La IA no evoluciona sola

Corrientes antropológicas para leer una tecnología en disputa

La inteligencia artificial suele presentarse como una ruptura absoluta. Una tecnología capaz de transformar el trabajo, la ciencia, la medicina, la educación, la seguridad, la guerra y quizá la propia definición de lo humano. Sin embargo, muchas de las preguntas que abre no son nuevas. La antropología social y cultural lleva más de un siglo estudiando cómo se producen las jerarquías, cómo se organizan las instituciones, cómo se construye la diferencia y cómo determinadas relaciones de poder terminan pareciendo inevitables.

Este ensayo no pretende decidir a qué escuela antropológica “pertenece” la IA. Sería una pregunta demasiado estrecha. La IA es al mismo tiempo una narrativa de progreso, una máquina de clasificar, una infraestructura material, una mercancía, una práctica cultural y un dispositivo de gobierno. Cada corriente permite ver una parte del problema. Ninguna lo explica por completo.

La entrevista de Emily Chang a Dario Amodei, director ejecutivo de Anthropic, ofrece una escena corporativa reveladora. Amodei describe el desarrollo de la IA como una “exponencial suave”: durante un tiempo parece que no ocurre nada y, de pronto, todo se acelera. Frente al pánico o la negación, propone gestionar racionalmente los riesgos mientras defiende que los modelos avanzados pueden comprimir décadas de progreso científico, médico y económico (Bloomberg Originals, s. f.).

La entrevista tampoco ofrece acceso transparente a una conciencia individual. Es una pieza de comunicación corporativa donde intervienen voces distintas: la de la persona ingeniera, la de quien dirige una empresa, la de quien promueve una innovación, la de quien reclama capacidad regulatoria y la de quien intenta tranquilizar a clientes, accionistas y administraciones.

El caso de Claude Mythos Preview permite seguir ese hilo. Anthropic presentó el modelo como especialmente capaz de localizar vulnerabilidades de software y puso en marcha Project Glasswing para limitar inicialmente su acceso a organizaciones defensivas y mantenedoras de software crítico (Anthropic, 2026b). Semanas después, la compañía sostuvo que el límite ya no estaba solo en detectar fallos, sino en verificarlos, comunicarlos, priorizarlos y desplegar reparaciones (Anthropic, 2026c). La inteligencia no se reduce a hallar un patrón. Depende de quienes lo interpretan, lo discuten y actúan sobre él.

La tarea antropológica consiste en observar qué idea de progreso organiza ese relato, quién define los usos responsables, qué cuerpos y territorios sostienen la infraestructura, quién obtiene los beneficios y quién queda expuesto a los daños.

La frontera fabrica su afuera

El evolucionismo clásico de Tylor (1871) y Morgan (1877) imaginó la historia humana como una secuencia ascendente. Morgan organizó esa secuencia mediante la conocida tríada de “salvajismo, barbarie y civilización”, entendida como un recorrido universal hacia formas superiores de técnica, institución y vida social.

Esa teoría fue desacreditada por su eurocentrismo y por convertir diferencias históricas y culturales en una escala única de desarrollo. Sin embargo, parte de su lógica reaparece en el vocabulario contemporáneo de la IA.

Amodei habla de modelos “de frontera” y de una prima económica asociada a la inteligencia. La secuencia ya no clasifica pueblos entre primitivos y civilizados. Jerarquiza modelos, empresas, infraestructuras y Estados según su capacidad de cómputo, acceso a datos, energía, chips y capital. Hay actores que avanzan, otros que quedan rezagados y una dirección histórica aparentemente marcada por la técnica (Bloomberg Originals, s. f.).

La semejanza no es literal, pero sí estructural. Quienes controlan los modelos más capaces aparecen como vanguardia. Quienes no pueden acceder a ellos ocupan una posición subordinada o dependiente.

Boas (1911) introduce un correctivo decisivo. Frente a la evolución unilineal, el particularismo histórico obliga a atender a trayectorias concretas. No existe “la IA” como estadio universal. No es equivalente un modelo entrenado en inglés y financiado desde Silicon Valley a una herramienta lingüística construida desde una universidad andina, una institución pública africana o una comunidad que define por sí misma sus fines tecnológicos.

Hablar de la IA en singular puede borrar condiciones locales de producción, uso, rechazo y reapropiación. También puede ocultar una desigualdad lingüística de base. Los modelos que concentran sus mejores capacidades en lenguas muy representadas pueden tratar registros locales, modismos y memorias orales como ruido, déficit o simple falta de datos.

Escobar (1999) mostró que el desarrollo moderno reconocía y negaba la diferencia al mismo tiempo. Reconocía que ciertos pueblos eran distintos, pero convertía esa diferencia en un problema que debía resolverse mediante modernización. La frontera tecnológica funciona de forma parecida cuando produce sujetos “rezagados” a quienes habría que traer al presente de la técnica.

Luxemburg (1913) ofrece una profundización incómoda. En La acumulación del capital sostuvo que la expansión capitalista necesitaba relacionarse continuamente con ámbitos no capitalistas, de los que obtenía mercados, materias primas y fuerza de trabajo. Su tesis ha sido discutida y no debe funcionar como una ley universal. Aun así, ayuda a formular un problema preciso. La frontera de la IA requiere un afuera material que haga posible su avance.

Ese afuera incluye territorios de extracción, redes eléctricas, agua, trabajo de etiquetado, moderación de contenidos, archivos públicos, lenguas minorizadas y comunidades cuyos datos pueden transformarse en materia prima sin participación efectiva en la decisión.

En el caso Mythos, ese afuera también incluye a las personas mantenedoras de software libre. Sus repositorios, informes y prácticas de reparación forman parte del entorno técnico donde el modelo opera, aunque no participen necesariamente de las decisiones empresariales sobre su despliegue. La frontera no se limita a dejar a alguien detrás. Puede producir dependencia como condición de su propio avance.

El estructuralismo no revela el código fuente del mundo

El estructuralismo de Lévi-Strauss (1958) estudió las relaciones que organizan clasificaciones, mitos, parentescos y oposiciones simbólicas. No buscaba un código técnico oculto en las culturas. Buscaba comprender cómo las personas ordenan la experiencia mediante diferencias, reglas y relaciones.

La IA puede leerse desde esa tradición, con una cautela fundamental. Un modelo no descubre el código fuente de la realidad. Aprende regularidades a partir de datos, categorías, archivos, pruebas y decisiones de diseño. Lo que aparece como una estructura profunda puede ser el resultado acumulado de clasificaciones humanas anteriores.

Mythos permite observar esa tensión. El sistema puede reconstruir relaciones entre dependencias, permisos, funciones, errores y puntos de entrada que una persona quizá no detecte con la misma rapidez. Pero una vulnerabilidad nunca es solo un hecho técnico. También es una relación entre diseño, mantenimiento, presupuestos, organización del trabajo y capacidad de respuesta.

Douglas (1966) ayuda a profundizar este punto. Clasificar no consiste simplemente en ordenar información. También delimita lo puro y lo peligroso, lo aceptable y lo contaminante. El discurso de seguridad de una empresa de IA establece fronteras semejantes cuando decide qué uso se considera legítimo, qué riesgo resulta tolerable y qué colectivo queda definido como amenaza potencial.

En Raza e historia, Lévi-Strauss (1952) ofrece una advertencia adicional. Ninguna cultura, institución o tecnología puede presentarse como fórmula universal del progreso. La IA corre ese riesgo cuando transforma una forma histórica de producir conocimiento —textual, estadística, escalable y mayoritariamente anglófona— en medida general de la inteligencia.

No existe una sintaxis universal de la vida social esperando ser descifrada. Existen relaciones, memorias, diferencias y conflictos que un sistema puede registrar parcialmente, pero nunca agotar.

El cambio de empleo no es una escalera

El funcionalismo de Malinowski (1922) estudió cómo prácticas como el intercambio, el parentesco, la economía o la magia sostenían formas de vida concretas. La IA se presenta hoy de modo funcionalista. Debe curar enfermedades, mejorar la educación, abaratar la energía, acelerar la ciencia, reforzar la seguridad y aumentar el crecimiento.

La utilidad puede ser real. Aun así, una IA que filtra currículos puede servir a una empresa y perjudicar a quienes buscan empleo. Una herramienta que redacta informes puede agilizar una administración y, al mismo tiempo, volver más opaco el procedimiento para la ciudadanía. Un sistema que detecta patrones puede ayudar a un hospital, una aseguradora o una policía, con consecuencias muy distintas para las personas clasificadas.

Radcliffe-Brown (1952) desplaza el foco desde la utilidad individual hacia la función que una práctica cumple para la estructura social. Desde esta perspectiva, interesa observar qué orden contribuye a sostener la IA. Puede reducir costes y aumentar eficiencia, pero también concentrar decisiones, degradar profesiones, intensificar vigilancia y trasladar riesgos a quienes poseen menos capacidad de negociación.

Amodei ha señalado la aparición de nuevas funciones laborales, como la de forward deployed engineer. También admite que los puestos emergentes no absorben de forma automática a quienes pierden los anteriores (Bloomberg Originals, s. f.). Esa observación importa. Las ocupaciones nuevas no aparecen necesariamente en la misma cantidad, en los mismos lugares ni para las personas cuyo empleo desaparece.

El paso de una ocupación automatizada a otra emergente depende de formación, renta, idioma, movilidad, redes profesionales, derecho a residencia, trabajo de cuidados, propiedad y posición social. Entre una persona ingeniera de Silicon Valley y otra que trabaja en un centro de atención telefónica en Manila, Nairobi o Bogotá no hay solo una diferencia de habilidades. Hay una diferencia de posición dentro de una estructura desigual de propiedad, acceso y poder de decisión.

Wolf (1982) permite situar esa distancia dentro de una historia global. Los espacios aparentemente separados se constituyen mediante relaciones de intercambio, extracción y dominación. La automatización no conecta mundos que antes estuvieran aislados. Reorganiza jerarquías que ya venían articulando territorios, cuerpos y mercados laborales.

Butler (1872) anticipó, con ironía y lucidez, que la evolución de las máquinas no transcurre al margen de la humana. Los artefactos y las personas se desarrollan en una relación de dependencia mutua. Stiegler (1994) radicalizó esa intuición al pensar la técnica como exteriorización de memoria y saber. El problema aparece cuando esa exteriorización se convierte en proletarización cognitiva, cuando las personas pierden la capacidad de comprender y practicar aquello que delegan de forma sistemática.

La aceleración algorítmica no solo automatiza tareas. Puede desestabilizar la relación entre trabajo, salario, protección social y reproducción cotidiana de la vida. Ese desajuste introduce entropía en sistemas socioeconómicos que siguen dependiendo, para sostenerse, de ingresos, cuidados y derechos vinculados al empleo.

Scott (1998) mostró que las instituciones modernas tienden a simplificar realidades complejas para volverlas legibles y gobernables. La IA amplía esa capacidad de simplificación. Optimiza procesos, pero puede eliminar aquello que no cabe bien en una categoría, como una trayectoria laboral irregular, un contexto familiar, una lengua local, una forma no estándar de escribir o una experiencia de cuidado difícil de cuantificar.

Interesa entonces atender a qué vidas se vuelven más administrables y cuáles pierden capacidad de hacerse inteligibles en sus propios términos.

Actor-red, controversias y gobierno corporativo

El funcionalismo ayuda a entender para qué sirve una tecnología dentro de una institución. No explica por sí solo cómo se construye, quién participa en su ensamblaje ni cómo se distribuye la agencia entre personas, normas, infraestructuras, documentos y objetos técnicos. Para ello hace falta otra mirada.

La teoría del actor-red, desarrollada por Latour (2005), permite evitar dos errores. El primero consiste en tratar a la IA como un agente autónomo que aparece desde el futuro. El segundo consiste en reducirla a una herramienta pasiva sin efectos propios.

Un sistema de IA es un ensamblaje de código, centros de datos, electricidad, agua, minerales, chips, contratos de nube, trabajo de moderación, etiquetado, normas de exportación, interfaces, repositorios, métricas, instituciones militares, discursos de seguridad y hábitos cotidianos. Ningún modelo actúa solo. Actúa porque una red de personas, objetos y organizaciones hace posible su actuación.

Mythos es un ejemplo claro. Su eficacia depende del modelo, pero también de repositorios de software, mantenedores, equipos de validación, procedimientos de divulgación responsable, empresas capaces de desplegar parches y organizaciones que deciden quién puede utilizarlo. Su inteligencia no reside únicamente en los parámetros. Se distribuye por toda esa red.

La teoría del actor-red no afirma que todo sea indistintamente un actor. Propone seguir cómo la agencia se reparte, se concentra y se transforma dentro de asociaciones heterogéneas. Los centros de datos, los estándares de cifrado, las métricas de evaluación y los protocolos de divulgación responsable no sustituyen a las decisiones humanas. Participan en la forma que esas decisiones pueden adoptar.

Descola (2005) permite situar incluso este marco. Latour cuestionó la separación moderna entre naturaleza y sociedad, pero la propia distinción entre humanos y no humanos no puede considerarse universal. Descola recuerda que la división entre naturaleza y cultura pertenece a una forma histórica particular de ordenar el mundo. Su aporte no invalida la teoría del actor-red. Obliga a no convertir su vocabulario en una gramática universal de la agencia.

La misma mirada alcanza al gobierno corporativo. Anthropic cuenta con un Long-Term Benefit Trust, un fideicomiso cuyos miembros no tienen participación financiera en la empresa. El Trust puede elegir y remover una parte creciente del consejo; desde abril de 2026, las personas designadas por él constituyen una mayoría del consejo de administración (Anthropic, 2023, 2026a).

Se trata de una forma de constitucionalismo privado. Puede introducir contrapesos relevantes frente a la lógica financiera inmediata. Pero no es una garantía automática de bien público. El Trust existe a través de documentos, nombramientos, reglas internas, informes, métricas, sistemas de voto, contratos y mecanismos jurídicos.

Latour y Woolgar (1979) mostraron que los hechos científicos se estabilizan mediante cadenas de inscripción. Informes, gráficos, artículos, protocolos y mediciones no solo describen una realidad. Participan en su producción y consolidación. Algo parecido puede ocurrir con el “beneficio público a largo plazo” invocado por un trust corporativo.

Importa saber quién define sus indicadores, quién audita sus resultados, qué controversias quedan fuera de sus documentos y quién puede cuestionar sus decisiones desde fuera de la empresa.

El Trust puede ser un límite institucional relevante. No equivale a democracia. Las personas afectadas por los modelos, quienes trabajan en su cadena de suministro o las comunidades que sostienen su infraestructura no eligen necesariamente a quienes definen su misión.

La gobernanza responsable requiere mecanismos de impugnación pública, auditorías independientes, derechos laborales, transparencia y participación efectiva. Una misión corporativa solo adquiere legitimidad pública cuando quienes soportan sus consecuencias tienen capacidad real de discutirla.

Colonialidad, trabajo y capacidad de decidir

La IA suele imaginarse como algo inmaterial. Una respuesta aparece en una pantalla y parece no tener pasado, territorio ni coste. Sin embargo, depende de minerales, energía, agua, centros de datos, trabajo humano de baja remuneración, datos extraídos y cadenas logísticas globales.

Crawford (2021) ha mostrado que la IA debe estudiarse como una infraestructura planetaria antes que como una inteligencia aislada. Couldry y Mejias (2019) proponen el concepto de colonialismo de datos para nombrar la apropiación sistemática de la vida social como recurso para la acumulación.

La crítica decolonial va más allá de la extracción injusta de datos. También examina la pretensión de una inteligencia abstracta, universalizable y capaz de traducir cualquier experiencia a patrones computables. Esa pretensión puede invisibilizar modos de saber, sentir y estar en el mundo que no necesitan ser escalables para ser valiosos.

La colonialidad del saber, formulada por Quijano (2000), ayuda a nombrar el problema. No todo conocimiento se produce desde el mismo lugar ni cuenta con la misma capacidad de imponerse como universal. Cuando una empresa define desde California qué cuenta como seguridad, inteligencia, daño, evidencia o alineamiento, no aplica categorías neutrales. Proyecta una forma situada de conocer que puede convertirse en infraestructura global.

Esto no obliga a concluir que toda IA sea colonial por definición. Obliga a reconocer una tensión. Un sistema puede reproducir colonialidad cuando transforma lenguas, memorias, afectos y relaciones en insumos sin consentimiento, sin reciprocidad y sin capacidad de decisión compartida. También puede abrir espacios de reapropiación cuando las comunidades controlan los fines, la infraestructura, las condiciones de uso y el derecho a negarse.

El Sur Global no puede aparecer solo como territorio de extracción o daño. Es también espacio de elaboración técnica, defensa lingüística, organización laboral, apropiación táctica y resistencia.

Esa afirmación tiene escenas concretas. Posada (2021) documentó la colonialidad del trabajo de datos en América Latina mediante entrevistas con personas trabajadoras venezolanas de plataformas de etiquetado. Tubaro et al. (2025) compararon las condiciones del trabajo digital vinculado a IA en Argentina, Brasil y Venezuela, mostrando cómo la precariedad se articula con geografías específicas.

En otro registro, Huaman et al. (2026) presentaron recursos de reconocimiento automático del habla para quechua puneño, elaborados mediante una campaña de diseño participativo con sus hablantes. Ese caso muestra que la resistencia no se limita a rechazar una tecnología impuesta. También puede consistir en construir herramientas desde y para comunidades específicas, disputando la idea de que la innovación solo puede venir del centro corporativo.

Taussig (1980/2010) mostró que las personas trabajadoras no viven la extracción únicamente como una relación económica. También producen lenguajes propios para nombrarla y criticarla. Su análisis del diablo y el fetichismo de la mercancía invita a atender a las categorías que elaboran quienes etiquetan datos, moderan violencia, extraen minerales o sostienen infraestructuras energéticas para la IA. Esas voces rara vez ocupan el centro de los debates empresariales sobre innovación responsable.

Pérez Orozco (2011) ofrece otro desplazamiento necesario. La automatización suele discutirse desde productividad, crecimiento, reconversión laboral e impuestos. Pero la sostenibilidad de la vida depende también de trabajos de cuidado, reproducción y mantenimiento que no desaparecen porque una empresa automatice tareas cognitivas.

Redistribuir el excedente generado por esta transformación cuenta, pero democratizar la capacidad de decidir resulta más profundo. Implica que las personas afectadas intervengan antes de que la propiedad, los datos y las infraestructuras se concentren.

Cómo estudiar una tecnología planetaria y situada

Seaver (2017) ha mostrado que los propios entornos técnicos no mantienen una definición estable de “algoritmo”. Según el contexto, el término puede designar código, equipos de trabajo, procedimientos de clasificación, efectos emergentes o una explicación conveniente para decisiones difíciles de atribuir.

Esa inestabilidad no es un fallo metodológico. Es un hallazgo etnográfico. Los algoritmos son objetos múltiples, constituidos por prácticas diversas. Estudiarlos exige rastrear discursos, controversias, usos cotidianos, condiciones de acceso y relaciones de poder, sin esperar una transparencia total de las cajas negras corporativas.

La entrevista a Amodei debe leerse desde esa perspectiva. Sus afirmaciones sobre riesgo, empleo, frontera o seguridad no son solo datos. También organizan expectativas, distribuyen responsabilidades y delimitan qué debates parecen razonables. La declaración de que los nuevos empleos no absorberán de forma automática a quienes pierden los anteriores humaniza el discurso sin alterar necesariamente la dirección general del cambio que se presenta como inevitable.

La IA plantea además una dificultad de escala. Es infraestructura planetaria y práctica situada a la vez. Marcus (1995) propuso la etnografía multisituada para seguir objetos, metáforas, conflictos y relaciones a través de distintos territorios. Una antropología de la IA necesita un movimiento parecido.

Puede seguir un modelo entrenado en California cuando llega a otras lenguas, observar cómo una decisión corporativa se materializa en cuerpos y empleos concretos, rastrear de qué modo una clasificación altera un derecho o acompañar las resistencias que reconfiguran sistemas globales desde lugares específicos.

No basta con abrir la caja negra. También hay que seguir los efectos de aquello que la caja negra hace posible.

La IA no es el siguiente estadio

La visión de Anthropic confía en que la aceleración técnica puede ampliar radicalmente las posibilidades humanas. No es una postura trivial. Reconoce riesgos de desempleo, concentración de riqueza, vigilancia, uso militar y ciberseguridad. Propone impuestos, controles y mecanismos de gobierno corporativo (Amodei, 2026; Bloomberg Originals, s. f.).

Pero conserva una confianza profundamente moderna en la aceleración científica, la planificación racional y la posibilidad de que instituciones suficientemente responsables conduzcan una transformación técnica de enorme escala.

La antropología introduce una incomodidad necesaria. Ninguna innovación llega a un mundo vacío. Toda tecnología entra en sociedades atravesadas por memorias coloniales, jerarquías lingüísticas, disputas territoriales, desigualdades laborales y concentraciones previas de poder.

El evolucionismo permite reconocer la narrativa del progreso inevitable. Boas obliga a desconfiar de cualquier IA universal. Luxemburg ayuda a observar el afuera material que la frontera necesita. El estructuralismo muestra que clasificar no equivale a describir inocentemente. Douglas recuerda que toda clasificación organiza fronteras. El funcionalismo permite observar qué orden sostienen las instituciones. Latour y la teoría del actor-red sitúan al modelo dentro de redes materiales y sociales. Descola impide universalizar esa propia manera de ordenar la agencia. La crítica decolonial exige localizar el conocimiento y repartir la capacidad de decidir.

Importa saber quién puede decidir para qué debe servir la IA, quién puede negarse a ella, quién responde cuando falla y qué formas de vida merecen protección incluso cuando no son las más rápidas, rentables o escalables.

La IA no evoluciona sola.

Se diseña, se financia, se entrena, se extrae, se repara, se impone, se discute y se resiste.

Su dirección no está escrita en los parámetros. Está en disputa.

La antropología ya no necesita demostrar que tiene algo que decir sobre la inteligencia artificial. El desafío consiste en construir organizaciones, alianzas entre disciplinas, infraestructuras públicas y derechos colectivos que impidan que esa disputa se resuelva, una vez más, a favor de quienes ya concentran el poder.

Referencias

Amodei, D. (2026, enero). The adolescence of technology: Confronting and overcoming the risks of powerful AI. https://darioamodei.com/essay/the-adolescence-of-technology

Anthropic. (2023, 19 de septiembre). The Long-Term Benefit Trust. https://www.anthropic.com/news/the-long-term-benefit-trust

Anthropic. (2026a, 14 de abril). Anthropic’s Long-Term Benefit Trust appoints Vas Narasimhan to Board of Directors. https://www.anthropic.com/news/narasimhan-board

Anthropic. (2026b, 7 de abril). Assessing Claude Mythos Preview’s cybersecurity capabilities. https://www.anthropic.com/research/mythos-preview

Anthropic. (2026c, 22 de mayo). Project Glasswing: An initial update. https://www.anthropic.com/research/glasswing-initial-update

Bloomberg Originals. (s. f.). Inside the mind of Anthropic CEO Dario Amodei | The Circuit | Extended interview [Vídeo]. YouTube. https://www.youtube.com/watch?v=x2VHFgyawPE

Boas, F. (1911). The mind of primitive man. Macmillan.

Butler, S. (1872). Erewhon: Or, over the range. Trübner & Co.

Couldry, N., & Mejias, U. A. (2019). Data colonialism: Rethinking big data’s relation to the contemporary subject. Television & New Media, 20(4), 336–349. https://doi.org/10.1177/1527476418796632

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press. https://yalebooks.yale.edu/book/9780300252392/atlas-of-ai/

Descola, P. (2005). Par-delà nature et culture. Gallimard.

Douglas, M. (1966). Purity and danger: An analysis of concepts of pollution and taboo. Routledge & Kegan Paul.

Escobar, A. (1999). Antropología y desarrollo. Maguaré, (14), 42–73. https://revistas.unal.edu.co/index.php/maguare/article/view/11135

Huaman, E., Gamarra Lafuente, A., Cordova, J., & Korhonen, A. (2026). Building community-centred NLP resources for Puno Quechua [Preprint]. arXiv. https://arxiv.org/abs/2605.28253

Latour, B. (2005). Reassembling the social: An introduction to actor-network-theory. Oxford University Press. https://academic.oup.com/book/52349

Latour, B., & Woolgar, S. (1979). Laboratory life: The social construction of scientific facts. Sage.

Lévi-Strauss, C. (1952). Race et histoire. UNESCO.

Lévi-Strauss, C. (1958). Anthropologie structurale. Plon.

Luxemburg, R. (1913). Die Akkumulation des Kapitals: Ein Beitrag zur ökonomischen Erklärung des Imperialismus. Buchhandlung Vorwärts Paul Singer.

Malinowski, B. (1922). Argonauts of the Western Pacific: An account of native enterprise and adventure in the archipelagoes of Melanesian New Guinea. George Routledge & Sons. https://www.gutenberg.org/ebooks/55822

Marcus, G. E. (1995). Ethnography in/of the world system: The emergence of multi-sited ethnography. Annual Review of Anthropology, 24, 95–117. https://doi.org/10.1146/annurev.an.24.100195.000523

Morgan, L. H. (1877). Ancient society: Researches in the lines of human progress from savagery through barbarism to civilization. Henry Holt and Company. https://www.gutenberg.org/ebooks/45950

Pérez Orozco, A. (2011). Crisis multidimensional y sostenibilidad de la vida. Investigaciones Feministas, 2, 29–53. https://revistas.ucm.es/index.php/infe/article/view/38603

Posada, J. (2021). The coloniality of data work in Latin America [Doctoral consortium paper]. AIES 2021 Doctoral Consortium. https://arxiv.org/abs/2105.06262

Quijano, A. (2000). Colonialidad del poder, eurocentrismo y América Latina. En E. Lander (Ed.), La colonialidad del saber: Eurocentrismo y ciencias sociales. Perspectivas latinoamericanas (pp. 201–246). CLACSO.

Radcliffe-Brown, A. R. (1952). Structure and function in primitive society: Essays and addresses. Cohen & West.

Scott, J. C. (1998). Seeing like a state: How certain schemes to improve the human condition have failed. Yale University Press.

Seaver, N. (2017). Algorithms as culture: Some tactics for the ethnography of algorithmic systems. Big Data & Society, 4(2), Article 2053951717738104. https://doi.org/10.1177/2053951717738104

Stiegler, B. (1994). La technique et le temps, 1: La faute d’Épiméthée. Galilée.

Taussig, M. T. (2010). The devil and commodity fetishism in South America (30th anniversary ed.). University of North Carolina Press. (Original work published 1980). https://uncpress.org/9780807871331/the-devil-and-commodity-fetishism-in-south-america/

Tubaro, P., Casilli, A. A., Fernández Massi, M., Longo, J., Torres-Cierpe, J., & Viana Braz, M. (2025). The digital labour of artificial intelligence in Latin America: A comparison of Argentina, Brazil, and Venezuela [Preprint]. arXiv. https://arxiv.org/abs/2502.06317

Tylor, E. B. (1871). Primitive culture: Researches into the development of mythology, philosophy, religion, language, art, and custom (Vol. 1). John Murray. https://www.gutenberg.org/ebooks/70458

Wolf, E. R. (1982). Europe and the people without history. University of California Press.