Wilmer Lopez Lopez

Autor: Wilmer Lopez

  • 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

  • Intelligence Artificielle pour le Bien Social (AI4SG) : fondements conceptuels, éthiques et de gouvernance

    L’expansion rapide de l’intelligence artificielle (IA) a transformé de manière structurelle les processus de prise de décision dans des domaines tels que la santé, l’éducation, le secteur public et la gestion environnementale. Loin d’être un ensemble neutre d’outils techniques, l’IA constitue aujourd’hui une infrastructure sociotechnique qui incorpore des valeurs, des présupposés normatifs et des rapports de pouvoir. Dans ce contexte émerge l’approche Artificial Intelligence for Social Good (AI4SG), comprise comme un cadre théorico-pratique visant à aligner la conception, la mise en œuvre et l’évaluation des systèmes d’IA sur des objectifs explicites de bien-être social, d’équité et de durabilité.

    AI4SG (Artificial Intelligence for Social Good) peut être définie comme un champ de recherche et de pratique qui cherche à appliquer les développements et avancées de l’intelligence artificielle afin de résoudre des problèmes sociaux et d’améliorer le bien-être des individus, de la société et de la planète dans son ensemble.

    AI4SG ne se limite pas à l’application de technologies avancées à des problématiques sociales ; elle propose plutôt une réorientation normative de l’innovation algorithmique, intégrant l’éthique appliquée, la gouvernance et l’évaluation de l’impact social comme composantes structurelles du développement technologique.

    De l’optimisme technologique à la critique algorithmique

    La littérature critique contemporaine a montré que l’adoption indiscriminée de systèmes algorithmiques peut générer des effets indésirables significatifs. O’Neil (2016) montre comment des modèles prédictifs opaques, même lorsqu’ils sont statistiquement robustes, peuvent amplifier les inégalités et consolider des formes d’exclusion structurelle. De manière complémentaire, Benjamin (2019) met en évidence que les systèmes d’IA tendent à reproduire des hiérarchies raciales et sociales préexistantes, configurant ce qu’elle appelle le New Jim Code.

    Dans une perspective plus large, l’IA est de plus en plus comprise comme un phénomène matériel et politique, dont le fonctionnement dépend de chaînes mondiales d’extraction des ressources, de travail humain précarisé et de concentrations asymétriques de pouvoir (Crawford, 2021). Ces contributions convergent pour souligner que l’efficacité technique ne constitue pas un critère suffisant pour évaluer la légitimité sociale de l’IA, ouvrant ainsi un espace conceptuel pour des approches telles que l’AI4SG.

    Définition et portée de l’AI4SG

    Selon Cowls (2022), l’AI4SG peut être définie comme l’ensemble des approches, méthodologies et pratiques visant à maximiser l’impact social positif de l’IA tout en minimisant les risques éthiques, sociaux et environnementaux. Cette approche se caractérise par trois traits fondamentaux :

    • Intentionnalité normative : les objectifs sociaux ne sont pas des effets collatéraux, mais des finalités explicites du système.
    • Centralité de l’être humain : l’IA est conçue comme un soutien à la délibération et à la décision humaines, et non comme un substitut à la responsabilité morale.
    • Évaluation de l’impact : la performance du système est mesurée tant en termes techniques que sociaux.

    Dans cette perspective, l’AI4SG se situe à l’intersection de la science des données, de l’éthique des technologies et des politiques publiques.

    La littérature spécialisée converge autour d’un ensemble de principes qui structurent les projets d’AI4SG :

    • Justice et équité algorithmiques, par l’identification et l’atténuation des biais.
    • Transparence et explicabilité, comme conditions de la confiance publique.
    • Responsabilité et reddition de comptes, définissant clairement les acteurs et leurs rôles.
    • Précaution et proportionnalité, en particulier dans les contextes de forte vulnérabilité.
    • Impact social vérifiable, au-delà de l’efficacité opérationnelle.

    Christian (2020) conceptualise ce défi comme le problème d’alignement, soulignant que l’adéquation des systèmes intelligents aux valeurs humaines constitue simultanément un problème technique, institutionnel et moral.

    L’AI4SG dans les secteurs critiques : le cas de la santé et du secteur public

    L’IA peut être mobilisée dans de nombreux domaines afin d’avoir un impact positif sur les individus, les communautés ou les écosystèmes :

    • Inclusion sociale : contribution à la réduction des inégalités grâce à des applications facilitant la communication des personnes en situation de handicap ou à des outils détectant les biais de genre dans les processus de recrutement et d’octroi de crédit.
    • Santé et bien-être : utilisation pour le diagnostic de maladies (telles que la septicémie ou la rétinopathie diabétique) à partir de l’analyse de dossiers médicaux et d’images. Elle facilite également la télémédecine, permettant d’atteindre des zones éloignées grâce aux dispositifs mobiles.
    • Éducation de qualité : développement de systèmes d’apprentissage personnalisés (tuteurs intelligents ou avatars) s’adaptant au rythme et aux besoins spécifiques de chaque apprenant.
    • Agriculture et environnement : emploi dans l’agriculture de précision à l’aide de robots optimisant les semis et l’irrigation, ainsi que dans la surveillance climatique, la protection de la vie marine et la lutte contre le braconnage à l’aide de drones et d’algorithmes de vision par ordinateur.

    De manière analogue, dans le secteur public, l’application de l’IA au ciblage des politiques sociales exige des cadres de gouvernance robustes afin d’éviter l’automatisation non critique de décisions à fort impact social.

    Analyse de l’AI4SG depuis une perspective décoloniale : limites épistémiques et possibilités émancipatrices

    D’un point de vue décolonial, l’approche AI4SG requiert une problématisation supplémentaire qui dépasse les cadres normatifs dominants de l’éthique de l’IA. À la suite d’Aníbal Quijano, la technologie moderne est indissociablement liée à la colonialité du pouvoir, entendue comme un schéma historique articulant savoir, économie et autorité. En ce sens, l’IA — y compris celle orientée vers le « bien social » — ne peut être considérée comme neutre ni universelle.

    La majorité des systèmes d’IA sont conçus à partir d’épistémologies et de rationalités techniques propres au Nord global, ce qui implique que les problèmes sociaux et les critères d’optimisation sont souvent définis depuis des cadres extérieurs aux contextes dans lesquels ces technologies sont déployées. Comme le souligne Walter Mignolo, ce processus reproduit une forme de colonialité du savoir, dans laquelle certains types de connaissances sont légitimés comme universels tandis que d’autres sont systématiquement marginalisés.

    Réflexion finale

    L’Artificial Intelligence for Social Good constitue aujourd’hui un cadre indispensable pour orienter le développement de l’intelligence artificielle dans des contextes de forte complexité sociale. En intégrant l’éthique, la gouvernance et la critique épistémologique, l’AI4SG permet de dépasser les visions réductrices de l’innovation technologique et de progresser vers une conception de l’IA comme un outil au service du bien-être collectif. L’intégration d’une perspective décoloniale élargit encore cette approche, rappelant qu’il ne peut y avoir de véritable « bien social » sans justice épistémique, contextualisation culturelle et participation effective des communautés concernées. L’avenir de l’AI4SG dépendra, en définitive, de la capacité institutionnelle à traduire ces principes en pratiques concrètes de conception, de régulation et d’évaluation.

    Références

    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

  • Artificial Intelligence for Social Good (AI4SG): Conceptual, Ethical, and Governance Foundations

    he rapid expansion of artificial intelligence (AI) has structurally transformed decision-making processes in areas such as healthcare, education, the public sector, and environmental management. Far from being a neutral set of technical tools, AI today constitutes a sociotechnical infrastructure that embeds values, normative assumptions, and power relations. In this context, the Artificial Intelligence for Social Good (AI4SG) approach emerges as a theoretical–practical framework aimed at aligning the design, implementation, and evaluation of AI systems with explicit goals of social well-being, equity, and sustainability.

    AI4SG (Artificial Intelligence for Social Good) can be defined as a field of research and practice that seeks to apply advances in artificial intelligence to address social problems and improve the well-being of individuals, society, and the planet as a whole.

    AI4SG is not limited to the application of advanced technologies to social challenges; rather, it proposes a normative reorientation of algorithmic innovation, integrating applied ethics, governance, and social impact assessment as structural components of technological development.

    From Technological Optimism to Algorithmic Critique

    Contemporary critical literature has shown that the indiscriminate adoption of algorithmic systems can generate significant adverse effects. O’Neil (2016) documents how opaque predictive models, even when statistically robust, can amplify inequalities and consolidate forms of structural exclusion. Complementarily, Benjamin (2019) demonstrates that AI systems tend to reproduce pre-existing racial and social hierarchies, configuring what she calls the New Jim Code.

    From a broader perspective, AI is increasingly understood as a material and political phenomenon, whose operation depends on global chains of resource extraction, precarious human labor, and asymmetric concentrations of power (Crawford, 2021). These contributions converge in highlighting that technical efficiency is not a sufficient criterion for assessing the social legitimacy of AI, thereby opening conceptual space for approaches such as AI4SG.

    Definition and Scope of AI4SG

    Following Cowls (2022), AI4SG can be defined as the set of approaches, methodologies, and practices aimed at maximizing the positive social impact of AI while minimizing ethical, social, and environmental risks. This approach is characterized by three fundamental features:

    • Normative intentionality: social objectives are not collateral effects, but explicit goals of the system.
    • Human-centeredness: AI is conceived as support for human deliberation and decision-making, not as a substitute for moral responsibility.
    • Impact assessment: system performance is measured in both technical and social terms.

    From this perspective, AI4SG lies at the intersection of data science, technology ethics, and public policy.

    The specialized literature converges around a set of principles that structure AI4SG projects:

    • Algorithmic justice and equity, through the identification and mitigation of bias.
    • Transparency and explainability, as conditions for public trust.
    • Responsibility and accountability, clearly defining actors and roles.
    • Precaution and proportionality, especially in contexts of high vulnerability.
    • Verifiable social impact, beyond operational efficiency.

    Christian (2020) conceptualizes this challenge as the alignment problem, emphasizing that aligning intelligent systems with human values is simultaneously a technical, institutional, and moral problem.

    AI4SG in Critical Sectors: The Case of Healthcare and the Public Sector

    I can be deployed across multiple domains to positively impact individuals, communities, or ecosystems:

    • Social inclusion: helping reduce gaps through applications that facilitate communication for people with disabilities or tools that detect gender bias in hiring and credit processes.
    • Health and well-being: used to diagnose diseases (such as sepsis or diabetic retinopathy) through the analysis of medical records and images. It also enables telemedicine, allowing healthcare services to reach remote areas via mobile devices.
    • Quality education: enabling personalized learning systems (intelligent tutors or avatars) that adapt to the pace and specific needs of each learner.
    • Agriculture and the environment: applied in precision agriculture through robots that optimize planting and irrigation, as well as in climate monitoring, marine life protection, and anti-poaching efforts using drones and computer vision algorithms.

    Similarly, in the public sector, the application of AI to the targeting of social policies requires robust governance frameworks to prevent the uncritical automation of decisions with high social impact.

    Decolonial Analysis of AI4SG: Epistemic Limits and Emancipatory Possibilities

    From a decolonial perspective, the AI4SG approach requires additional problematization that goes beyond dominant normative frameworks in AI ethics. Following Aníbal Quijano, modern technology is inseparably linked to the coloniality of power, understood as a historical pattern that articulates knowledge, economy, and authority. In this sense, AI—including that oriented toward the “social good”—cannot be assumed to be neutral or universal.

    Most AI systems are designed based on epistemologies and technical rationalities rooted in the Global North, implying that social problems and optimization criteria are often defined from frameworks external to the contexts in which these technologies are deployed. As Walter Mignolo warns, this process reproduces a form of coloniality of knowledge, whereby certain forms of knowledge are legitimized as universal while others are systematically marginalized.

    Artificial Intelligence for Social Good currently constitutes an indispensable framework for guiding the development of artificial intelligence in contexts of high social complexity. By integrating ethics, governance, and epistemological critique, AI4SG makes it possible to move beyond reductionist views of technological innovation and advance toward a conception of AI as a tool in the service of collective well-being. The incorporation of a decolonial perspective further expands this approach, reminding us that there can be no true “social good” without epistemic justice, cultural contextualization, and the effective participation of affected communities. Ultimately, the future of AI4SG will depend on institutional capacity to translate these principles into concrete practices of design, regulation, and evaluation.

    References

    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

  • Inteligencia Artificial para el Bien Social (AI4SG): fundamentos conceptuales, éticos y de gobernanza

    La rápida expansión de la inteligencia artificial (IA) ha transformado de manera estructural los procesos de toma de decisiones en ámbitos como la salud, la educación, el sector público y la gestión ambiental. Lejos de ser un conjunto neutral de herramientas técnicas, la IA constituye hoy una infraestructura sociotécnica que incorpora valores, supuestos normativos y relaciones de poder. En este contexto emerge el enfoque Artificial Intelligence for Social Good (AI4SG), entendido como un marco teórico-práctico orientado a alinear el diseño, implementación y evaluación de sistemas de IA con objetivos explícitos de bienestar social, equidad y sostenibilidad.

    AI4SG (Artificial Intelligence for Social Good), se puede definir como una línea de investigación y práctica que busca aplicar los desarrollos y avances de la inteligencia artificial para resolver problemas sociales y mejorar el bienestar de los individuos, la sociedad y el planeta en su conjunto.

    AI4SG no se limita a la aplicación de tecnologías avanzadas a problemas sociales, sino que propone una reorientación normativa de la innovación algorítmica, integrando ética aplicada, gobernanza y evaluación de impacto social como componentes estructurales del desarrollo tecnológico

    Del optimismo tecnológico a la crítica algorítmica

    La literatura crítica contemporánea ha mostrado que la adopción indiscriminada de sistemas algorítmicos puede generar efectos adversos significativos. O’Neil (2016) documenta cómo modelos predictivos opacos, aun cuando son estadísticamente robustos, pueden amplificar desigualdades y consolidar formas de exclusión estructural. De manera complementaria, Benjamin (2019) evidencia que los sistemas de IA tienden a reproducir jerarquías raciales y sociales preexistentes, configurando lo que denomina el New Jim Code.

    Desde una perspectiva más amplia, se sostiene que la IA debe ser comprendida como un fenómeno material y político, cuya operación depende de cadenas globales de extracción de recursos, trabajo humano precarizado y concentraciones asimétricas de poder, Crawford (2021) . Estas contribuciones coinciden en señalar que la eficiencia técnica no es un criterio suficiente para evaluar la legitimidad social de la IA, abriendo el espacio conceptual para enfoques como AI4SG.

    Definición y alcance de AI4SG

    Siguiendo a Cowls (2022), AI4SG puede definirse como el conjunto de enfoques, metodologías y prácticas orientadas a maximizar el impacto social positivo de la IA, minimizando riesgos éticos, sociales y ambientales. Este enfoque se caracteriza por tres rasgos fundamentales:

    1. Intencionalidad normativa: los objetivos sociales no son efectos colaterales, sino fines explícitos del sistema.
    2. Centralidad del ser humano: la IA se concibe como soporte a la deliberación y la decisión humana, no como sustituto de la responsabilidad moral.
    3. Evaluación de impacto: el desempeño del sistema se mide tanto en términos técnicos como sociales.

    Desde esta perspectiva, AI4SG se sitúa en la intersección entre ciencia de datos, ética de la tecnología y políticas públicas.

    a literatura especializada converge en una serie de principios que estructuran los proyectos AI4SG:

    • Justicia y equidad algorítmica, mediante la identificación y mitigación de sesgos.
    • Transparencia y explicabilidad, como condiciones para la confianza pública.
    • Responsabilidad y rendición de cuentas, definiendo claramente actores y roles.
    • Precaución y proporcionalidad, especialmente en contextos de alta vulnerabilidad.
    • Impacto social verificable, más allá de la eficiencia operativa.

    Christian (2020) conceptualiza este desafío como el problema de alineación, subrayando que la adecuación de sistemas inteligentes a valores humanos es simultáneamente un problema técnico, institucional y moral.

    AI4SG en sectores críticos: el caso de la salud y el sector público

    La IA puede emplearse en diversos dominios para impactar positivamente a individuos, comunidades o ecosistemas:

    Inclusión social: Ayuda a reducir brechas mediante aplicaciones que facilitan la comunicación de personas con discapacidades o herramientas que detectan sesgos de género en procesos de contratación y créditos

    Salud y bienestar: Se utiliza para diagnosticar enfermedades (como la sepsis o la retinopatía diabética) mediante el análisis de registros médicos e imágenes. También facilita la telemedicina, permitiendo que la atención médica llegue a zonas remotas a través de dispositivos móviles.

    Educación de calidad: Permite crear sistemas de aprendizaje personalizados (tutores inteligentes o avatares) que se adaptan al ritmo y necesidades específicas de cada alumno.

    Agricultura y medio ambiente: Se emplea en la agricultura de precisión con robots que optimizan la siembra y el riego. También se usa para la monitorización del clima, la protección de la vida submarina y la lucha contra la caza furtiva mediante drones y algoritmos de visión computacional.

    De manera análoga, en el sector público, la aplicación de IA a la focalización de políticas sociales exige marcos de gobernanza robustos que eviten la automatización acrítica de decisiones con alto impacto social.

    Analisis desde la perspectiva decolonial AI4SG: límites epistémicos y posibilidades emancipatorias

    Desde una perspectiva decolonial, el enfoque AI4SG requiere una problematización adicional que trascienda los marcos normativos dominantes de la ética de la IA. Siguiendo a Aníbal Quijano, la tecnología moderna está inseparablemente ligada a la colonialidad del poder, entendida como un patrón histórico que articula conocimiento, economía y autoridad. En este sentido, la IA —incluida aquella orientada al “bien social”— no puede asumirse como neutral ni universal.

    La mayor parte de los sistemas de IA se diseñan a partir de epistemologías y racionalidades técnicas propias del Norte Global, lo que implica que los problemas sociales y los criterios de optimización suelen definirse desde marcos externos a los contextos donde estas tecnologías se implementan. Como advierte Walter Mignolo, este proceso reproduce una forma de colonialidad del saber, en la cual ciertos conocimientos se legitiman como universales mientras otros son sistemáticamente marginalizados.

    Reflexión FInal

    Artificial Intelligence for Social Good constituye hoy un marco indispensable para orientar el desarrollo de la inteligencia artificial en contextos de alta complejidad social. Al integrar ética, gobernanza y crítica epistemológica, AI4SG permite superar visiones reduccionistas de la innovación tecnológica y avanzar hacia una concepción de la IA como herramienta al servicio del bienestar colectivo. La incorporación de una perspectiva decolonial amplía este enfoque, recordando que no puede haber verdadero “bien social” sin justicia epistémica, contextualización cultural y participación efectiva de las comunidades afectadas. El futuro de AI4SG dependerá, en última instancia, de la capacidad institucional para traducir estos principios en prácticas concretas de diseño, regulación y evaluación.

    Referencias

    Benjamin, R. (2019). Race after technology: Abolitionist tools for the new Jim code. Polity Press.
    Christian, B. (2020). The alignment problem: Machine learning and human values. W. W. Norton & Company.
    Coeckelbergh, M. (2020). AI ethics. MIT Press.
    Cowls, J. (Ed.). (2022). Artificial intelligence for social good. Springer.
    Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
    O’Neil, C. (2016). Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.

    PhD. Wilmer Lopez Lopez – Marzo 2026

  • Quem educar? Sobre o que educar? Onde educar?

    Educação superior na convergência entre inteligência artificial, transição demográfica e mudança geracional

    A educação superior enfrenta uma reconfiguração estrutural decorrente de três dinâmicas convergentes: a expansão da inteligência artificial (IA) e da hiperconectividade digital, o declínio demográfico em múltiplas regiões e a transformação nas expectativas culturais e profissionais das novas gerações.

    Este texto reflete sobre essas forças que obrigam a repensar três perguntas estratégicas fundamentais — quem educar? sobre o que educar? onde educar? — não como questões pedagógicas isoladas, mas como eixos de redesenho institucional.

    Com base em evidências de organismos internacionais e literatura acadêmica recente, argumenta-se que a sustentabilidade e a relevância da educação superior dependerão de sua capacidade de adotar um modelo intergeracional, transversal em alfabetização digital e híbrido em sua arquitetura formativa.

    Da expansão massiva à reconfiguração estrutural

    Nas últimas décadas, a educação superior experimentou uma expansão sem precedentes. Segundo a UNESCO (2022), as matrículas globais passaram de aproximadamente 100 milhões de estudantes no ano 2000 para mais de 235 milhões em 2020. No entanto, essa expansão ocorreu sob pressupostos demográficos e tecnológicos que hoje estão sendo profundamente alterados.

    O avanço da inteligência artificial está modificando as dinâmicas de trabalho, aprendizagem e produção de conhecimento. A UNESCO (2023) adverte que a IA não impacta apenas ferramentas pedagógicas, mas a própria arquitetura do sistema educacional, incluindo avaliação, desenho curricular e governança institucional.

    Paralelamente, a Divisão de População das Nações Unidas indica que a taxa global de fertilidade caiu para 2,3 filhos por mulher em 2021, com projeções abaixo do nível de reposição em diversas regiões (United Nations, 2022). Esse fenômeno afeta diretamente o tamanho das coortes em idade universitária, tradicionalmente centrais nos sistemas de ensino superior.

    Além disso, as próprias gerações envolvidas nos processos formativos apresentam transformações significativas. Estudos sobre a Geração Z mostram mudanças nas expectativas em relação à aprendizagem e ao trabalho. Twenge (2017) documenta alterações nos padrões de socialização digital e nas prioridades profissionais, enquanto Gallup (2024) evidencia percepções ambivalentes sobre o impacto da IA na educação e no emprego.

    A transformação geracional não se limita a preferências pedagógicas; ela redefine a relação entre educação e projeto de vida. Instituições que não integrem flexibilidade, modularidade, aprendizagem aplicada e acompanhamento em transições profissionais correm o risco de perder relevância diante de estudantes que valorizam tanto a empregabilidade quanto o sentido e a coerência ética do conhecimento adquirido.

    Nesse contexto, a educação superior não enfrenta uma crise conjuntural, mas uma redefinição sistêmica.

    Quem educar? A transição demográfica e a virada para a aprendizagem ao longo da vida

    A transição demográfica representa um dos fatores mais estruturais da mudança. O relatório World Population Prospects (United Nations, 2022) confirma uma desaceleração sustentada do crescimento da população jovem na América Latina, Europa e Ásia Oriental.

    Encoura (2023) projeta que, nos Estados Unidos, o número de graduados do ensino médio diminuirá significativamente na próxima década — fenômeno também observado em outros países com taxas de fertilidade reduzidas.

    Esse cenário transforma a lógica institucional:

    • Menor número de estudantes tradicionais
    • Maior competição interinstitucional
    • Necessidade de diversificar públicos

    A OECD (2019) sustenta que a aprendizagem ao longo da vida será fundamental para manter a produtividade em sociedades envelhecidas. Consequentemente, a educação superior deve ampliar seu foco para:

    • Profissionais em reconversão diante da automação
    • Adultos que necessitam atualização tecnológica contínua
    • Trajetórias flexíveis que integrem trabalho e formação

    O estudante tradicional deixa de ser o centro exclusivo do modelo. A sustentabilidade institucional dependerá de sua capacidade de operar como plataforma de atualização permanente.

    Sobre o que educar? IA, automação e competências humanas ampliadas

    A inteligência artificial redefine as competências profissionais demandadas. O Future of Jobs Report do Fórum Econômico Mundial (2023) identifica alfabetização tecnológica, análise de dados e pensamento analítico como habilidades em crescimento acelerado.

    Brynjolfsson e McAfee (2014) argumentam que a automação transforma não apenas tarefas manuais, mas também cognitivas, exigindo a reconfiguração dos perfis profissionais. A UNESCO (2023) enfatiza que a integração responsável da IA na educação deve incluir marcos éticos, transparência algorítmica e desenvolvimento do pensamento crítico.

    Nesse contexto, a formação transversal em:

    • Dados
    • IA aplicada
    • Automação
    • Ética digital

    torna-se uma condição básica, e não opcional.

    Ao mesmo tempo, a literatura converge ao afirmar que a automação não elimina o valor humano; ela o desloca para competências superiores. A tecnologia complementa tarefas que exigem julgamento, criatividade e habilidades sociais.

    A educação superior deve formar profissionais híbridos: tecnologicamente competentes e sólidos em capacidades cognitivas avançadas.

    Onde educar? Hiperconectividade e expansão do ecossistema formativo

    A hiperconectividade redefine estruturalmente o espaço educacional. Castells (2010) descreve a “sociedade em rede” como um sistema no qual a produção, circulação e validação do conhecimento se articulam por meio de infraestruturas digitais globais.

    A universidade, historicamente organizada como espaço físico centralizado, insere-se agora em uma arquitetura distribuída do saber.

    A pandemia de COVID-19 acelerou processos de virtualização, mas não os originou. A digitalização educacional já estava em curso por meio de plataformas abertas de aprendizagem, recursos educacionais digitais e redes profissionais globais.

    O modelo emergente caracteriza-se por:

    • Educação híbrida
    • Microcredenciais (OECD, 2021)
    • Avaliação baseada em competências
    • Integração com ambientes produtivos reais

    A Geração Z valoriza flexibilidade, propósito e aplicabilidade imediata da aprendizagem (Gallup, 2024). O campus físico não desaparece, mas deixa de ser o único nó do sistema educacional.

    Reflexão Final

    A convergência entre transição demográfica, automação cognitiva e transformação cultural geracional configura um ambiente estruturalmente distinto daquele que deu origem ao modelo universitário tradicional.

    Não estamos diante de variações marginais, mas de uma alteração nos pressupostos fundacionais do sistema: a abundância de população jovem, a estabilidade dos perfis profissionais e a centralidade do campus físico como único espaço legítimo de formação.

    O novo cenário é previsível:

    Menos jovens.
    Mais tecnologia transversal.
    Expectativas crescentes de flexibilidade, propósito e aplicabilidade imediata.

    Esse contexto redefine a competição na educação superior. Já não se trata apenas de ampliar cobertura, diversificar programas ou fortalecer infraestrutura. Trata-se de repensar a proposta de valor institucional em termos de pertinência, adaptabilidade e capacidade de articulação com um ambiente dinâmico.

    Instituições que compreenderem a natureza sistêmica dessa convergência estarão em condições de redesenhar sua arquitetura acadêmica, diversificar seus públicos e consolidar-se como plataformas de aprendizagem ao longo da vida. Aquelas que mantiverem lógicas exclusivamente expansionistas — centradas em volume, presencialidade rígida ou segmentação disciplinar fechada — enfrentarão pressões crescentes de sustentabilidade acadêmica, financeira e reputacional.

    Referencias

    Autor, D. H. (2015). Why are there still so many jobs? Journal of Economic Perspectives, 29(3), 3–30.
    Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton.
    Castells, M. (2010). The rise of the network society. Wiley-Blackwell.
    Encoura. (2023). Regional impacts of the demographic decline on higher education.
    Gallup. (2024). Gen Z and AI in education.
    OECD. (2019). Getting skills right: Future-ready adult learning systems.
    OECD. (2021). Micro-credentials for lifelong learning and employability.
    UNESCO. (2022). Global education monitoring report.
    UNESCO. (2023). AI and the future of education: Disruptions, dilemmas and directions.
    United Nations. (2022). World population prospects 2022.
    World Economic Forum. (2023). Future of jobs report 2023.

    PhD. Wilmer Lopez Lopez – Febrero 2026

  • Qui former ? Sur quoi former ? Où former ?

    L’enseignement supérieur à la convergence de l’intelligence artificielle, de la transition démographique et du changement générationnel

    ’enseignement supérieur fait face à une reconfiguration structurelle issue de trois dynamiques convergentes : l’expansion de l’intelligence artificielle (IA) et de l’hyperconnectivité numérique, le déclin démographique dans plusieurs régions du monde et la transformation des attentes culturelles et professionnelles des nouvelles générations.

    Ce texte propose une réflexion sur ces forces qui obligent à repenser trois questions stratégiques fondamentales — Qui former ? Sur quoi former ? Où former ? — non pas comme de simples interrogations pédagogiques isolées, mais comme des axes de refonte institutionnelle.

    À partir des données d’organismes internationaux et de la littérature académique récente, il est soutenu que la durabilité et la pertinence de l’enseignement supérieur dépendront de sa capacité à adopter un modèle intergénérationnel, transversal en matière de littératie numérique et hybride dans son architecture formative.

    De l’expansion massive à la reconfiguration structurelle

    Au cours des dernières décennies, l’enseignement supérieur a connu une expansion sans précédent. Selon l’UNESCO (2022), les inscriptions mondiales sont passées d’environ 100 millions d’étudiants en 2000 à plus de 235 millions en 2020. Toutefois, cette expansion s’est développée sur la base d’hypothèses démographiques et technologiques aujourd’hui profondément transformées.

    Les avancées de l’intelligence artificielle modifient les dynamiques de travail, d’apprentissage et de production des connaissances. L’UNESCO (2023) souligne que l’IA n’affecte pas uniquement les outils pédagogiques, mais l’architecture même du système éducatif, y compris l’évaluation, la conception curriculaire et la gouvernance institutionnelle.

    Parallèlement, la Division de la population des Nations Unies indique que le taux mondial de fécondité est descendu à 2,3 enfants par femme en 2021, avec des projections en dessous du seuil de remplacement dans plusieurs régions (Nations Unies, 2022). Ce phénomène affecte directement la taille des cohortes en âge universitaire, historiquement centrales dans les systèmes d’enseignement supérieur.

    En outre, les générations actuellement engagées dans les processus de formation présentent elles-mêmes des transformations significatives. Les études sur la Génération Z montrent une évolution des attentes vis-à-vis de l’apprentissage et du travail. Twenge (2017) met en évidence des changements dans les modes de socialisation numérique et les priorités professionnelles, tandis que Gallup (2024) souligne des perceptions ambivalentes concernant l’impact de l’IA sur l’éducation et l’emploi.

    La transformation générationnelle ne se limite pas aux préférences pédagogiques ; elle redéfinit la relation entre formation et projet de vie. Les institutions qui n’intègrent pas flexibilité, modularité, apprentissage appliqué et accompagnement des transitions professionnelles risquent de perdre en pertinence auprès d’étudiants qui valorisent à la fois l’employabilité et la cohérence éthique des savoirs acquis.

    Dans ce contexte, l’enseignement supérieur ne traverse pas une crise conjoncturelle, mais une redéfinition systémique.

    Qui former ? La transition démographique et le virage vers l’apprentissage tout au long de la vie

    La transition démographique constitue l’un des facteurs les plus structurels du changement. Le rapport World Population Prospects (Nations Unies, 2022) confirme un ralentissement durable de la croissance des populations jeunes en Amérique latine, en Europe et en Asie orientale.

    Encoura (2023) projette une diminution significative du nombre de diplômés du secondaire aux États-Unis au cours de la prochaine décennie, phénomène également observé dans d’autres pays à faible taux de fécondité.

    Ce contexte transforme la logique institutionnelle :

    • Moins d’étudiants traditionnels
    • Plus grande concurrence interinstitutionnelle
    • Nécessité de diversifier les publics

    L’OCDE (2019) souligne que l’apprentissage tout au long de la vie sera essentiel pour maintenir la productivité dans les sociétés vieillissantes. L’enseignement supérieur doit donc élargir son focus vers :

    • Les professionnels en reconversion face à l’automatisation
    • Les adultes nécessitant une actualisation technologique continue
    • Des parcours flexibles intégrant travail et formation

    L’étudiant traditionnel n’est plus le centre exclusif du modèle. La durabilité institutionnelle dépendra de sa capacité à fonctionner comme plateforme d’actualisation permanente.

    Sur quoi former ? IA, automatisation et compétences humaines élargies

    L’intelligence artificielle redéfinit les compétences professionnelles demandées. Le Future of Jobs Report du Forum Économique Mondial (2023) identifie la littératie technologique, l’analyse de données et la pensée analytique comme compétences en forte croissance.

    Brynjolfsson et McAfee (2014) soutiennent que l’automatisation transforme non seulement les tâches manuelles, mais également les tâches cognitives, obligeant à reconfigurer les profils professionnels. L’UNESCO (2023) insiste sur le fait que l’intégration responsable de l’IA dans l’éducation doit inclure des cadres éthiques, la transparence algorithmique et le développement de la pensée critique.

    Dans ce contexte, la formation transversale en :

    • Données
    • IA appliquée
    • Automatisation
    • Éthique numérique

    devient une condition fondamentale, et non optionnelle.

    La littérature converge également pour affirmer que l’automatisation n’élimine pas la valeur humaine ; elle la déplace vers des compétences supérieures. La technologie complète les tâches exigeant jugement, créativité et compétences sociales.

    L’enseignement supérieur doit donc former des professionnels hybrides : technologiquement compétents et solides en capacités cognitives avancées.

    Où former ? Hyperconnectivité et expansion de l’écosystème formatif

    L’hyperconnectivité redéfinit structurellement l’espace éducatif. Castells (2010) décrit la « société en réseau » comme un système où la production, la circulation et la validation des connaissances s’articulent à travers des infrastructures numériques globales.

    L’université, historiquement organisée comme espace physique centralisé, s’inscrit désormais dans une architecture distribuée du savoir.

    La pandémie de COVID-19 a accéléré les processus de virtualisation sans en être l’origine. La numérisation éducative était déjà en marche grâce aux plateformes d’apprentissage ouvert, aux ressources éducatives numériques et aux réseaux professionnels mondiaux.

    Le modèle émergent se caractérise par :

    • L’éducation hybride
    • Les microcertifications (OCDE, 2021)
    • L’évaluation fondée sur les compétences
    • L’intégration avec des environnements productifs réels

    La Génération Z valorise flexibilité, sens et applicabilité immédiate (Gallup, 2024). Le campus physique ne disparaît pas, mais il cesse d’être l’unique nœud du système éducatif.

    Réflexion finale

    La convergence entre transition démographique, automatisation cognitive et transformation culturelle générationnelle crée un environnement structurellement différent de celui qui a donné naissance au modèle universitaire traditionnel.

    Il ne s’agit pas de variations marginales, mais d’une altération des hypothèses fondatrices du système : l’abondance de population jeune, la stabilité des profils professionnels et la centralité du campus physique comme unique espace légitime de formation.

    Le nouveau scénario est prévisible :

    Moins de jeunes.
    Plus de technologies transversales.
    Des attentes croissantes de flexibilité, de sens et d’applicabilité immédiate.

    Ce contexte redéfinit la concurrence dans l’enseignement supérieur. Il ne s’agit plus seulement d’élargir la couverture ou de renforcer les infrastructures, mais de repenser la proposition de valeur institutionnelle en termes de pertinence, d’adaptabilité et de capacité d’articulation avec un environnement dynamique.

    Les institutions qui comprendront la nature systémique de cette convergence seront en mesure de redessiner leur architecture académique, de diversifier leurs publics et de se consolider comme plateformes d’apprentissage tout au long de la vie. Celles qui maintiendront des logiques exclusivement expansionnistes — centrées sur le volume, la rigidité présentielle ou une segmentation disciplinaire fermée — feront face à des pressions croissantes de soutenabilité académique, financière et réputationnelle.

    Referencias

    Autor, D. H. (2015). Why are there still so many jobs? Journal of Economic Perspectives, 29(3), 3–30.
    Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton.
    Castells, M. (2010). The rise of the network society. Wiley-Blackwell.
    Encoura. (2023). Regional impacts of the demographic decline on higher education.
    Gallup. (2024). Gen Z and AI in education.
    OECD. (2019). Getting skills right: Future-ready adult learning systems.
    OECD. (2021). Micro-credentials for lifelong learning and employability.
    UNESCO. (2022). Global education monitoring report.
    UNESCO. (2023). AI and the future of education: Disruptions, dilemmas and directions.
    United Nations. (2022). World population prospects 2022.
    World Economic Forum. (2023). Future of jobs report 2023.

    PhD. Wilmer Lopez Lopez – Febrero 2026

  • Who Should We Educate? What Should We Educate About? Where Should We Educate?

    Higher Education at the Convergence of Artificial Intelligence, Demographic Transition, and Generational Change


    Higher education is undergoing a structural reconfiguration driven by three converging dynamics: the expansion of artificial intelligence (AI) and digital hyperconnectivity, demographic decline across multiple regions, and the transformation of cultural and professional expectations among younger generations.

    This text reflects on these forces, which compel us to rethink three fundamental strategic questions — Who should we educate? What should we educate about? Where should we educate? — not as isolated pedagogical concerns, but as axes for institutional redesign.

    Based on evidence from international organizations and recent academic literature, it is argued that the sustainability and relevance of higher education will depend on its ability to adopt an intergenerational model, integrate digital literacy transversally, and evolve toward a hybrid educational architecture.

    From Mass Expansion to Structural Reconfiguration
    Over the past decades, higher education experienced unprecedented expansion. According to UNESCO (2022), global enrollment increased from approximately 100 million students in 2000 to more than 235 million in 2020. However, this expansion developed under demographic and technological assumptions that are now being profoundly altered.

    The advancement of artificial intelligence is reshaping work dynamics, learning processes, and knowledge production. UNESCO (2023) warns that AI impacts not only pedagogical tools but also the very architecture of educational systems, including assessment, curriculum design, and institutional governance.

    Simultaneously, the United Nations Population Division reports that the global fertility rate declined to 2.3 children per woman in 2021, projected to fall below replacement level in multiple regions (United Nations, 2022). This phenomenon directly affects the size of university-age cohorts that have traditionally sustained higher education systems.

    Moreover, the generations currently entering educational processes are themselves undergoing transformation. Research on Generation Z shows significant shifts in expectations regarding learning and work. Twenge (2017) documents changes in digital socialization patterns and career priorities, while Gallup (2024) highlights ambivalent perceptions regarding AI’s impact on education and employment.

    Generational transformation extends beyond pedagogical preferences; it reshapes the relationship between education and life planning. Institutions that fail to integrate flexibility, modularity, applied learning, and professional transition support risk losing relevance among students who value both employability and ethical coherence in their educational experience.

    In this context, higher education is not facing a temporary crisis, but a systemic redefinition.

    Who Should We Educate? Demographic Transition and the Shift Toward Lifelong Learning

    Demographic transition represents one of the most structural drivers of change. The World Population Prospects report (United Nations, 2022) confirms a sustained slowdown in youth population growth across Latin America, Europe, and East Asia.

    Encoura (2023) projects a significant decline in high school graduates in the United States over the next decade — a phenomenon mirrored in other countries with reduced fertility rates.

    This scenario transforms institutional logic:

    • Fewer traditional students
    • Increased interinstitutional competition
    • The need to diversify target populations

    The OECD (2019) argues that lifelong learning will be critical for sustaining productivity in aging societies. Consequently, higher education must expand its focus toward:

    • Professionals undergoing reskilling due to automation
    • Adults requiring continuous technological updating
    • Flexible pathways integrating work and study

    The traditional student is no longer the exclusive center of the model. Institutional sustainability will increasingly depend on the ability to operate as a lifelong learning platform.

    What Should We Educate About? AI, Automation, and Expanded Human Competencies

    Artificial intelligence is redefining labor market competencies. The Future of Jobs Report (World Economic Forum, 2023) identifies technological literacy, data analysis, and analytical thinking as rapidly growing skills.

    Brynjolfsson and McAfee (2014) argue that automation transforms not only manual tasks but also cognitive ones, requiring the reconfiguration of professional profiles. UNESCO (2023) emphasizes that responsible AI integration in education must include ethical frameworks, algorithmic transparency, and critical thinking development.

    In this context, transversal training in:

    • Data literacy
    • Applied AI
    • Automation
    • Digital ethics

    becomes a foundational requirement rather than an optional specialization.

    At the same time, literature consistently highlights that automation does not eliminate human value; rather, it shifts it toward higher-order competencies. Technology complements tasks requiring judgment, creativity, and social intelligence.

    Higher education must therefore cultivate hybrid professionals: technologically competent and strong in advanced cognitive capacities.

    Where Should We Educate? Hyperconnectivity and the Expansion of the Learning Ecosystem

    Hyperconnectivity structurally redefines educational space. Castells (2010) describes the “network society” as a system in which knowledge production, circulation, and validation occur through global digital infrastructures. Information is no longer confined to closed institutions but flows continuously within interconnected networks.

    Universities, historically organized as centralized physical spaces, now operate within a distributed architecture of knowledge.

    The COVID-19 pandemic accelerated virtualization processes but did not initiate them. Educational digitalization was already advancing through open learning platforms, digital educational resources, online communities of practice, and global professional networks. The pandemic revealed the fragility of exclusively face-to-face models and the necessity of hybrid institutional capabilities.

    Yet the transformation goes beyond migration to virtual environments. Contemporary learning occurs simultaneously across multiple spaces:

    • Open learning platforms
    • Corporate training environments
    • Specialized digital communities
    • Global professional networks
    • Innovation and entrepreneurship ecosystems
    • Self-directed learning

    Within this context, the emerging higher education model displays distinctive characteristics:

    Hybrid education. Not merely a technical blend of in-person and online formats, but an integrated pedagogical design combining physical, digital, and experiential learning.

    Microcredentials. The OECD (2021) notes that microcredentials certify specific, updatable competencies, enabling flexible and stackable learning pathways that respond to both lifelong learning needs and employer demand for verifiable skills.

    Competency-based assessment. Emphasis shifts from credit accumulation to demonstrable learning outcomes. Certification validates mastery rather than time spent.

    Integration with real productive environments. Learning connects with business projects, living labs, simulations, extended internships, and sectoral challenges. The boundary between classroom and market becomes increasingly porous.

    This redesign also responds to cultural transformation. Generation Z values flexibility, purpose, and immediate applicability of learning (Gallup, 2024). It seeks personalized pathways, relevant experiences, and direct connections between education and employability. Rigid curricular structures lose appeal compared to adaptive, modular models.

    The physical campus does not disappear. However, its function is redefined. It ceases to be the sole node of the educational system and becomes one component within an expanded learning network. It evolves from exclusive container of knowledge to space for encounter, experimentation, social interaction, and academic community building.

    The university of the 21st century is defined not solely by its physical infrastructure, but by its capacity to articulate hybrid ecosystems, digital networks, and productive environments into a coherent and strategic learning experience.

    Final Reflection

    The convergence of demographic transition, cognitive automation, and generational cultural transformation is shaping an environment that is structurally different from the one that gave rise to the traditional university model.

    We are not facing marginal adjustments, but rather a fundamental alteration of the system’s foundational assumptions: the abundance of young populations, the stability of professional profiles, and the centrality of the physical campus as the sole legitimate space for education.

    The emerging scenario is clear: Fewer young students. More transversal technology. Growing expectations for flexibility, purpose, and immediate applicability.

    This context redefines competition in higher education. It is no longer sufficient to expand coverage, diversify programs, or strengthen infrastructure alone. The challenge is to rethink the institutional value proposition in terms of relevance, adaptability, and the capacity to articulate effectively with a dynamic environment.

    Institutions that understand the systemic nature of this convergence will be positioned to redesign their academic architecture, diversify their target populations, and consolidate themselves as lifelong learning platforms. Those that maintain exclusively expansion-driven logics — centered on volume, rigid presenciality, or closed disciplinary segmentation — will face increasing pressures on their long-term sustainability.

    Referencias

    Autor, D. H. (2015). Why are there still so many jobs? Journal of Economic Perspectives, 29(3), 3–30.
    Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton.
    Castells, M. (2010). The rise of the network society. Wiley-Blackwell.
    Encoura. (2023). Regional impacts of the demographic decline on higher education.
    Gallup. (2024). Gen Z and AI in education.
    OECD. (2019). Getting skills right: Future-ready adult learning systems.
    OECD. (2021). Micro-credentials for lifelong learning and employability.
    UNESCO. (2022). Global education monitoring report.
    UNESCO. (2023). AI and the future of education: Disruptions, dilemmas and directions.
    United Nations. (2022). World population prospects 2022.
    World Economic Forum. (2023). Future of jobs report 2023.

    PhD. Wilmer Lopez Lopez – February 2026

  • ¿A quién educar? ¿Sobre qué educar? ¿Dónde educar?

    Educación superior en la convergencia entre inteligencia artificial, transición demográfica y cambio generacional

    La educación superior enfrenta una reconfiguración estructural derivada de tres dinámicas convergentes: la expansión de la inteligencia artificial (IA) y la hiperconectividad digital, el descenso demográfico en múltiples regiones y la transformación en las expectativas culturales y laborales de las nuevas generaciones. Este texto reflexiona sobre dichas fuerzas que obligan a replantear tres preguntas estratégicas fundamentales —¿a quién educar?, ¿sobre qué educar? y ¿dónde educar?— no como interrogantes pedagógicos aislados, sino como ejes de rediseño institucional. Con base en evidencia de organismos internacionales y literatura académica reciente, se argumenta que la sostenibilidad y relevancia de la educación superior dependerán de su capacidad para adoptar un modelo intergeneracional, transversal en alfabetización digital e híbrido en su arquitectura formativa.

    De la expansión masiva a la reconfiguración estructural

    Durante las últimas décadas, la educación superior experimentó una expansión sin precedentes. Según la UNESCO (2022), la matrícula global pasó de aproximadamente 100 millones de estudiantes en el año 2000 a más de 235 millones en 2020. Sin embargo, esta expansión se desarrolló bajo supuestos demográficos y tecnológicos que hoy están siendo profundamente alterados.

    El avance de la inteligencia artificial está modificando las dinámicas de trabajo, aprendizaje y producción de conocimiento. La UNESCO (2023) advierte que la IA no solo impacta herramientas pedagógicas, sino la arquitectura misma del sistema educativo, incluyendo evaluación, diseño curricular y gobernanza institucional. Paralelamente, la División de Población de las Naciones Unidas señala que la tasa global de fertilidad ha descendido a 2,3 hijos por mujer en 2021, proyectándose por debajo del nivel de reemplazo en múltiples regiones (United Nations, 2022). Este fenómeno afecta directamente el tamaño de las cohortes en edad universitaria, que tradicionalmente habían sido participes tradicionalmente en el proceso formativo.

    Adicionalmente, las propias generaciones que son susceptibles a los procesos de formación, muestran según estudios sobre la Generación Z que estas generaciones viven una transformación en las expectativas frente al aprendizaje y el trabajo. Twenge (2017) documenta cambios en patrones de socialización digital y prioridades laborales, mientras que Gallup (2024) evidencia percepciones ambivalentes sobre el impacto de la IA en educación y empleo. la transformación generacional no se limita a preferencias pedagógicas; redefine la relación entre educación y proyecto de vida. Las instituciones que no integren flexibilidad, modularidad, aprendizaje aplicado y acompañamiento en transición profesional corren el riesgo de perder relevancia ante un estudiantado que valora tanto la empleabilidad como el sentido y la coherencia ética del conocimiento adquirido.

    En este contexto, la educación superior no enfrenta una crisis coyuntural, sino una redefinición sistémica.

    ¿A quién educar? La transición demográfica y el giro hacia el aprendizaje permanente

    La transición demográfica representa uno de los factores más estructurales del cambio. El informe World Population Prospects (United Nations, 2022) confirma una desaceleración sostenida del crecimiento poblacional juvenil en América Latina, Europa y Asia Oriental.

    Encoura (2023) proyecta que en Estados Unidos el número de graduados de secundaria disminuirá significativamente en la próxima década, fenómeno que también se observa en otros países con tasas de fertilidad reducidas.

    Este escenario transforma la lógica institucional:

    • Menor número de estudiantes tradicionales.
    • Mayor competencia interinstitucional.
    • Necesidad de diversificar públicos.

    La OECD (2019) sostiene que el aprendizaje permanente (lifelong learning) será clave para sostener la productividad en sociedades envejecidas. En consecuencia, la educación superior debe ampliar su foco hacia:

    • Profesionales en reconversión ante automatización
    • Adultos que requieren actualización tecnológica continua.
    • Trayectorias flexibles que integren trabajo y formación.

    El estudiante tradicional deja de ser el centro exclusivo del modelo. La sostenibilidad institucional dependerá de su capacidad para operar como plataforma de actualización permanente.

    ¿Sobre qué educar? IA, automatización y competencias humanas ampliadas

    La inteligencia artificial redefine las competencias laborales demandadas. El Future of Jobs Report del World Economic Forum (2023) identifica la alfabetización tecnológica, el análisis de datos y el pensamiento analítico como habilidades en crecimiento acelerado. En esta linea, Brynjolfsson y McAfee (2014) argumentan que la automatización transforma no solo tareas manuales, sino también cognitivas, lo que obliga a reconfigurar perfiles profesionales. Por su parte, la UNESCO (2023) subraya que la integración responsable de la IA en educación debe incluir marcos éticos, transparencia algorítmica y desarrollo de pensamiento crítico.

    En este contexto, la formación transversal en:

    • Datos.
    • IA aplicada.
    • Automatización.
    • Ética digital.

    se convierte en una condición básica, no opcional. Sin embargo, la literatura coincide en que la automatización no elimina el valor humano; lo desplaza hacia competencias superiores. Por lo que se destaca que la tecnología complementa tareas que requieren juicio, creatividad y habilidades sociales.

    La educación superior debe formar profesionales híbridos: competentes tecnológicamente y sólidos en capacidades cognitivas avanzadas.

    ¿Dónde educar? Hiperconectividad y expansión del ecosistema formativo

    La hiperconectividad redefine estructuralmente el espacio educativo. Castells (2010) describe la “sociedad red” como un sistema en el que la producción, circulación y validación del conocimiento se articulan a través de infraestructuras digitales globales. En este entorno, la información deja de estar contenida en instituciones cerradas y se convierte en flujo permanente dentro de redes interconectadas. La universidad, históricamente organizada como espacio físico centralizado, se inserta ahora en una arquitectura distribuida del saber.

    La pandemia de COVID-19 aceleró procesos de virtualización, pero no los originó. La digitalización educativa ya estaba en marcha, impulsada por plataformas de aprendizaje abierto, recursos educativos digitales, comunidades de práctica en línea y redes profesionales globales. Lo que la pandemia evidenció fue la fragilidad de modelos exclusivamente presenciales y la necesidad de capacidades institucionales híbridas.

    Sin embargo, el cambio es más profundo que la migración a entornos virtuales. El aprendizaje contemporáneo ocurre simultáneamente en múltiples espacios:

    • Plataformas abiertas de formación.
    • Entornos corporativos de capacitación continua.
    • Comunidades digitales especializadas.
    • Redes profesionales globales.
    • Ecosistemas de innovación y emprendimiento.
    • Autoformación.

    En este contexto, el modelo emergente de educación superior presenta características distintivas:

    • Educación híbrida. No como combinación técnica de presencialidad y virtualidad, sino como diseño pedagógico que integra experiencias físicas, digitales y experienciales en un sistema coherente.
    • Microcredenciales. La OECD (2021) destaca que las microcredenciales permiten certificar competencias específicas y actualizables, facilitando trayectorias flexibles y acumulativas. Este modelo responde tanto a la necesidad de actualización permanente como a la demanda empresarial de habilidades verificables.
    • Evaluación basada en competencias. Se desplaza el énfasis desde la acumulación de créditos hacia la demostración de resultados de aprendizaje aplicables. La certificación ya no valida tiempo de permanencia, sino dominio efectivo.
    • Integración con entornos productivos reales. El aprendizaje se articula con proyectos empresariales, laboratorios vivos, simuladores, prácticas extendidas y desafíos sectoriales concretos. La frontera entre aula y mercado se vuelve más porosa.

    Este rediseño responde también a transformaciones culturales. La Generación Z valora flexibilidad, propósito y aplicabilidad inmediata del aprendizaje (Gallup, 2024). Busca trayectorias personalizables, experiencias relevantes y conexión directa entre formación y empleabilidad. La rigidez curricular pierde atractivo frente a modelos adaptativos y modulares. Por lo que, el campus físico no desaparece. Su función, sin embargo, se resignifica. Deja de ser el único nodo del sistema educativo y se convierte en uno más dentro de una red ampliada de aprendizaje. Pasa de ser contenedor exclusivo del conocimiento a espacio de encuentro, experimentación, interacción social y construcción de comunidad académica.

    La universidad del siglo XXI no se define únicamente por su infraestructura física, sino por su capacidad de articular ecosistemas híbridos, redes digitales y entornos productivos en una experiencia formativa coherente y estratégica.

    Reflexión Final

    La convergencia entre transición demográfica, automatización cognitiva, transformación cultural generacional, configura un entorno estructuralmente distinto al que dio origen al modelo universitario tradicional.

    No estamos ante variaciones marginales, sino frente a una alteración de los supuestos fundacionales del sistema: la abundancia de población joven, la estabilidad de los perfiles profesionales y la centralidad del campus físico como único espacio legítimo de formación.

    El nuevo escenario es predecible:

    • Menos jóvenes.
    • Más tecnología transversal.
    • Expectativas crecientes de flexibilidad, propósito y aplicabilidad inmediata.

    Este contexto redefine la competencia en educación superior. Ya no se trata únicamente de ampliar cobertura, diversificar programas o fortalecer infraestructura. Se trata de replantear la propuesta de valor institucional en términos de pertinencia, adaptabilidad y capacidad de articulación con un entorno dinámico.

    Las instituciones que comprendan la naturaleza sistémica de esta convergencia estarán en condiciones de rediseñar su arquitectura académica, diversificar sus públicos y consolidarse como plataformas de aprendizaje permanente. Aquellas que mantengan lógicas exclusivamente expansivas —centradas en volumen, presencialidad rígida o segmentación disciplinar cerrada— enfrentarán presiones crecientes de sostenibilidad académica, financiera y reputacional.

    Referencias

    Autor, D. H. (2015). Why are there still so many jobs? Journal of Economic Perspectives, 29(3), 3–30.
    Brynjolfsson, E., & McAfee, A. (2014). The second machine age. W. W. Norton.
    Castells, M. (2010). The rise of the network society. Wiley-Blackwell.
    Encoura. (2023). Regional impacts of the demographic decline on higher education.
    Gallup. (2024). Gen Z and AI in education.
    OECD. (2019). Getting skills right: Future-ready adult learning systems.
    OECD. (2021). Micro-credentials for lifelong learning and employability.
    UNESCO. (2022). Global education monitoring report.
    UNESCO. (2023). AI and the future of education: Disruptions, dilemmas and directions.
    United Nations. (2022). World population prospects 2022.
    World Economic Forum. (2023). Future of jobs report 2023.

    PhD. Wilmer Lopez Lopez – Febrero 2026