La IA de la sociedad: aceleración y asincronías

Boletín N°33 | Noviembre 2026

La IA de la sociedad: aceleración y asincronías

Por: Aldo Mascareño

Es parte de los motivos recurrentes del humanismo en Occidente sentirse amenazado en sus más fundamentales certezas por algunas de las obras cumbre de la ciencia y la sociedad modernas. Freud (1979 [1917]) las identificaba como “ofensas narcisistas”, el amor propio de la humanidad que progresivamente fue objeto de tres grandes desilusiones. La primera fue el descentramiento cosmológico consolidado en Copérnico: la Tierra no es el centro del universo. Luego la ofensa biológica con Darwin: el ser humano no es el soberano de los seres en la Tierra, y más aún, tiene estirpe animal. Finalmente, la desilusión psicológica con Freud: nadie es dueño de su alma, una parte importante de la vida anímica propia se sustrae a nosotros mismos. La cuarta, podríamos decir, es la inteligencia artificial (IA).

La IA produce una inquietante autenticidad de lo inauténtico. Genera textos, imágenes, conversa, tiene capacidades agénticas, habla, colabora, ejecuta, razona, ha pasado el Turing test mil veces, pero aun así “no es humana”, aunque parece serlo; todo es “auténticamente” IA. El temor a ella se focaliza en algo que, en realidad, siempre ha sido una parte consustancial del comportamiento humano, esto es, su capacidad de actuar de manera instrumental, estratégica, de incrementar sus ambiciones de poder sobre las relaciones sociales y de control sobre lo que se juzga propiamente humano; sobre atributos como el alma, la creatividad, el sentido crítico o la autenticidad. Humano/no-humano, ¡esa es la distinción! —la distinción directriz para recobrar la ilusión narcisista de ser la medida de todas las cosas.

La IA ofrece ahora una posibilidad inédita para aplicar esta diferencia con brío renovado, pues es factible desplazar hacia ella todo lo que aborrecemos de la humanidad y separarla de la sociedad precisamente porque la IA “no es humana”. Visto así, la IA tiene sesgos, vigila, mercantiliza, espía, suplanta, mata, idiotiza a los jóvenes y excluye a los viejos, deja sin empleo a ambos y manipula elecciones. Como si nada de eso hubiese sido hecho por la humana humanidad de los humanos desde hace siglos; como si la IA no fuera una auténtica IA de la sociedad.

Para los humanistas, este ejercicio de distinción se ha vuelto común desde noviembre de 2022, con el lanzamiento público de GPT-3.5. Últimamente alcanzó momentum con la encíclica Magnifica Humanitas del Papa León XIV (2026) —que, en realidad y más allá de prevenciones humanistas, pone un foco atento en las condiciones sociales de riesgo—, pero especialmente con visiones apocalípticas más papistas que el Papa que llaman a prohibir la IA y mantener a los humanos bajo control (e.g., Yudkowsky y Soares 2025; Miotti 2026; Browne 2026). Alguna vez habría que interrogar al humanismo por qué siempre se ha considerado a sí mismo representante de la “buena humanidad” y ha juzgado todo lo demás como una trayectoria permanente de degradación. Es probable que solo quiera hacer saber a todos desde dónde observa; o quizás también esté actuando estratégicamente para incrementar sus posiciones de control. Lo cierto es que múltiples posiciones apocalípticas y utópicas respecto de la IA han surgido de las disputas por la hegemonía del discurso IA entre humanistas y tecnófilos (Mascareño y Ocares 2026), lo que de paso corrobora que la IA es parte auténtica de la sociedad (como también lo son los humanistas).

Ser parte de la sociedad significa que la IA nace, está y seguirá integrada en ella. Como IA generativa en forma de modelos de lenguaje, lo está desde hace unos pocos años; como operación algorítmica en múltiples sistemas sociales —transporte, medicina, ciencia, finanzas, comercio, empleo, medios de comunicación, entretención, guerra— ya funciona desde hace más de una década (Esposito 2022; Nassehi 2024; Rozas 2026). En cualquiera de los casos, el desafío es mayúsculo, pues es preciso compatibilizar los patrones tradicionales de funcionamiento en distintos ámbitos de la sociedad con una operación tecnológica que acelera, produce nuevos riesgos, exige decisiones y que se ha estabilizado en la modalidad de la variación, ofreciendo cada día algo nuevo —algo que incluso puede transcurrir lejos de la observación y la capacidad de comprensión e intervención humanas.

Como consecuencia, la sociedad comienza a experimentar asincronías radicales, entre personas a favor y en contra, entre trabajos que resisten y otros que avanzan, entre regiones o zonas de adopción rápida y otras excluidas o marginadas de las decisiones sobre la IA pero que sufren sus impactos. Puesto que nada de esto ya se puede detener, desarmar, desactivar o desinventar, la responsabilidad de la sociedad consigo misma consiste en advertir qué es lo que esta transición en marcha produce para la sociedad, qué problemas concretos e institucionales hay que resolver prioritariamente para no quedar a merced de la avalancha de estímulos de la transformación, qué decisiones organizacionales, de política y legislativas es preciso tomar con el fin de acoplar el funcionamiento cotidiano de la sociedad a su IA.

Por medio de la revisión de distintos informes de nivel global publicados durante 2026 y que cubren aspectos científicos, de penetración IA, económicos, de opinión pública, así como de riesgos y escenarios globales, en este Voces del CEP busco ofrecer un breve panorama de la transición de la IA de la sociedad bajo la perspectiva de sus asincronías iniciales, así como mostrar algunos campos clave en los que la decisión demanda rapidez y adaptabilidad. Pongo énfasis en algunos aspectos que juzgo relevantes para el caso chileno y otros de nivel internacional o global que anuncian nuevos dilemas o desafíos.

Aceleración y asincronía

Uno de los problemas fundamentales en la actualidad es que mientras la tecnología avanza y converge rápidamente en capacidades similares de alto nivel y la adopción de la IA por personas y organizaciones es acelerada, la evidencia sobre los impactos en distintos ámbitos de la sociedad se produce de manera lenta (OCDE 2026). Esto es un desfase común en escenarios de transición acelerada o crítica (Scheffer 2009). El MIT Report (2026, 4) sobre IA y educación reconoce que la IA progresa “en una escala temporal demasiado comprimida para que la sociedad observe, analice sus impactos y se adapte gradualmente”. A diferencia de cambios paulatinos en los que la adaptación logra absorber los efectos, en este caso la propia aceleración produce múltiples asincronías.

Aceleración y asincronía son tópicos recurrentes en distintos informes. El AI Safety Report (2026) liderado por Yoshua Bengio atribuye a esta aceleración lo que denomina “el dilema de la evidencia”. Un ritmo de cambio rápido pero irregular, en el que la amplitud de campos en los que está inserta la IA y los nuevos riesgos que derivan de ello llevan a que el tiempo para recolectar evidencias sea acotado. Así, los policymakers se enfrentan a un dilema fundamental: si actúan demasiado rápido, las intervenciones pueden quedar obsoletas en poco tiempo, pero si esperan a que exista evidencia concluyente exponen a la sociedad a los nuevos riesgos.

El WEF Report (2026) sobre riesgos globales sostiene que, entre 2024 y 2026, la IA pasó de ser una “tecnología de frontera” a una fuerza sistémica que da forma a la economía, la seguridad y la sociedad en general. El informe pronostica un crecimiento constante del tamaño de mercado de la IA desde alrededor de USD 400 mil millones hasta 3,5 billones en 2033. Por supuesto, esto también trae consigo el despliegue de riesgos asociados a la formación de sistemas complejos, tales como efectos en cascada producto del reemplazo de trabajos, pérdidas de identidad laboral para las personas y escalamiento de la carrera IA para organizaciones o de las estrategias de automatización de sistemas de defensa para países —los que, como en el caso del dilema de la evidencia, privilegian la rapidez por sobre pruebas de seguridad rigurosas.

Lo que emerge, entonces, es un problema de desfase de temporalidades que se expresa en forma de asincronías típicas de transiciones sociales generalizadas. Esto lo había identificado Gino Germani (1971) a propósito de sus análisis sobre procesos de modernización. Las asincronías eran de tipo geográfico, de grupos, institucionales y motivacionales. Geográficamente, distintas regiones (países, zonas) muestran hoy niveles diversos de penetración de la IA; grupalmente, ciertos círculos la adoptan antes con usos distintos; institucionalmente, el dilema de la evidencia se manifiesta en el desfase entre procesos concretos y la falta de regulaciones institucionales; y motivacionalmente, la asincronía se expresa en la dificultad de adaptación de las pautas culturales, laborales, educativas y científicas tradicionales a la aceleración y rendimientos excepcionales que despliega la IA. El AI Index Report de Stanford HAI (2026) formula esta asincronía bajo una diferencia entre adopción y adaptación. La adopción masiva de la IA (53% de la población mundial en 3 años) ha sido más rápida que la del computador personal o de internet, pero el entorno y los mecanismos adaptativos, especialmente institucionales y motivacionales, no ha avanzado al mismo ritmo.

Por ejemplo, en 2025 ya se produjo una convergencia de modelos que exceden las capacidades humanas de nivel PhD, de razonamiento multimodal y de competencias matemáticas. Adicionalmente, los modelos de agentes pasaron del 22% al 66% de eficiencia en cumplimiento de tareas, y se observan saltos de productividad en prácticamente todas las funciones de negocio en las que se ha involucrado la IA (Stanford HAI 2026). Sin embargo, los benchmarks de seguridad no se han desplegado al mismo ritmo, lo que ha implicado un aumento de incidentes. Asimismo, alrededor del 80% de las escuelas secundarias en Estados Unidos usa IA, pero solo la mitad de ellas ha implementado políticas de conducta, las que además conoce únicamente un 6% de los profesores. Por último, distintos países han diseñado estrategias de expansión de la IA, pero el desarrollo efectivo es altamente desigual en términos territoriales, en tanto crecimiento y adopción se correlacionan positivamente con países con mayor PIB per cápita, pero la carga medioambiental que produce el entrenamiento, el funcionamiento de data centers y el desarrollo de modelos sofisticados afecta de manera global. [Ver Para Profundizar 1]

El ajuste entre empleo y educación superior

Si el problema de aceleración y asincronía es fundamental, este tiene que expresarse no solo en el ajuste de cada sector a su IA, sino también en el acoplamiento entre ámbitos tan relevantes como el trabajo y la educación.

Con las prevenciones sobre las limitaciones de la evidencia en el estado actual de cosas, los datos para 2026 no anticipan un colapso generalizado del empleo o un descontrol sistémico de reemplazo laboral. El informe McKinsey (2026) —una encuesta online desarrollada entre el 4 de mayo y el 8 de junio de 2026 a 1.719 representantes de empresas a nivel global— muestra que el 89% de las organizaciones ha adoptado la IA, mientras que un 44% indica que ella está “escalando” en los distintos ámbitos de la empresa. Para el 80%, la IA contribuyó a mejorar su productividad individual y solo un 14% indica que la incorporación de la IA reduce personal (en 2025, un 32% esperaba la reducción). La penetración agéntica, por su parte, es aún limitada. La mayoría no la emplea y, en aquellos casos en los que hay un escalamiento, las cifras se mantienen en niveles bajos —por ejemplo, en TI (12%), gestión del conocimiento (11%), ingeniería de software (10%). Solo en el sector tecnológico el uso escalado sube a cifras algo mayores, a 24% en ingeniería de software, a 22% en TI, y a 21% en operaciones de servicio. Puesto que los agentes son sistemas que ejecutan tareas con autonomía, es justamente el despliegue y la consolidación de esta tecnología la que sostiene las predicciones y temores de corto y mediano plazo sobre el reemplazo de los puestos de trabajo y el colapso del empleo. Lo que los datos muestran es que tal colapso no ha llegado, pero las primeras indicaciones de escalamiento en las empresas y organizaciones ya son visibles.

Las señales de alerta temprana provienen de los niveles de entrada a las profesiones, específicamente al “primer piso” de distintas ocupaciones, lo que claramente afecta la entrada de jóvenes al mercado laboral, pues la IA parece mejor asistente para tareas de registro, recolección, ordenamiento y sistematización de grandes (y pequeños) volúmenes de datos. Con datos de la encuesta de hogares de Estados Unidos, Anthropic (2026) no encuentra un aumento sistemático del desempleo entre trabajadores de posiciones más expuestas desde fines de 2022 (año de la popularización de ChatGPT), pero sí observa una caída de 14% en la tasa en que los jóvenes (22 a 25 años) consiguen trabajo en tales ocupaciones. Esto no se produce en mayores de 25. El Stanford HAI (2026) registra un descenso cercano al 20% en el empleo de desarrolladores de software desde 2022, mientras que el de los programadores mayores sigue aumentando. A escala global, 37% de los jóvenes de 15 a 24 años trabaja en ocupaciones con exposición media o alta a cambios en sus tareas por la IA, concentrados en sectores como servicios financieros, información y comunicaciones, servicios profesionales, ciencia y educación. La proporción llega a 75% en Asia oriental, 69% en Norteamérica y 63% en Europa, y a 51% en América Latina y el Caribe (WEF y PwC 2026). Chile se encuentra en el promedio mundial. Un 61% cree probable que la IA altere su trabajo en cinco años y 36% que lo reemplace, mientras un 65% indica que la IA le ahorró tiempo en el último año (Ipsos 2026). Adicionalmente, un 68% piensa que la IA destruirá muchos empleos y un 50% cree que resuelve tareas complejas mejor que los humanos (Encuesta Bicentenario UC 2026). [Ver Para Profundizar 2]

Nuevamente, el foco problemático se encuentra en las asincronías de la aceleración de la IA. En ello, el tema no es la rapidez de la tecnología; la solución no es detenerla, sino destrabar el lock-in organizacional de los modos de trabajo tradicionales que se expresan en una asincronía institucional y motivacional en relación con la innovación. McKinsey (2026, 23) —por nombrar un caso— concluye que “el factor limitante es cada vez más la capacidad de la organización para absorber el cambio”. Para el trabajo regular no se necesitan habilidades avanzadas en IA, sino habilidades digitales, así como de uso, análisis e interpretación de datos, de resolución de problemas, y de innovación y creatividad. Estas deben instalarse organizacionalmente mediante colaboradores que ya las tengan y puedan institucionalizarlas —habilidades que, por lo demás, hay que reentrenar constantemente (OCDE 2026), algo en lo que la capacidad de adaptación de la formación universitaria es crucial.

La universidad es justamente la institución que está en el intersticio entre la habilidad y su aplicación en el trabajo. La demanda es, en todo caso, la misma de siempre, esto es, una integración entre educación superior e industria, ahora para identificar qué nuevas habilidades se requieren para los niveles iniciales afectados por la IA, o si ese nivel ya simplemente la IA lo ocupó. Al respecto, tanto el reporte WEF y PwC (2026) como el de Pew Research (2026) llaman la atención sobre el hecho de que el debilitamiento del “primer piso” en la carrera laboral de jóvenes trabajadores limita su capacidad de aprendizaje continuo en la práctica misma. Ya no se puede “aprender haciendo”, lo que impide la acumulación de experticia en el espacio laboral. Además, los estudiantes tienen una experiencia similar en la educación, en tanto mejoran sus rendimientos con IA, pero reducen su capacidad de elaborar conocimiento (proceso) y de razonar para obtener las soluciones (resultados) (Stanford Scale 2026).

En la universidad, el 80% de los estudiantes de 15 países usa IA generativa para investigar, el doble que en 2023 (Stanford HAI 2026). En el MIT (2026), más de dos tercios de los consultados cree que la IA será importante en su carrera, pero solo el 25% se siente preparado por la institución para usarla. Los estudiantes describen la tentación de la “rendición cognitiva” ante la primera dificultad que enfrentan en el proceso de aprendizaje. Ninguno de los informes concluye, sin embargo, que haya que detener la IA, prohibirla, desarmarla, desactivarla o desinventarla para que no corrompa la buena humanidad de los humanos. Algunas alternativas propuestas son: a) aprendizaje experiencial en la universidad y portfolio de proyectos como evaluación de logros (MIT 2026); b) diseño de barandas pedagógicas en chatbots para que actúen como tutores más que como máquinas de respuesta (MIT 2026; Stanford Scale 2026); c) aprendizaje integrado al trabajo en programas de grado (WEF y PwC 2026; Pew Research 2026); d) codiseño curricular con industria (WEF y PwC 2026; Pew Research 2026); e) comunidades de práctica que impulsen una adopción responsable de la IA bajo parámetros institucionales reconocidos (CENIA 2026).

Algunas de estas acciones ya se comienzan a implementar en Chile por las unidades encargadas de IA en distintos centros de educación superior (Aequalis 2026). En estos casos, tampoco existe inclinación a prohibir la IA; sí, en cambio, a resolver los dilemas que plantea. La convergencia se produce fundamentalmente en dos aspectos: a) la necesidad crucial de reforzar la formación en pensamiento crítico y en capacidades creativas para la interacción con la IA; y b) la tarea central del docente, como hub de la transformación donde se intersectan vectores humanos, pedagógicos e institucionales, para lograr los objetivos con los estudiantes.

Puesto de este modo, la estrategia se basa en supuestos que primero es necesario problematizar para luego asegurar. Por ejemplo, que todos quienes se forman en la universidad logren efectivamente desarrollar niveles aceptables de pensamiento crítico (para orientar y revisar los resultados de la IA) y de creatividad (para trabajar sinérgicamente con ella sin caer en la rendición cognitiva). El segundo supuesto es que, si los docentes —personas ya mayores y formadas sin IA— son agentes clave en la inducción de los estudiantes al trabajo universitario con IA, ellos ahora deberán reinventar sus métodos pedagógicos tradicionales para enseñar cómo interactuar con la IA a jóvenes nativos digitales que la emplean de manera natural y con más prestancia que ellos.

En relación con el primer supuesto de las competencias críticas y creativas, la Evaluación Internacional de las Competencias de Adultos (PIAAC) muestra que, en 2022-2023, justo al inicio de la difusión masiva de la IA, Chile era el último en comprensión lectora entre 31 países, con 53% de los adultos de 16 a 65 años en el nivel 1 o inferior (26% en la OCDE) y solo 2% en los niveles 4 o 5 (12% en la OCDE) (Pavišić 2025, 2, 23). Son las mismas cifras que Chile obtuvo en la medición de 2014-2015 (Mineduc 2016, 8). Es decir, la IA no es lo que atrofió las capacidades críticas y creativas. Que ahora ellas sean más relevantes para supervisar los rendimientos de la IA, solo hace que el problema sea más urgente. Esto refuerza la importancia de las humanidades y las artes liberales, no como defensa reactiva de lo humano frente a la IA, sino para su comprensión, orientación y aplicación.

En cuanto al segundo supuesto de la posición clave del docente en la adaptación de estudiantes y de la universidad a la IA, un estudio del Digital Education Council (2026) muestra que, en una escala de 1 a 5, profesores y estudiantes tienen prácticamente los mismos bajos promedios en dimensiones como Comprensión de la IA y de datos (1,4 profesores; 1,6 estudiantes) y Pensamiento crítico y juicio (1,6 ambos). Si a esto se suma el hecho de que la IA cambia la forma en la que los profesores deben realizar las evaluaciones de sus estudiantes, ahora en formato de exámenes orales, demostraciones de razonamiento, evaluaciones de procesos y expresión de competencias, entonces los docentes —el eslabón que se asume crítico para una adopción responsable de la IA en los centros de educación superior— tendrán que invertir mucho más tiempo en el diseño, implementación y análisis de esos procesos evaluativos.

En la universidad contemporánea en general y también en Chile, la docencia siempre ha consumido la mayor parte del tiempo; luego sigue la gestión y, finalmente, la investigación (Mascareño 2026). El trabajo con la IA puede acelerar los tiempos de la investigación y reducir el peso de tareas rutinarias en la gestión universitaria, pero buena parte de ese ahorro tendrá que transferirse al rediseño de la docencia y su acoplamiento con las habilidades que la industria requiere hoy. Si la IA reemplaza las fases iniciales de múltiples trabajos, la adaptación universitaria debe consistir en la reproducción de esas fases en la formación sobre la base de experiencias y portafolios de proyectos y no de exámenes y calificaciones tradicionales. Esto conduce a un rediseño completo del acoplamiento entre educación superior e industria, desde la extensión de carreras y su configuración curricular, hasta el modo en que se forman y evalúan habilidades clásicas y nuevas habilidades para un mundo con IA. Solo de esta manera es posible compatibilizar aceleración y asincronía.

Conclusiones

Además de los supuestos relativos al pensamiento crítico y la creatividad como rasgos consustanciales a la humanidad, buena parte de los actuales temores y esperanzas sobre el presente y futuro de la IA de la sociedad se basan en el supuesto de que la IA tendrá un progreso continuo hacia niveles cada vez mayores de sofisticación, y que ese progreso vendrá unido a un acceso incremental e igualitario para todas las personas, países o regiones. [Ver Para Profundizar 3].

Hasta hoy, al menos, la escasa evidencia muestra que, si bien el progreso de modelos ha sido continuo y converge en niveles de sofisticación altos, efectos complejos como el uso de energía, las emisiones contaminantes, la geopolítica IA de despliegue corporativo y de mercado, así como cuestiones de diseño armamentístico y movimientos sociales incipientes opuestos a la IA, son factores que en el corto o mediano plazo pueden interrumpir momentánea o indefinidamente el supuesto del progreso continuo —pueden elevar los costos de acceso, restringir zonas y servicios, limitar el poder de modelos o controlar rendimientos. Todo ello también haría que el segundo supuesto de acceso incremental igualitario sea irrealizable. Las desigualdades existen desde el comienzo: desde los distintos niveles de pago por modelos (incluyendo los de uso libre) hasta la infraestructura, uso de energía y conocimiento para el entrenamiento de modelos de punta.

Todo ello implica nuevos dilemas para la sociedad y su IA, así como la necesidad de decisiones políticas rápidas bajo incertidumbre (el dilema de la evidencia). En la actualidad, el AI Safety Report (2026) indica que los daños más frecuentes que pueden constatarse se verifican, en primer lugar, en el uso malicioso de la IA, esto es, en fraudes, la creación de contenidos no consentidos, ciberataques o desarrollo de armas químicas o biológicas. Los riesgos de malfuncionamiento, por su parte, son frecuentes, pero están presentes desde que existen sistemas técnicos complejos (centrales de energía, reactores nucleares, sistemas de transporte). En el caso de la IA, estos riesgos se expresan en la producción de información inexistente, en alucinaciones, diagnósticos médicos errados o clasificaciones erróneas, entre otros. Estos riesgos y daños han tenido lugar efectivamente, pero son por ahora menos frecuentes y de menor alcance que los de uso malicioso, pues los sistemas se han vuelto más confiables desde 2025 —aunque la IA agéntica tiene el potencial de multiplicarlos y de hacer más difícil la contención de sus efectos en cadena, especialmente cuando se trate de sistemas críticos. Finalmente, la pérdida de control de la IA es hoy un horizonte lejano. Efectos de desempleo masivo, autonomización plena del trading financiero, manipulación cognitiva masiva o conflictos armados escalares pueden afectar potencialmente a la mayoría de la población global, pero en los datos no se muestra, por el momento, ningún efecto agregado.

Desde 2024 se discute en Chile un proyecto de ley sobre sistemas de inteligencia artificial basado en la aproximación europea. El gobierno ha anunciado un proyecto alternativo que pone foco en la experiencia de Estados Unidos (Senado 2026). Cualquiera sea la decisión, un marco legal es necesario. Sin embargo, los problemas de adaptación y asincronía requieren de la atención permanente de policymakers, de empresas y organizaciones públicas y privadas en distintos ámbitos de la sociedad, porque muchos de los dilemas deben resolverse ad hoc, con coordinaciones institucionales y personales que hagan posible el acoplamiento flexible entre IA y sociedad de un modo más fluido del que hasta ahora ha tenido lugar.

Lo que todo esto pone en evidencia es que la denuncia de que la IA está drenando nuestra más auténtica humanidad desvía, en realidad, el foco de los problemas relevantes que derivan de la adaptación acelerada y asincrónica de la IA de la sociedad. Son esos problemas los que hay que resolver con urgencia. Por otro lado, la humanidad de los humanos siempre ha demostrado ser más flexible, indeterminada y adaptativa de lo que los mismos humanistas piensan.

Nota al pie

[1] El autor agradece los comentarios de Juan Luis Ossa, Macarena Lescornez y Sebastián Izquierdo.

Sobre el autor

Aldo Mascareño es doctor en Sociología por la Universidad de Bielefeld, Alemania. Actualmente es investigador senior del CEP, editor general de la revista Estudios Públicos e investigador principal del grupo de humanidades digitales C22-CEP. También es PI del Núcleo Milenio de Social Data Science (SODAS).

1.La carga medioambiental de la IA

La Figura 1 reelabora datos del AI Index Report (Stanford HAI 2026, 35), que presenta las emisiones estimadas de CO₂ equivalente del entrenamiento de trece modelos de IA entre 2012 y 2025. Las estimaciones corresponden únicamente a la fase de entrenamiento —no incluyen fabricación de hardware, infraestructura inactiva ni inferencia— y se calculan a partir del tipo de hardware, las horas de GPU, el proveedor de nube y la región de cómputo (Stanford HAI 2026, 385). Las líneas de referencia muestran que, desde 2020, el entrenamiento de un modelo de frontera genera más emisiones que un automóvil durante su vida útil (63 toneladas). Los modelos de 2025 multiplican esto por alrededor de mil (Grok 3) y por más de mil cien (Grok 4) (Stanford HAI 2026, 33).

(Puedes ver la figura en mayor detalle haciendo clic aquí)

El crecimiento, sin embargo, no se relaciona linealmente con el tamaño de los modelos. Las emisiones dependen también de la eficiencia del hardware, de la duración del entrenamiento y de la intensidad de la energía utilizada (Stanford HAI 2026, 33). El hardware de IA es hoy unas diez veces más eficiente por watt que hace una década, pero los modelos han escalado más rápido que la eficiencia, de modo que la potencia total requerida para entrenar sistemas de frontera sigue aumentando y, en varios de los modelos más recientes, no es conocida pues los desarrolladores no aportan la información (Stanford HAI 2026, 33). Una forma más de relación entre aceleración de la IA y asincronía adaptativa.

El entrenamiento es, además, solo una parte de la carga. La capacidad eléctrica de los centros de datos de IA alcanzó 29,6 GW en el cuarto trimestre de 2025, un volumen equivalente a la demanda máxima del estado de Nueva York (Stanford HAI 2026, 30); y la inferencia de GPT-4o consume entre 1,3 y 1,6 millones de kilolitros de agua al año, más que las necesidades de agua potable de 1,2 millones de personas (Stanford HAI 2026, 37). La brecha entre eficiencia y escala es otra asincronía de la aceleración de la IA, en tanto sus beneficios se concentran en países de mayor ingreso, mientras la carga ambiental se distribuye globalmente. El caso de DeepSeek v3 (597 toneladas en 2024, frente a 8.930 de Llama 3.1 405B el mismo año) muestra, a la vez, que el costo ambiental es una decisión de diseño y no una inevitabilidad tecnológica.

2. Capacidad teórica de impacto y uso observado de la IA por categoría ocupacional

La Figura 2 reelabora datos de impacto esperado y observado en distintas ocupaciones (Anthropic 2026, 6). La capacidad teórica de impacto corresponde al indicador β de Eloundou et al. (2023), es decir, la proporción de tareas de una ocupación que un modelo de lenguaje podría acelerar la tarea al doble de velocidad. El uso es la medida de exposición observada de Anthropic, según la cual una tarea teóricamente factible se considera cubierta si muestra un uso suficiente en contextos laborales dentro del tráfico de Claude (Anthropic 2026, 5-6).

(Puedes ver la figura en mayor detalle haciendo clic aquí)

La Figura 2 presenta la distancia entre lo que la IA podría hacer y lo que efectivamente hace en el trabajo. La barra azul mide la aceleración tecnológica y la barra roja, la capacidad de absorción de las organizaciones y de los marcos normativos; la distancia entre ambas es el espacio en que se manifiestan las asincronías institucionales y motivacionales de la IA. En informática y matemáticas, una de las categorías de mayor uso observado, Claude cubre solo un tercio de las tareas (33%), frente a una capacidad teórica de 94%. Las categorías manuales y de servicios presenciales (agricultura, construcción, producción, transporte, mantención) muestran valores bajos en ambas medidas.

3.  La autenticidad de lo inauténtico: la distinción humano/no-humano como atribución

La distinción humano/no-humano que organiza (y fundamenta) la crítica humanista a la IA supone que lo humano es una propiedad reconocible en las obras. Estudios recientes parecen indicar más bien que se trata de una atribución que sigue las preferencias individuales. Así al menos se deriva de Chen et al. (2026), quienes analizaron un AI Art Turing Test público en el que 11.123 personas juzgaron si cada una de 50 imágenes que observaron (26 de ellas generadas por IA) había sido hecha por un humano para, luego, elegir su favorita. La mediana de aciertos al identificar el origen de las imágenes (humano o IA) fue de 60%, apenas por sobre el azar (Chen et al. 2026, 1). Una imagen tenía 22,1 puntos porcentuales más de probabilidad de ser juzgada humana cuando era la favorita de quien decidía (Chen et al. 2026, 1). La Figura 3 muestra el resultado según la opinión de los encuestados sobre el arte generado por IA.

(Puedes ver la figura en mayor detalle haciendo clic aquí)

El Panel A ordena a los encuestados según su opinión sobre el arte generado por IA. La línea roja indica cuántos eligieron como favorita una imagen hecha por IA. La preferencia sube de 47% entre los más hostiles a 60% entre los más favorables, es decir, quienes rechazan la IA la eligen menos. La línea azul indica cuántos creyeron que su imagen favorita había sido hecha por un humano. Las cifras bajan de 88% entre los más hostiles a 64% entre los más favorables, es decir, quienes rechazan la IA tienden a creer que lo que les gusta es humano (Chen et al. 2026, 9). La línea verde combina ambas cosas. Esta muestra cuántos eligieron una imagen de IA asumiendo que era humana. Puesto que una tendencia compensa a la otra, la línea se mantiene relativamente plana. Incluso entre los más hostiles, más de un tercio prefirió una obra de IA sin advertirlo. El Panel B muestra que considerar una imagen como la favorita, aumenta la probabilidad de juzgarla humana, con un efecto mayor entre los más hostiles (+25 puntos). “Humano” funciona aquí como el nombre que recibe lo que se valora. Esto indica que la IA puede producir lo que, para algunos, solo puede ser “humano”.

Bibliografía

Aequalis 2026. La educación superior ante la inteligencia artificial: desafíos y estrategias para un nuevo escenario. Seminario de la Fundación Aequalis, Universidad San Sebastián, Santiago, 28 de octubre. Disponible en: https://aequalis.cl/exitoso-seminario-aequalis-debatio-sobre-educacion-superior-e-inteligencia-artificial/ [1 de noviembre de 2026].

AI Safety Report 2026. International AI Safety Report 2026 (Y. Bengio, presidente). DSIT 2026/001, AI Security Institute, Department for Science, Innovation and Technology, Reino Unido. Disponible en: https://internationalaisafetyreport.org/publication/international-ai-safety-report-2026 [1 de noviembre de 2026].

Anthropic 2026. Labor Market Impacts of AI: A New Measure and Early Evidence. Anthropic, 5 de marzo. Disponible en: https://www.anthropic.com/research/labor-market-impacts [1 de noviembre de 2026].

Browne, D. 2026. The Case for Banning Superintelligent AI, Before It’s Too Late. RUSI Commentary, Royal United Services Institute, 15 de junio. Disponible en: https://www.rusi.org/explore-our-research/publications/commentary/case-banning-superintelligent-ai-its-too-late [1 de noviembre de 2026].

CENIA 2026. Índice Latinoamericano de Inteligencia Artificial (ILIA) 2026. Documentos de Proyectos LC/TS.2026/97, Comisión Económica para América Latina y el Caribe y Centro Nacional de Inteligencia Artificial. Disponible en: https://indicelatam.cl/ [1 de noviembre de 2026].

Chen, Z., Zhu, D. y Zheng, L. N. 2026. Beauty Is Human: When People Love AI-Generated Art, They Think a Human Made It. arXiv:2610.38113. Disponible en: https://arxiv.org/abs/2610.38113 [1 de noviembre de 2026].

Digital Education Council 2026. AI in Higher Education Global Survey 2026. Digital Education Council. Disponible en: https://www.digitaleducationcouncil.com/resource-library-items/ai-in-higher-education-global-survey-2026 [1 de noviembre de 2026].

Eloundou, T., Manning, S., Mishkin, P. y Rock, D. 2023. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. arXiv:2303.10130. Disponible en: https://arxiv.org/abs/2303.10130 [1 de noviembre de 2026].

Encuesta Bicentenario UC 2026. Encuesta Nacional Bicentenario UC 2026. Resultados sobre inteligencia artificial. Centro de Políticas Públicas UC, Pontificia Universidad Católica de Chile. Disponible en: https://visionuniversitaria.uc.cl/universidad-y-sociedad/encuesta-bicentenario-uc-la-ia-genera-desconfianza-en-los-chilenos-incluso-entre-los-mas-jovenes/ [1 de noviembre de 2026].

Esposito, E. 2022. Artificial Communication: How Algorithms Produce Social Intelligence. Cambridge, MA: The MIT Press.

Freud, S. 1979 [1917]. Una dificultad del psicoanálisis. En Obras completas, vol. XVII (125-135). Buenos Aires: Amorrortu.

Germani, G. 1971. Política y sociedad en una época de transición. Buenos Aires: Paidós.

Ipsos 2026. The Ipsos AI Monitor 2026: A 32-country Ipsos Global Advisor Survey. Ipsos, junio. Disponible en: https://www.ipsos.com/en/ai-monitor-2026 [1 de noviembre de 2026].

León XIV 2026. Carta encíclica Magnifica Humanitas sobre la custodia de la persona humana en el tiempo de la inteligencia artificial. Ciudad del Vaticano: Libreria Editrice Vaticana, 15 de mayo. Disponible en: https://www.vatican.va/content/leo-xiv/es/encyclicals/documents/20260515-magnifica-humanitas.html [1 de noviembre de 2026].

Mascareño, A. 2026. La fórmula de contingencia ‘universidad’. En J.J. Brunner y M. Bravo (eds.), Universidad entre invención y herencia (301-311). Santiago: Universidad Diego Portales.

Mascareño, A. y Ocares, F. 2026. Entre apocalípticos e integrados: la forma del riesgo en la coevolución entre IA y sociedad. En S. Pignuoli Ocampo (ed.), IA, sistemas sociales y sociedad. Sociología de la comunicación artificial (21-50). Buenos Aires: Instituto de Investigaciones Gino Germani.

McKinsey 2026. The State of AI in 2026: On the Road to ROI. QuantumBlack, AI by McKinsey, 25 de agosto. Disponible en: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai [1 de noviembre de 2026].

Mineduc 2016. Competencias de la población adulta en Chile: Resultados PIAAC. Evidencia nacional e internacional para la Reforma en Marcha. Serie Evidencias 33, Centro de Estudios, Ministerio de Educación. Disponible en: https://bibliotecadigital.mineduc.cl/handle/20.500.12365/18773 [1 de noviembre de 2026].

Miotti, A. 2026. Governments Must Prohibit Superintelligent AI While We Still Can. Time, 23 de septiembre. Disponible en: https://time.com/article/2026/09/23/governments-must-prohibit-superintelligent-ai-while-we-still-can/ [1 de noviembre de 2026].

MIT 2026. Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. Cambridge, MA: Massachusetts Institute of Technology, 13 de agosto. Disponible en: https://web.mit.edu/files/AI-Committee-Final-Report.pdf [1 de noviembre de 2026].

Nassehi, A. 2024. Patterns: Theory of the Digital Society. Cambridge: Polity.

OCDE 2026. AI and Skills: What We Know So Far. OECD Publishing, 5 de junio. Disponible en: https://www.oecd.org/en/publications/ai-and-skills_f843b352-en.html [1 de noviembre de 2026].

Pavišić, J. 2025. Radiografía a la lectura en Chile 2025: políticas y propuestas. Acción Educar, noviembre. Disponible en: https://www.accioneducar.cl/wp-content/uploads/2025/11/Estudio-Habilidades-Lectoras-JPV-FINAL.-1.pdf [1 de noviembre de 2026].

Pew Research 2026. Americans and AI 2026: Chatbots, Smart Devices and Views on Impact. Pew Research Center, 17 de junio. Disponible en: https://www.pewresearch.org/internet/2026/06/17/americans-and-ai-2026/ [1 de noviembre de 2026].

Rozas, J. 2026. No se puede desinventar la IA. Interdependencia y autonomía en las guerras del presente. En S. Pignuoli Ocampo (ed.), IA, sistemas sociales y sociedad. Sociología de la comunicación artificial (145-162). Buenos Aires: Instituto de Investigaciones Gino Germani.

Senado de la República de Chile 2026. Senadores conocen propuesta del Ejecutivo para ley marco de IA. Senado de la República de Chile, 26 de mayo. Disponible en: https://www.senado.cl/comunicaciones/noticias/senadores-conocen-propuesta-del-ejecutivo-para-ley-marco-de-ia [1 de noviembre de 2026].

Stanford HAI 2026. The AI Index 2026 Annual Report. AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, abril. Disponible en: https://hai.stanford.edu/ai-index/2026-ai-index-report [1 de noviembre de 2026].

Stanford Scale 2026. The Evidence Base on AI in K-12: A 2026 Review. AI Hub for Education, SCALE Initiative, Stanford University. Disponible en: https://scale.stanford.edu/research-in-action/understanding-evidence-base-ai-k12-education [1 de noviembre de 2026].

WEF 2026. Global Risks Report 2026. World Economic Forum, 14 de enero. Disponible en: https://www.weforum.org/publications/global-risks-report-2026/ [1 de noviembre de 2026].

WEF y PwC 2026. Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways. World Economic Forum, junio. Disponible en: https://www.weforum.org/publications/artificial-intelligence-and-the-future-of-entry-level-work-a-framework-for-safeguarding-and-reinventing-early-career-pathways/ [1 de noviembre de 2026].

Yudkowsky, E. y Soares, N. 2025. If Anyone Builds It, Everyone Dies: Why Superhuman AI Would Kill Us All. New York: Little, Brown and Company.

Leer más

– Boletín Encuesta CEP: “¿Perderé el trabajo frente a la Inteligencia Artificial?”.

– Punto de referencia: “Automatización laboral: diagnósticos y desafíos”.

– Seminario: “Repensando lo humano: una conversación sobre inteligencia artificial a la luz de Magnifica Humanitas”.

– Seminario: “Inteligencia artificial generativa: ejemplos prácticos de su uso”.

– Voces del CEP: “Informalidad laboral: un riesgo en cuenta regresiva«

En esta edición de Voces del CEP, te recomendamos disfrutar de los siguientes seminarios que ya están en nuestra web y YouTube:

• “Momento Económico CEP – Octubre 2026”. Estreno del nuevo formato del Momento Económico, en el que nuestro investigador senior, Rodrigo Vergara, conversó sobre la contingencia económica con el exministro de Hacienda y expresidente del Banco Central, Mario Marcel. La actividad fue moderada por el director del CEP, Juan Luis Ossa.
• “La Crisis de 2019: Siete años después”. Seminario organizado junto a once centros de estudios. Contó con exposiciones de Pablo Ortúzar (IES), Pedro Fierro (P!ensa), Juan Luis Ossa (CEP) y Cristián Stewart (IdeaPaís), seguidas de dos paneles diálogo que contaron con la participación de Juan Francisco Galli (Inst. Libertad), Gonzalo Cordero (LyD), los parlamentarios Enrique Bassaleti y Joanna Pérez, Julio Isamit (Res Publica), María José Naudon (Horizontal), la diputada Constanza Hube (UDI) y el exsenador Felipe Harboe. La actividad contó con las moderaciones de Macarena Lescornez (CEP) y Benjamín Cofré (Fundación Jaime Guzmán).
• “Conversación sobre el libro «El Segundo Piso. Un ejercicio de memoria»”. En la ocasión, participaron el autor del libro, Ernesto Ottone, la académica de la Universidad Adolfo Ibáñez, Verónica Undurraga, y el director del CEP, Juan Luis Ossa. La conversación fue moderada por la directora de Comunicaciones del CEP, Macarena Lescornez.
• “Avances en la agenda de permisos de inversión”. El encuentro comenzó con una introducción de Pablo Eguiguren, jefe de la Oficina de Autorizaciones Sectoriales e Inversión del Ministerio de Economía. Luego expuso Ignacio Briones, exministro de Hacienda y académico UAI, en una conversación moderada por el investigador senior CEP, Rodrigo Vergara.

Te recordamos que puedes mantenerte informado de nuestra agenda aquí o mandarnos un mensaje a nuestro canal en Whatsapp (+56958989491) para recibir todas las actualizaciones.

Si quieres recibir este boletín en tu mail suscríbete aquí.