artificial intelligence has integrated rapidly across scientific research, heavy industry, venture capital, regulatory policy, and corporate adoption. This further proves that AI is no longer a marginal, emerging tech trend, but a structural pillar of contemporary science, economics, and society (Stanford HAI, 2025).

    A New Common Ground for Human Knowledge

    The core thesis of this discussion is clear: computing and artificial intelligence must be recognized as a new common area of knowledge. This does not mean everyone must become an expert in neural networks, advanced programming, or model architecture. Rather, it means that every profession will inevitably operate within a reality shaped by intelligent systems.

    Just as statistics became indispensable for interpreting data in healthcare, economics, psychology, management, and sociology, AI is becoming a baseline competency for navigating an automated world. Just as writing allowed humanity to organize and transmit knowledge, and mathematics provided the language for modern science, algorithms are becoming the operational language of digital society.

    To address this, universities should implement a cross-cutting AI curriculum structured around five progressive levels:

    1. AI Literacy: Grasping fundamental concepts, including data structures, algorithms, machine learning models, and automation.
    2. Computational Thinking: Formulating problems through abstraction, logic, pattern recognition, and reproducible processes.
    3. Professional AI Application: Utilizing discipline-specific intelligent tools to solve domain-focused problems.
    4. Decision Analytics: Interpreting data outputs, algorithmic predictions, complex visualizations, and forecasted scenarios.
    5. Ethics and Governance: Critically evaluating biases, risks, privacy constraints, transparency, accountability, and broader societal impacts.

    This structured framework avoids two dangerous extremes: the misconception that AI should be left entirely to technical elites, and the equally perilous assumption that it is enough to use these tools without understanding how they work.

    The Ethical Imperative: Technical Feasibility vs. Social Desirability

    An academic evaluation of AI must look beyond technological enthusiasm. Artificial intelligence introduces profound risks: it can perpetuate structural biases, infringe upon fundamental rights, exacerbate socio-economic inequalities, centralize corporate power, compromise labor security, invade personal privacy, and automate decisions without transparency.

    Therefore, teaching AI cannot merely be about training users to operate tools; it must focus on cultivating critical judgment.

    Russell (2019) emphasizes that one of the greatest challenges of our time is ensuring that intelligent systems remain strictly aligned with human values. This is not an abstract philosophical dilemma. In fields such as medicine, criminal justice, education, employment, and credit scoring, an automated decision directly impacts human destinies.

    For this reason, computing and AI must always be taught alongside ethics, professional responsibility, critical thinking, social analysis, and technological governance. As the OECD (2019) asserts, AI development must be guided by principles of trustworthiness, transparency, robustness, safety, and accountability—especially when deployed in sensitive social sectors.

    Conclusion: A New Literacy for a Transforming Era

    Computing and artificial intelligence represent one of the most profound paradigm shifts of the 21st century. Their true significance lies not in the mere proliferation of novel software, but in the emergence of an entirely new way of thinking, researching, producing, deciding, and working.

    AI can no longer be treated as the exclusive playground of engineers or data scientists; it must be embraced as a cross-cutting dimension of all human knowledge. Every field must develop its own specialized dialogue with these technologies: medicine with diagnostic AI, law with documentary AI, education with pedagogical AI, biology with computational AI, management with strategic AI, the arts with creative AI, and governance with public AI.

    The challenge ahead for universities, corporations, and public institutions goes far beyond teaching people how to use the latest trendy software. The real mandate is to cultivate professionals who understand the underlying logic of intelligent systems, know how to apply them responsibly within their fields, possess the critical distance to question their outputs, and are dedicated to directing their power toward ethical, human-centric, and socially valuable ends.

    Computing in the age of artificial intelligence is the new professional literacy of the 21st century—a foundational, critical, and strategic capability required to actively shape the future of our knowledge society.

    References

    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

  • Computación e inteligencia artificial: una nueva área transversal para todas las áreas de conocimiento y profesiones en el siglo XXI

    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

  • Inteligência Artificial para o Bem Social (AI4SG): fundamentos conceituais, éticos e de governança

    A rápida expansão da inteligência artificial (IA) transformou de maneira estrutural os processos de tomada de decisão em áreas como saúde, educação, setor público e gestão ambiental. Longe de ser um conjunto neutro de ferramentas técnicas, a IA constitui hoje uma infraestrutura sociotécnica que incorpora valores, pressupostos normativos e relações de poder. Nesse contexto, emerge a abordagem Artificial Intelligence for Social Good (AI4SG), entendida como um marco teórico-prático orientado a alinhar o desenho, a implementação e a avaliação de sistemas de IA a objetivos explícitos de bem-estar social, equidade e sustentabilidade.

    AI4SG (Artificial Intelligence for Social Good) pode ser definida como um campo de pesquisa e prática que busca aplicar os avanços e desenvolvimentos da inteligência artificial para enfrentar problemas sociais e melhorar o bem-estar dos indivíduos, da sociedade e do planeta como um todo.

    AI4SG não se limita à aplicação de tecnologias avançadas a desafios sociais, mas propõe uma reorientação normativa da inovação algorítmica, integrando ética aplicada, governança e avaliação de impacto social como componentes estruturais do desenvolvimento tecnológico.

    Do otimismo tecnológico à crítica algorítmica

    A literatura crítica contemporânea tem demonstrado que a adoção indiscriminada de sistemas algorítmicos pode gerar efeitos adversos significativos. O’Neil (2016) documenta como modelos preditivos opacos, mesmo quando estatisticamente robustos, podem ampliar desigualdades e consolidar formas de exclusão estrutural. De forma complementar, Benjamin (2019) evidencia que os sistemas de IA tendem a reproduzir hierarquias raciais e sociais pré-existentes, configurando o que denomina New Jim Code.

    Em uma perspectiva mais ampla, a IA é compreendida como um fenômeno material e político, cujo funcionamento depende de cadeias globais de extração de recursos, trabalho humano precarizado e concentrações assimétricas de poder (Crawford, 2021). Essas contribuições convergem ao destacar que a eficiência técnica não é um critério suficiente para avaliar a legitimidade social da IA, abrindo espaço conceitual para abordagens como a AI4SG.

    Definição e alcance da AI4SG

    Segundo Cowls (2022), a AI4SG pode ser definida como o conjunto de abordagens, metodologias e práticas voltadas à maximização do impacto social positivo da IA, ao mesmo tempo em que se minimizam riscos éticos, sociais e ambientais. Essa abordagem é caracterizada por três elementos fundamentais:

    • Intencionalidade normativa: os objetivos sociais não são efeitos colaterais, mas finalidades explícitas do sistema.
    • Centralidade do ser humano: a IA é concebida como suporte à deliberação e à decisão humanas, e não como substituta da responsabilidade moral.
    • Avaliação de impacto: o desempenho do sistema é mensurado tanto em termos técnicos quanto sociais.

    Nessa perspectiva, a AI4SG situa-se na interseção entre ciência de dados, ética da tecnologia e políticas públicas.

    A literatura especializada converge em um conjunto de princípios que estruturam os projetos de AI4SG:

    • Justiça e equidade algorítmica, por meio da identificação e mitigação de vieses.
    • Transparência e explicabilidade, como condições para a confiança pública.
    • Responsabilidade e prestação de contas, com definição clara de atores e papéis.
    • Precaução e proporcionalidade, especialmente em contextos de alta vulnerabilidade.
    • Impacto social verificável, para além da eficiência operacional.

    Christian (2020) conceitualiza esse desafio como o problema do alinhamento, ressaltando que a adequação dos sistemas inteligentes aos valores humanos é simultaneamente um problema técnico, institucional e moral.

    AI4SG em setores críticos: o caso da saúde e do setor público

    A IA pode ser aplicada em diversos domínios para gerar impactos positivos sobre indivíduos, comunidades ou ecossistemas:

    • Inclusão social: contribuição para a redução de desigualdades por meio de aplicações que facilitam a comunicação de pessoas com deficiência ou ferramentas que detectam vieses de gênero em processos de contratação e concessão de crédito.
    • Saúde e bem-estar: utilização no diagnóstico de doenças (como sepse ou retinopatia diabética) a partir da análise de prontuários médicos e imagens. Também viabiliza a telemedicina, permitindo que a atenção em saúde alcance regiões remotas por meio de dispositivos móveis.
    • Educação de qualidade: desenvolvimento de sistemas de aprendizagem personalizados (tutores inteligentes ou avatares) que se adaptam ao ritmo e às necessidades específicas de cada estudante.
    • Agricultura e meio ambiente: emprego na agricultura de precisão com robôs que otimizam o plantio e a irrigação, bem como no monitoramento climático, na proteção da vida marinha e no combate à caça ilegal com o uso de drones e algoritmos de visão computacional.

    De forma análoga, no setor público, a aplicação da IA à focalização de políticas sociais requer marcos de governança robustos para evitar a automatização acrítica de decisões de alto impacto social.

    Análise da AI4SG a partir de uma perspectiva decolonial: limites epistêmicos e possibilidades emancipatórias

    Sob uma perspectiva decolonial, a abordagem AI4SG exige uma problematização adicional que ultrapasse os marcos normativos dominantes da ética da IA. Seguindo Aníbal Quijano, a tecnologia moderna está indissociavelmente vinculada à colonialidade do poder, compreendida como um padrão histórico que articula conhecimento, economia e autoridade. Nesse sentido, a IA — inclusive aquela orientada ao “bem social” — não pode ser assumida como neutra ou universal.

    A maioria dos sistemas de IA é projetada a partir de epistemologias e racionalidades técnicas próprias do Norte Global, o que implica que os problemas sociais e os critérios de otimização sejam frequentemente definidos a partir de referenciais externos aos contextos em que essas tecnologias são implementadas. Como adverte Walter Mignolo, esse processo reproduz uma forma de colonialidade do saber, na qual determinados conhecimentos são legitimados como universais enquanto outros são sistematicamente marginalizados.

    Reflexão final

    A Artificial Intelligence for Social Good constitui atualmente um marco indispensável para orientar o desenvolvimento da inteligência artificial em contextos de elevada complexidade social. Ao integrar ética, governança e crítica epistemológica, a AI4SG possibilita superar visões reducionistas da inovação tecnológica e avançar para uma concepção da IA como ferramenta a serviço do bem-estar coletivo. A incorporação de uma perspectiva decolonial amplia esse enfoque, lembrando que não pode haver verdadeiro “bem social” sem justiça epistêmica, contextualização cultural e participação efetiva das comunidades afetadas. O futuro da AI4SG dependerá, em última instância, da capacidade institucional de traduzir esses princípios em práticas concretas de desenho, regulação e avaliação.

    Referências

    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