{"id":3097901,"date":"2026-07-01T16:48:43","date_gmt":"2026-07-01T20:48:43","guid":{"rendered":"https:\/\/gijn.org\/?p=3097901"},"modified":"2026-07-01T16:48:43","modified_gmt":"2026-07-01T20:48:43","slug":"guia-para-reportajes-sobre-la-rendicion-de-cuentas-de-la-ia","status":"publish","type":"post","link":"https:\/\/gijn.org\/es\/recurso\/guia-para-reportajes-sobre-la-rendicion-de-cuentas-de-la-ia\/","title":{"rendered":"Gu\u00eda para reportajes sobre la rendici\u00f3n de cuentas de la IA"},"content":{"rendered":"

Nota editorial: Esta gu\u00eda es una colaboraci\u00f3n entre el equipo de Rendici\u00f3n de Cuentas de IA, del Pulitzer Center, y GIJN. Karen Hao, La\u00eds Martins y Pablo Jim\u00e9nez Arandia co-desarrollaron algunos de los materiales descritos en este art\u00edculo.<\/i><\/p>\n

En todo el mundo, la inteligencia artificial (IA) se ha convertido en una fuerza que influye en muchos aspectos de la sociedad. La tecnolog\u00eda juega un papel exageradamente importante en muchas econom\u00edas y tiene implicaciones para los trabajadores intelectuales a nivel global. Los jugadores m\u00e1s poderosos en este campo son un pu\u00f1ado de entidades basadas sobre todo en Estados Unidos, Europa o China. Muchas de ellas son grandes compa\u00f1\u00edas de tecnolog\u00eda que han reunido miles de millones de d\u00f3lares en inversiones, y est\u00e1n en posici\u00f3n de fijar el tono de c\u00f3mo se desarrolla y despliega esta tecnolog\u00eda.<\/p>\n

Pero la IA tambi\u00e9n ha generado mucha controversia en cada etapa de su desarrollo, desde su cadena de suministros hasta sus usos. Los centros de datos necesarios para desarrollarla consumen extraordinarias cantidades de agua y energ\u00eda. Los trabajadores que categorizan los datos que la IA necesita enfrentan bajos salarios y problemas de salud mental. Las tecnolog\u00edas de IA en s\u00ed mismas han demostrado tener sesgos y alucinaciones.<\/p>\n

El campo de la IA est\u00e1 repleto de historias para los periodistas de investigaci\u00f3n. El prop\u00f3sito de esta gu\u00eda es ayudar a los reporteros a entender los detalles de la tecnolog\u00eda sobre la que descansa la IA, y darles un marco a trav\u00e9s del cual examinarla.<\/p>\n

\u00bfQu\u00e9 es la IA?<\/b><\/h4>\n

Muchas personas fueron introducidas a la idea de inteligencia artificial a trav\u00e9s de ChatGPT. Por ello, las personas equiparan ChatGPT a la IA.<\/p>\n

Pero la verdad es mucho m\u00e1s compleja. La inteligencia artificial describe el proceso de usar m\u00e1quinas para copiar la toma de decisiones humanas y puede pensarse m\u00e1s como un t\u00e9rmino amplio que re\u00fane varias tecnolog\u00edas.<\/p>\n

Los cient\u00edficos e investigadores comenzaron a usar el t\u00e9rmino en la d\u00e9cada de 1950, y desde entonces han encontrado muchas formas distintas de recrear la inteligencia humana a trav\u00e9s de la tecnolog\u00eda.<\/p>\n

Uno de los m\u00e9todos de IA m\u00e1s populares y extendidos hoy en d\u00eda es el aprendizaje autom\u00e1tico <\/i>y todas las formas que asume, incluyendo sus subconjuntos: el aprendizaje profundo <\/i>y la IA generativa<\/i>.<\/p>\n

El aprendizaje autom\u00e1tico <\/i>es el proceso de analizar datos para encontrar patrones que nos permiten hacer predicciones o decisiones basadas en esos hallazgos. Estos an\u00e1lisis usan varios m\u00e9todos matem\u00e1ticos, de estad\u00edsticas simples a redes neuronales complejas, a menudo dependiendo de la cantidad de datos que se procesan. El resultado de este entrenamiento <\/i>es un programa de computador, o modelo IA<\/i>, que puede reunir datos nuevos y hacer predicciones, o generar nueva informaci\u00f3n con base en estos datos antiguos. Puedes imaginar los productos del aprendizaje autom\u00e1tico como una reorganizaci\u00f3n de datos antiguos. Como un ejemplo de su uso, los modelos de aprendizaje autom\u00e1tico simple pueden emplearse por parte de agencias gubernamentales para asignar puntajes de riesgo a quienes podr\u00edan recibir ayudas estatales, o a quienes aplican para recibir beneficios de acceso a vivienda.<\/p>\n

El aprendizaje profundo <\/i>es un subconjunto del aprendizaje autom\u00e1tico. Requiere de una gran cantidad de entrada de datos, a menudo millones, y usa complejos m\u00e9todos de an\u00e1lisis, como las redes neuronales. Estas redes, para darle sentido a los datos, usan m\u00e9todos matem\u00e1ticos que copian la estructura del cerebro y consisten en nodos interconectados (puedes aprender m\u00e1s aqu\u00ed<\/a> sobre redes neuronales). Este tipo de aprendizaje autom\u00e1tico a menudo se usa por parte de grandes compa\u00f1\u00edas de tecnolog\u00eda. Lo emplean para predecir t\u00e9rminos en motores de b\u00fasqueda o sistemas de recomendaci\u00f3n para los servicios de streaming.<\/p>\n

Luego est\u00e1 la IA generativa<\/i> que es un subconjunto del aprendizaje autom\u00e1tico. Requiere de todav\u00eda m\u00e1s datos, y durante su fase de entrenamiento, incluso de m\u00e1s energ\u00eda y m\u00e9todos matem\u00e1ticos para construir sus modelos. La IA generativa se distingue de otros m\u00e9todos de aprendizaje autom\u00e1tico en que no s\u00f3lo produce recomendaciones para una l\u00ednea de tiempo o un puntaje predictivo, sino tambi\u00e9n crea nuevo contenido, como textos o im\u00e1genes. Esa es la tecnolog\u00eda que ahora encontramos en los Grandes Modelos de Lenguaje (LLM, por sus siglas en ingl\u00e9s) mediante chatbots como ChatGPT o Gemini, as\u00ed como apps que crean im\u00e1genes a partir de instrucciones de texto, como Midjourney.<\/p>\n

El diagrama a continuaci\u00f3n presenta todas las versiones del aprendizaje autom\u00e1tico.<\/p>\n

\"Representaci\u00f3n<\/a>

Representaci\u00f3n gr\u00e1fica de la inteligencia artificial y sus subconjuntos, incluyendo el aprendizaje autom\u00e1tico, el aprendizaje profundo y la IA generativa. Imagen: Cortes\u00eda del Pulitzer Center.<\/p><\/div>\n

Saber c\u00f3mo funciona el aprendizaje autom\u00e1tico a grandes rasgos les ayuda a los periodistas a hablar sobre el tema, hacer preguntas informadas sobre la tecnolog\u00eda y encontrar formas de acceder mejor a las distintas etapas del desarrollo de la IA para sus reportajes.<\/p>\n

Marco para las historias de rendici\u00f3n de cuentas sobre IA<\/b><\/h4>\n

Cuando comenzamos a desarrollar la serie AI Spotlight, con Karen Hao, volv\u00edamos sobre una misma pregunta: \u00bfqu\u00e9 nos habr\u00eda gustado saber cuando comenzamos a hacer periodismo sobre IA? La respuesta fue un marco para identificar y darle forma a las historias de IA.<\/p>\n

La IA cubre una serie amplia de temas y tecnolog\u00edas, y puede resultar abrumador decidir d\u00f3nde comenzar. Nuestro marco gira en torno a las cuatro etapas del desarrollo de la IA contempor\u00e1nea. En la base est\u00e1n las entradas, los datos y la computaci\u00f3n que hace posibles los sistemas de hoy. Desde all\u00ed, se construyen y entrenan los modelos, formados por datos y decisiones de dise\u00f1o. Finalmente, estos modelos se aplican en el mundo real. Cada una de estas etapas de desarrollo viene con sus propios temas relacionados, actores involucrados, y personas o estructuras impactadas.<\/p>\n

Veremos cada una de estas etapas, discutiendo los conceptos clave y las historias arquet\u00edpicas.<\/p>\n

\"Toma<\/a>

Toma de pantalla: Una representaci\u00f3n gr\u00e1fica del marco para hacer periodismo sobre la rendici\u00f3n de cuentas de la IA. Cortes\u00eda del Pulitzer Center<\/p><\/div>\n

Investigar los datos utilizados<\/b><\/h4>\n

Los modelos IA m\u00e1s simples pueden usar conjuntos de entrenamiento que tienen algunos cientos de puntos de datos, mientras los modelos m\u00e1s complejos, como los LLM, a menudo se entrenan en grandes porciones del internet. Puede ser igualmente amplio el rango de material en los datos de entrenamiento. Pueden asumir la forma de datos estructurados y tabulares, organizados en filas y columnas, o texto sin estructura excavado de plataformas de redes sociales, portales de noticias o foros en l\u00ednea. Con cada vez m\u00e1s frecuencia se incluyen tambi\u00e9n im\u00e1genes y videos en los entrenamientos.<\/p>\n

La mayor\u00eda de los reportajes que se centran en la etapa de desarrollo de datos tiende a enfocarse en sistemas m\u00e1s avanzados, que se entrenan en conjuntos masivos de datos y propiedad intelectual. En particular, en c\u00f3mo el material con derechos de autor o los datos personales terminan en los conductos para el entrenamiento de los modelos de IA. Esta historia de The Atlantic, por ejemplo, observa c\u00f3mo Meta presuntamente us\u00f3 miles de libros pirateados para entrenar a Llama, su modelo de IA generativo<\/a>. Un vocero de Meta no quiso hacer comentarios a los periodistas de The Atlantic, citando un litigio contra la compa\u00f1\u00eda. Otra historia, de The New York Times, hall\u00f3 que las compa\u00f1\u00edas aseguradoras de autom\u00f3viles est\u00e1n comprando datos de conducci\u00f3n personales de apps aparentemente inocuas para calificar el riesgo de los conductores<\/a>.<\/p>\n

Pero mirar los datos tambi\u00e9n implica mirar el trabajo humano que permite el uso de estos conjuntos de datos entrenados. Mientras las compa\u00f1\u00edas tienden a presentar su recolecci\u00f3n de datos y entrenamiento como procesos altamente automatizados, la realidad es que los conjuntos de entrenamiento a menudo se limpian y categorizan por parte de una subclase de categorizadores de datos, que se hallan predominantemente en el Sur Global, y operan mediante firmas de subcontratistas y plataformas de trabajo digital. Estos trabajadores categorizan im\u00e1genes de perros y gatos, que alimentan a clasificadores de im\u00e1genes; dibujan cajas alrededor de objetos en las grabaciones de las c\u00e1maras de tablero, para entrenar autom\u00f3viles aut\u00f3nomos; o identifican discursos de odio y contenido violento, para impedir que los LLM lo reproduzcan.<\/p>\n

Los reportajes alrededor del mundo han demostrado que los trabajadores de datos est\u00e1n explotados, reciben menos ingresos de los que deber\u00edan y a veces se les obliga a lidiar con contenido traum\u00e1tico. Esta investigaci\u00f3n del Bureau of Investigative Journalism muestra c\u00f3mo, alrededor del mundo, los trabajadores de bajos ingresos de econom\u00edas de plataformas se usan sin que ellos lo sepan en sistemas de reconocimiento facial usados por el gobierno ruso<\/a>. Otra historia de Africa Uncensored examin\u00f3 la creciente industria del \u201ctutor IA\u201d<\/a>, en la que trabajadores altamente educados entrenan chatbots de LLM para producir respuestas de calidad m\u00e1s alta.<\/p>\n

Investigar la computaci\u00f3n<\/b><\/h4>\n

Una vez los conjuntos de datos de entrenamiento se recogen y limpian, las compa\u00f1\u00edas los usan para entrenar sus modelos de IA. Si bien los modelos simples de IA se pueden entrenar en una fracci\u00f3n de segundo con un port\u00e1til de uso personal, los modelos m\u00e1s complejos, como ChatGPT de OpenAI, exigen cantidades masivas de poder de computaci\u00f3n. Chips de computadora especializados, que se almacenan de centros de datos, permiten el acceso a dicho poder de computaci\u00f3n, que se conoce como \u201cc\u00f3mputo\u201d.<\/p>\n

Los reportajes sobre la etapa de desarrollo del \u201cc\u00f3mputo\u201d se tiende a enfocar en los impactos ambientales, sociales y econ\u00f3micos de la extensa infraestructura f\u00edsica y su r\u00e1pida expansi\u00f3n, que impulsa la IA moderna. Cuando desarrollamos por primera vez la serie AI Spotlight, en 2024, los centros de datos a\u00fan eran un tema relativamente nuevo en los reportajes. Desde entonces, se ha publicado una rica variedad de ellos en Am\u00e9rica Latina<\/a>, Asia<\/a>, \u00c1frica<\/a> y los Estados Unidos<\/a>, que demuestran la enorme cantidad de agua y energ\u00eda que consumen los centros de datos, as\u00ed como los esfuerzos corporativos y gubernamentales para esconder estas cifras<\/a>. En Brasil, por ejemplo, la becaria del Pulitzer La\u00eds Martins hall\u00f3 que un centro de datos de TikTok deb\u00eda usar tanta electricidad como 2,2 millones de personas<\/a>. La compa\u00f1\u00eda no respondi\u00f3 a las solicitudes de comentarios de la periodista.<\/p>\n

Los reportajes sobre los centros de datos se extienden m\u00e1s all\u00e1 del impacto ambiental. Tambi\u00e9n examinan c\u00f3mo los centros de datos afectan el tejido social de las comunidades locales<\/a>, sus promesas generalmente incumplidas<\/a> de crecimiento econ\u00f3mico y los intensos esfuerzos de lobby<\/a> a un nivel tanto local como nacional para atraerlos y construirlos. La\u00eds desarroll\u00f3 una versi\u00f3n ajustada de nuestro marco, enfocada tan s\u00f3lo en reportar sobre los centros de datos. Puedes encontrarlo a continuaci\u00f3n.<\/p>\n

\"Imagen:<\/a>

Imagen: Cortes\u00eda del Pulitzer Center<\/p><\/div>\n

Investigar los modelos<\/b><\/h4>\n

La mezcla de datos de entrenamiento y computaci\u00f3n produce un modelo IA, un artefacto t\u00e9cnico que hace predicciones, clasifica o, en el caso de la IA generativa, crea nuevo contenido. Al igual que los datos y la computaci\u00f3n, los modelos IA var\u00edan en complejidad y escala, y van de los sistemas de aprendizaje autom\u00e1tico relativamente simples, que se usan para calcular las primas de los seguros m\u00e9dicos<\/a>, hasta sofisticados sistemas de aprendizaje profundo<\/a>, capaces de generar im\u00e1genes realistas.<\/p>\n

Las historias que se enfocan en los modelos IA tienden a centrarse en los temas relacionados con sesgos, errores o los efectos negativos que tiene la automatizaci\u00f3n sobre las comunidades y las instituciones.<\/p>\n

Cuando se puede acceder a c\u00f3mo los desarrolladores de la IA tomaron ciertas decisiones de dise\u00f1o, como qu\u00e9 datos de entrenamiento o par\u00e1metros se usaron para un modelo, hay investigaciones que pueden profundizar en ellas. Esta investigaci\u00f3n de El Confidencial, por ejemplo, obtuvo la f\u00f3rmula para un sistema de IA que se usa en el sistema carcelario catal\u00e1n<\/a>, y que supuestamente predice qui\u00e9n cometer\u00eda un delito en el futuro. Seg\u00fan los periodistas, el modelo sistem\u00e1ticamente asignaba un riesgo m\u00e1s alto a ciertos grupos, basado en factores discriminadores o irrelevantes.<\/p>\n

Cuando esta informaci\u00f3n no est\u00e1 disponible, puedes analizar en cambio lo que el modelo arroja. Una historia de Rest of World sistem\u00e1ticamente analiz\u00f3 3.000 im\u00e1genes producidas por MidJourney IA, una popular herramienta de generaci\u00f3n de im\u00e1genes, y hall\u00f3 que el sistema reproduce estereotipos crudos sobre diversas culturas<\/a>. Seg\u00fan los periodistas, la compa\u00f1\u00eda no respondi\u00f3 a sus solicitudes de comentario. Otra investigaci\u00f3n, del Philippine Center for Investigative Journalism, hizo ingenier\u00eda inversa de lo que arrojaba el algoritmo de Grab, una popular aplicaci\u00f3n de transporte, al recoger miles de cotizaciones para sus trayectos. Hall\u00f3 que Grab siempre cobra a los consumidores tarifas adicionales que se supone s\u00f3lo deben estar presentes durante horas de tr\u00e1fico pesado<\/a>. En una respuesta escrita a PCIJ por parte del centro de operaciones de Grab en Filipinas, \u00e9ste dijo que hab\u00eda \u201ccooperado plenamente con la solicitud del Comit\u00e9 de Regulaci\u00f3n de Franquicias de Transporte Terrestre\u201d, al participar en las audiencias.<\/p>\n

Investigar las aplicaciones<\/b><\/h4>\n

Por \u00faltimo, es importante que los periodistas investiguen c\u00f3mo la inteligencia artificial se usa en el mundo real. Cuando la tecnolog\u00eda IA funciona mal, o no como se pretende, pueden verse afectadas muchas personas que est\u00e1n sujetas a decisiones hechas por sistemas autom\u00e1ticos, como algoritmos o aplicaciones de IA generativa.<\/p>\n

En una historia del Guardian, la periodista Johana Bhuiyan demostr\u00f3 c\u00f3mo la excesiva dependencia del gobierno de los Estados Unidos en las aplicaciones de traducci\u00f3n dej\u00f3 a una persona que buscaba asilo atrapada durante seis meses en un centro de detenci\u00f3n de ICE<\/a>. La aplicaci\u00f3n, que se equivoc\u00f3 en idiomas para los que ten\u00eda pocos recursos, tradujo mal, y la persona no pudo comunicarse con nadie de forma adecuada. El Departamento de Seguridad Nacional de Estados Unidos no respondi\u00f3 a la periodista del Guardian.<\/p>\n

La historia de Hera Rizwan, sobre el uso de reconocimiento facial por parte del gobierno indio, hall\u00f3 que la aplicaci\u00f3n que usaban los funcionarios p\u00fablicos para entregar raciones de alimentos de emergencia no logr\u00f3 reconocer algunas mujeres embarazadas o que estaban amamantando<\/a>, porque sus rostros hab\u00edan cambiado con respecto a las im\u00e1genes viejas de ellas en las bases de datos gubernamentales. El Ministerio de la Mujer y del Desarrollo del Ni\u00f1o no respondi\u00f3 a las preguntas de Rizwan.<\/p>\n

Los reportajes sobre la rendici\u00f3n de cuentas en torno a la IA est\u00e1n al alcance de cualquiera<\/b><\/h4>\n

Como muestran los ejemplos que se han expuesto, nuestro marco de rendici\u00f3n de cuentas puede ayudar a los periodistas a hacer reportajes sobre la IA, de acuerdo con niveles diversos de recursos y esfuerzos t\u00e9cnicos. Las historias pueden ser m\u00e1s cortas o largas, con mayor impacto humano o centradas en aspectos t\u00e9cnicos. Esperamos que estas aproximaciones y ejemplos les ayuden a otros periodistas a encontrar su propia aproximaci\u00f3n local a los reportajes sobre la rendici\u00f3n de cuentas en IA.<\/p>\n

Recursos<\/b><\/h4>\n