UY Press - Agencia uruguaya de noticias

19.08.2026

El desafío latinoamericano consiste en convertir tecnología global en capacidad productiva, inclusión y valor público

La inteligencia artificial no tiene pasaporte, pero sí una geografía del poder. Los modelos más influyentes, los chips, los centros de datos y el capital se concentran fuera de América Latina. Quedar al margen sería grave; entrar como consumidora pasiva también. En ese papel, la región utilizaría sistemas sobre los cuales no decide qué problemas resolver, con qué datos operar ni quién responderá cuando fallen.

La región ya no observa la inteligencia artificial desde lejos. El Índice Latinoamericano de Inteligencia Artificial 2025 revela que los 19 países estudiados representan el 14 % de las visitas mundiales a soluciones web de IA y ocupan el tercer lugar global en descargas de aplicaciones generativas. Pero reciben apenas el 1.12 % de la inversión mundial en este campo, aunque aportan el 6.6 % del PIB global.[1] Utilizamos más de lo que construimos y avanzamos en la adopción con mayor rapidez que en las capacidades para orientarla.

Ante esa brecha aparecen dos respuestas insuficientes. El optimismo ingenuo atribuye a la tecnología la solución de problemas de productividad, educación o servicios públicos. El pesimismo paralizante supone que, sin empresas multimillonarias ni modelos fundacionales propios, América Latina solo puede mirar desde la periferia. El tecno-optimismo crítico ofrece una posición más útil: confía en la IA, pero pregunta quién la diseña, a quién beneficia, qué dependencias crea y en qué condiciones produce valor.

Pensemos en una pequeña empresa que recibe pedidos por WhatsApp, registra parte del inventario en una libreta, cobra en efectivo y trabaja con conexión inestable. Una solución creada para una corporación presupone bases de datos estructuradas, sistemas integrados, conectividad permanente, personal especializado y licencias mensuales. Cuando fracasa, el diagnóstico habitual es que la empresa "no está preparada". Tal vez ocurre lo contrario: la tecnología no fue preparada para la empresa.

La innovación comienza al invertir la pregunta. Adoptar IA implica mucho más que instalar una herramienta global y esperar que la realidad local se acomode. Requiere combinar modelos disponibles con nuestros datos, idiomas, normas, prácticas comerciales y objetivos de desarrollo. Podemos aprovechar los avances internacionales sin pretender que cada país construya desde cero un gran modelo. La frontera crítica se encuentra entre adoptar e imitar.

Esa confusión puede adoptar la forma de un xenocentrismo tecnológico: asumir que una solución es superior por haber sido creada en una economía desarrollada. Una revisión de la IA desde el pensamiento decolonial latinoamericano advierte que estos sistemas pueden reproducir asimetrías de poder y marginar conocimientos y comunidades del Sur Global.[2] La procedencia extranjera no invalida una tecnología, pero tampoco demuestra que comprenda la realidad donde será aplicada.

Una herramienta sofisticada puede redactar un informe impecable y desconocer el crédito informal, los ingresos variables o las ventas basadas en confianza. Una estimación reciente del Banco Mundial sitúa en el 55 % la proporción de trabajadores de América Latina y el Caribe en la economía informal.[3] Las mediciones varían según la definición empleada, pero describen un fenómeno central. Una estrategia de IA diseñada solo para organizaciones formalizadas, bancarizadas y digitalizadas excluiría a millones de trabajadores y microempresas.

La brecha comienza incluso antes del algoritmo. GSMA Intelligence estima que la brecha de uso de Internet móvil alcanza al 32 % de la población latinoamericana: personas que viven bajo cobertura de banda ancha móvil, pero no utilizan el servicio.[4] La infraestructura disponible no garantiza acceso efectivo cuando faltan dispositivos asequibles, habilidades o confianza. Entregar acceso a un chatbot tampoco constituye una política de inteligencia artificial si persisten esas barreras, junto con datos deficientes y formación insuficiente.

Contextualizar exige varias traducciones. En lo tecnológico, puede requerir modelos pequeños, aplicaciones móviles, menor consumo de datos y funciones parcialmente desconectadas. En lo económico, demanda servicios compartidos, herramientas abiertas y soluciones compatibles con las microempresas. En lo cultural, obliga a comprender variedades del español y del portugués, creole, lenguas indígenas y formas locales de relacionarse. La IA más útil será la que resuelva un problema real con los recursos disponibles.

También hace falta una traducción institucional. Si un sistema recomienda negar un crédito, priorizar a un paciente, seleccionar a un estudiante o evaluar a un trabajador, alguien debe explicar la decisión y asumir la responsabilidad. El perfil de gestión de riesgos de NIST para IA generativa exige incorporar la confiabilidad al diseño, desarrollo, uso y evaluación de los sistemas.[5] Documentar límites, medir fallos, proteger los datos y mantener supervisión humana deben preceder a cualquier expansión.

Aquí las universidades tienen una tarea decisiva. Deben dejar de ser únicamente compradoras de plataformas para convertirse en curadoras de datos, evaluadoras de algoritmos, formadoras de talento y coproductoras de soluciones. Los gobiernos deben construir bienes públicos digitales. Las empresas necesitan medir productividad y calidad, no la cantidad de veces que un proyecto menciona la IA. Y los usuarios deben participar en el diseño porque conocen las restricciones que ningún conjunto de datos revela por completo.

El futuro regional de la inteligencia artificial dependerá de la capacidad que quede instalada: talento, datos confiables, empresas fortalecidas, instituciones responsables y ciudadanos protegidos. América Latina debe recibir la IA como una capacidad transformable, nunca como una solución terminada. De lo contrario, la innovación puede convertirse en otra forma de dependencia.

 Luis J. Camacho es académico, investigador y editor en las áreas de negocios internacionales, comportamiento del consumidor y sostenibilidad. Preside ALBUS y dirige LABSREVIEW. 

Referencias

[1] Soto, Á., Durán, R., Moreno, A., Adasme, S., Rovira, S., Jordán, V., & Poveda, L. (Coords.). (2025). Latin American Artificial Intelligence Index (ILIA) 2025: Executive summary. CEPAL y CENIA. https://repositorio.cepal.org/handle/11362/84471

[2] Correa Lucero, H., & Martens, C. (2026). Colonial structures in AI: A Latin American decolonial literature review of structural implications for marginalised communities in the Global South. AI & Society, 41, 2511-2527. https://doi.org/10.1007/s00146-025-02547-9

[3] Banco Mundial. (2026). Racionalizar la informalidad: protección social, calidad del empleo y crecimiento. Panorama general. https://openknowledge.worldbank.org/server/api/core/bitstreams/1256b9f8-117b-4ce9-bfb4-ff42e200b977/content

[4] GSMA Intelligence. (2026). La economía móvil en América Latina 2026. https://www.gsma.com/about-us/regions/latin-america-and-the-caribbean/es/gsma_resources/la-economia-movil-en-america-latina-2026/

[5] Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.600-1