Gobernar la IA no consiste únicamente en regular modelos. Significa decidir quién controla los datos, qué instituciones conservan poder y qué conocimientos cuentan.

Tres acontecimientos ocurridos este agosto, en África austral, Estados Unidos y Pakistán, permiten observar esa disputa mientras todavía está abierta.

No hablan de la misma tecnología ni responden al mismo problema. Pero los tres plantean una pregunta común:

cuando la inteligencia artificial reorganiza instituciones, conocimientos y relaciones sociales, ¿quién conserva la capacidad de decidir?

Antes de la inteligencia artificial están los datos

Entre el 12 y el 14 de agosto de 2026, responsables de políticas públicas, organismos reguladores y equipos técnicos de países de la Comunidad de Desarrollo de África Austral se reunieron en Harare para el Southern Africa Regional Workshop on Data Governance in the Digital Age: Data Policy Harmonisation.

El encuentro fue alojado por el Gobierno de Zimbabue a través de su Ministerio de Tecnologías de la Información y POTRAZ, con participación de UNESCO, Smart Africa y el Banco Mundial.

Su propósito iba más allá de compatibilizar legislaciones. Buscaba avanzar hacia marcos regionales capaces de sostener flujos transfronterizos de información, bienes públicos digitales y preparación para la inteligencia artificial.

El programa se apoyó expresamente en el Data Governance Toolkit de UNESCO y su marco de las 4P: Purpose, Principles, People and Practices —Propósito, Principios, Personas y Prácticas—. También preveía que el trabajo contribuyera a una hoja de ruta regional, desarrollada conjuntamente, para armonizar las políticas de datos dentro del marco de la SADC.

Puede parecer una discusión administrativa. No lo es.

Una IA necesita datos antes de poder aprender de una sociedad. Y esos datos no aparecen espontáneamente: alguien decide qué recopilar, cómo clasificarlo, quién puede utilizarlo y bajo qué condiciones puede atravesar una frontera.

Lenguas, territorios, profesiones, identidades o comportamientos tienen que convertirse previamente en categorías que una institución y después una máquina puedan procesar.

Gobernar los datos es también gobernar las formas mediante las que una sociedad se vuelve legible.

Por eso la soberanía de datos no equivale necesariamente a cerrar fronteras digitales. Significa conservar capacidad institucional para decidir las condiciones de circulación: quién accede, para qué, qué debe permanecer protegido, qué derechos conservan las personas y comunidades de las que proceden los datos y cuánto del valor generado permanece en el territorio.

La advertencia formulada en Harare fue explícita. Sin una gobernanza sólida y políticas coordinadas, la región corre el riesgo de quedar rezagada en su preparación para la IA o convertirse en “consumidora pasiva de tecnologías externas”.

También aparecieron problemas muy concretos: privacidad, sesgo algorítmico, ciberseguridad y extracción transfronteriza no autorizada de datos.

La inteligencia artificial aparece así al final de una cadena de decisiones políticas, no al principio.

Hacer legibles también a las máquinas

El 20 de agosto de 2026, OpenAI lanzó AI Futures, el espacio público de su nuevo equipo Strategic Futures, dirigido por Dean Ball.

Su pregunta fundacional resulta poco habitual para una empresa de inteligencia artificial: cómo debería reorganizarse una sociedad libre para preservar derechos y capacidad de acción individual ante la aparición de una IA transformadora.

La propia OpenAI define estas preocupaciones como riesgos de concentración de poder y aclara que la publicación inaugural expresa las opiniones de Ball, no necesariamente una posición institucional de la organización.

Ball parte de una observación histórica: Estados y empresas han dependido de cooperación humana masiva para producir, administrar, recaudar impuestos o ejercer poder. Esa dependencia distribuía el poder de forma profundamente desigual, pero también imponía límites.

La automatización podría alterar ese equilibrio.

Ball plantea que sistemas autónomos podrían permitir a los Estados proyectar fuerza sin depender en la misma medida de soldados o policías, que parte de la burocracia podría automatizarse y que los ingresos procedentes de la producción de centros de datos podrían reducir la dependencia respecto del trabajo humano.

En ese escenario, la población podría perder capacidad material de negociación frente a quienes concentran infraestructura, capital y capacidad computacional.

Elecciones y derechos formales podrían incluso mantenerse mientras disminuye la capacidad efectiva de las personas para intervenir en las instituciones que gobiernan sus vidas.

Hay otra circunstancia que vuelve el documento particularmente interesante como objeto antropológico. Ball llegó a OpenAI después de trabajar en política de IA en la Casa Blanca y participar en la elaboración del America’s AI Action Plan.

Su recorrido muestra hasta qué punto las fronteras entre administración pública, industria tecnológica y producción de marcos para gobernar la IA son permeables.

Y resulta difícil ignorar la paradoja: una de las organizaciones que construyen infraestructuras capaces de concentrar nuevo poder está estudiando al mismo tiempo los riesgos políticos de esa concentración.

Esto no invalida el análisis.

Lo convierte también en una fuente para estudiar cómo la propia industria imagina el futuro: qué entiende por libertad, qué instituciones considera centrales, qué riesgos reconoce y qué soluciones consigue formular desde su posición.

Una de ellas es especialmente sugerente: bounded legibility, o legibilidad limitada.

Ball propone que cuando una IA realice acciones de alto riesgo que afecten a la integridad física o a la propiedad de terceras personas, esas acciones puedan vincularse a una persona u organización responsable.

En sus palabras, “those actions must be able to be tied back to a responsible human”.

Pero esa atribución no debería convertirse en vigilancia generalizada. La propuesta mantiene que privacidad y anonimato deben seguir siendo posibles en muchos otros usos.

La idea no resuelve la opacidad de los modelos ni todos los problemas de rendición de cuentas. Establece otra cosa: un umbral mínimo de trazabilidad cuando una acción automatizada puede producir daño fuera de la pantalla.

La inversión resulta significativa.

Los Estados modernos desarrollaron censos, mapas y registros para hacer legibles a sus poblaciones.

Ahora empezamos a necesitar hacer legible también la cadena de acción de las máquinas.

Quién dio una instrucción. Qué decisiones siguieron. Qué herramientas intervinieron. Quién responde cuando una secuencia automatizada produce consecuencias.

La IA deja entonces de plantear únicamente un problema de control tecnológico. Reaparece un viejo problema social con nuevos actores: cómo atribuir acción, responsabilidad y poder.

Primero los problemas, después la tecnología

En Pakistán, la inteligencia artificial llega a una red de problemas que ya estaban conectados.

Según el avance publicado por UNESCO, el 19 de agosto de 2026 las siete Cátedras reunidas en Beaconhouse National University, Lahore, buscaron reforzar una cooperación nacional entre investigación sobre clima, IA, patrimonio, agua, salud, educación y cultura.

La combinación resulta reveladora.

MNS University of Agriculture presentó trabajo sobre agricultura baja en carbono y pequeños productores. COMSATS, investigación sobre agua y reducción del riesgo de desastres. Information Technology University mostró iniciativas de ciberresiliencia, gobernanza digital pública y alfabetización mediante AI for All.

NED University conectó resiliencia urbana con documentación del patrimonio vivo de Tharparkar. National College of Arts presentó conservación histórica y conocimiento artesanal.

El International Center for Chemical and Biological Sciences de la Universidad de Karachi incorporó investigación biomédica, apoyo a jóvenes equipos investigadores y formación en medicina molecular.

Y BNU mostró cómo las artes visuales y el diseño pueden transformar datos climáticos y tecnológicos complejos en relatos públicos comprensibles.

Fuera de la universidad, ninguno de esos problemas está realmente separado.

El agua está conectada con la agricultura. La agricultura con el clima. El clima con el territorio y las formas de vida. La salud con las condiciones ambientales. El patrimonio con los conocimientos mediante los que una comunidad aprende a habitar esos territorios.

La tecnología entra después.

Ese orden invierte una lógica frecuente de la industria tecnológica: construir primero una capacidad y buscar después problemas donde aplicarla.

En Lahore aparece otra posibilidad:

primero están los problemas, los conocimientos y las instituciones. Después se decide qué tecnología puede resultar útil y bajo qué condiciones.

La diferencia es importante.

Un sistema capaz de relacionar información sobre agua, suelo y clima podría, por ejemplo, ayudar a orientar decisiones agrícolas. Pero la cuestión no sería únicamente si el modelo puede hacerlo, sino quién define el problema, con qué datos, para beneficiar a quién y con participación de qué conocimientos locales.

Esta secuencia no garantiza justicia ni elimina relaciones de poder.

Pero conserva algo fundamental: la capacidad de definir la agenda.

También recuerda que construir futuros digitales no debería ser competencia exclusiva de informática o ingeniería. Investigación agrícola, salud, patrimonio, artes, comunidades locales o especialistas en agua poseen conocimientos igualmente relevantes para decidir qué merece digitalizarse y cómo.

La interdisciplinariedad deja entonces de ser una fórmula universitaria.

Se convierte en una disputa sobre qué conocimientos tienen derecho a participar en la decisión tecnológica.

Gobernar antes de automatizar

Harare, OpenAI y Lahore representan posiciones muy distintas.

África austral intenta conservar capacidad regional para decidir cómo circulan sus datos antes de depender de sistemas desarrollados fuera.

OpenAI reconoce que una automatización profunda podría modificar la relación histórica entre instituciones y población y propone mecanismos para volver atribuibles determinadas acciones de las máquinas.

En Pakistán, la universidad intenta mantener conectados territorio, salud, patrimonio, clima, conocimiento y tecnología antes de decidir qué merece automatizarse.

Las tres escenas apuntan hacia el mismo problema.

La inteligencia artificial nunca llega sola.

Llega con una promesa de legibilidad.

Convierte sociedades, lenguas, territorios y prácticas en datos para que las máquinas puedan operar sobre ellos. Pero, a medida que esas máquinas adquieren capacidad de acción, necesitamos también hacer legibles sus decisiones, sus cadenas de responsabilidad y las instituciones que las despliegan.

La cuestión política no es solamente cuánto podrá decidir una máquina.

Tampoco únicamente quién podrá controlarla.

Hay una pregunta anterior:

¿quién tendrá el poder de decidir qué debe hacerse legible, qué puede permanecer opaco y quién conserva la capacidad de decir que no?

Y una pregunta que podemos trasladar a nuestro propio contexto:

¿qué datos, conocimientos e infraestructuras consideraríamos bienes públicos antes de dejar que una máquina decida qué hacer con ellos?

Fuentes y referencias