La gobernanza internacional de la inteligencia artificial (IA) congrega a gobiernos, organizaciones internacionales, empresas, instituciones académicas y actores de la sociedad civil para establecer pautas, estándares y herramientas destinadas a orientar cómo se desarrolla y emplea esta tecnología. Las discusiones integran dimensiones técnicas, éticas, económicas, de seguridad y geopolíticas. A continuación se detallan los asuntos clave, ejemplos específicos y los mecanismos que distintos foros proponen o ya ponen en práctica.
Riesgos para la seguridad y la integridad
La preocupación por la seguridad incluye fallos accidentales, usos maliciosos y consecuencias estratégicas a gran escala. Entre los puntos clave están:
- Riesgos sistémicos: posibilidad de que modelos muy potentes actúen de forma imprevisible o escapen a controles, afectando infraestructuras críticas.
- Uso dual y militarización: aplicación de IA en armas, vigilancia y ciberataques. En foros de la ONU y del Convenio sobre Ciertas Armas Convencionales se discute cómo regular o prohibir sistemas de armas completamente autónomas.
- Reducción del riesgo por diseño: prácticas como pruebas adversarias, auditorías de seguridad, y exigencia de evaluaciones de riesgo antes del despliegue.
Ejemplo: en el ámbito multilateral se discute la creación de normas vinculantes sobre SALA (sistemas de armas letales autónomas) y procedimientos de verificación para evitar proliferación.
Privacidad, vigilancia y protección de los derechos humanos
La IA genera desafíos para los derechos civiles y las libertades públicas:
- Reconocimiento facial y vigilancia masiva: posible debilitamiento de la privacidad y aparición de sesgos. Diversos países y la Unión Europea analizan imponer límites o pausas a su implementación a gran escala.
- Protección de datos: gestión responsable de grandes conjuntos de información para entrenar modelos, junto con aspectos de consentimiento, reducción de datos y procesos de anonimización.
- Libertad de expresión e información: sistemas de moderación automatizada, creación de contenido engañoso y deepfakes que pueden influir en dinámicas democráticas.
Caso: campañas de desinformación potenciadas por generación automática de contenido han llevado a debates en foros electorales y a propuestas para obligaciones de transparencia sobre el uso de sistemas generativos en campañas.
Equidad, no discriminación y inclusión
Los modelos pueden reflejar o incluso intensificar sesgos existentes cuando los datos de entrenamiento no resultan suficientemente representativos:
- Discriminación algorítmica: revisiones independientes, indicadores de equidad y procedimientos de corrección.
- Acceso y desigualdad global: posibilidad de que la capacidad tecnológica se concentre en unas pocas naciones o corporaciones; urgencia de impulsar la transferencia tecnológica y la cooperación para fortalecer el desarrollo local.
Dato y ejemplo: diversas investigaciones han evidenciado que los modelos formados con información sesgada ofrecen un rendimiento inferior para los colectivos menos representados; por esta razón, crece la demanda de iniciativas como las evaluaciones de impacto social y los requisitos de pruebas públicas.
Claridad, capacidad de explicación y seguimiento
Los reguladores discuten cómo garantizar que sistemas complejos sean comprensibles y auditables:
- Obligaciones de transparencia: informar cuando una decisión automatizada afecta a una persona, publicar documentación técnica (fichas del modelo, orígenes de datos) y facilitar mecanismos de recurso.
- Explicabilidad: niveles adecuados de explicación técnica para distintos públicos (usuario final, regulador, tribunal).
- Trazabilidad y registro: bitácoras de entrenamiento y despliegue para permitir auditorías posteriores.
Ejemplo: la propuesta legislativa de la Unión Europea clasifica sistemas según riesgo y exige documentación detallada para los considerados de alto riesgo.
Responsabilidad jurídica y cumplimiento
La cuestión de cómo asignar la responsabilidad por daños ocasionados por sistemas de IA se ha convertido en un punto clave:
- Regímenes de responsabilidad: se discute si debe recaer en el desarrollador, el proveedor, el integrador o el usuario final.
- Certificación y conformidad: incluyen esquemas de certificación previa, evaluaciones independientes y posibles sanciones en caso de incumplimiento.
- Reparación a las víctimas: se plantean vías ágiles para ofrecer compensación y soluciones de remediación.
Datos normativos: la propuesta de la UE contempla sanciones proporcionales a la gravedad, que incluyen multas significativas para incumplimientos en sistemas de alto riesgo.
Derechos de propiedad intelectual y disponibilidad de datos
El uso de contenidos para entrenar modelos ha generado tensiones entre creación, copia y aprendizaje automático:
- Derechos de autor y recopilación de datos: litigios y solicitudes de claridad sobre si el entrenamiento constituye uso legítimo o requiere licencia.
- Modelos y datos como bienes estratégicos: debates sobre si imponer licencias obligatorias, compartir modelos en repositorios públicos o restringir exportaciones.
Varios litigios recientes surgidos en distintos países han puesto en entredicho la legalidad del entrenamiento de modelos con material protegido, lo que está acelerando ajustes normativos y promoviendo acuerdos entre las partes involucradas.
Economía, empleo y competencia
La IA puede transformar mercados, trabajos y estructuras empresariales:
- Sustitución y creación de empleo: estudios muestran efectos heterogéneos: algunas tareas se automatizan, otras se complementan; políticas activas de formación son clave.
- Concentración de mercado: riesgo de monopolios por control de datos y modelos centrales; discusión sobre políticas de competencia y interoperabilidad.
- Impuestos y redistribución: propuestas para impuestos sobre beneficios derivados de automatización o para financiar protección social y reentrenamiento.
Ejemplo: diversas adaptaciones regulatorias pueden contemplar beneficios tributarios orientados a impulsar la formación profesional y estipulaciones en contratos estatales que den preferencia a proveedores locales.
Sustentabilidad del entorno
El impacto energético y material de entrenar y operar modelos es objeto de regulación y buenas prácticas:
- Huella de carbono: entrenamiento de modelos muy grandes puede consumir energía significativa; indicadores y límites son discutidos.
- Optimización y transparencia energética: etiquetas de eficiencia, reporte de consumo y migración a infraestructuras con energía renovable.
Estudio relevante: investigaciones han mostrado que el entrenamiento intensivo de modelos de lenguaje puede generar emisiones equivalentes a decenas o cientos de toneladas de CO2 si no se optimiza el proceso.
Normas técnicas, estándares y interoperabilidad
La adopción de estándares facilita seguridad, confianza y comercio:
- Marco de normalización: desarrollo de estándares técnicos internacionales sobre robustez, interfaces y formatos de datos.
- Interoperabilidad: garantizar que sistemas distintos puedan cooperar con garantías de seguridad y privacidad.
- Rol de organismos internacionales: OCDE, UNESCO, ONU, ISO y foros regionales participan en la armonización normativa.
Ejemplo: la OCDE formuló principios para la IA que han servido como referencia para muchas políticas públicas.
Verificación, cumplimiento y mecanismos multilaterales
Sin mecanismos de verificación creíbles, las reglas quedan en papel:
- Inspecciones y auditorías internacionales: propuestas para observatorios multilaterales que supervisen cumplimiento y compartan información técnica.
- Mecanismos de cooperación técnica: asistencia para países con menos capacidad técnica, intercambio de mejores prácticas y fondos para fortalecer gobernanza.
- Sanciones y medidas comerciales: discusión sobre controles a la exportación de tecnologías sensibles y medidas diplomáticas ante incumplimientos.
Caso: restricciones en el comercio de semiconductores demuestran cómo la tecnología de IA puede convertirse en materia de política comercial y seguridad.
Mecanismos regulatorios y herramientas prácticas
Las respuestas normativas pueden adoptar formatos rígidos o enfoques más adaptables:
- Regulación vinculante: normas nacionales o regionales que establecen deberes y contemplan sanciones (por ejemplo, una propuesta legislativa dentro de la Unión Europea).
- Autorregulación y códigos de conducta: lineamientos promovidos por empresas o asociaciones que suelen ofrecer mayor rapidez, aunque con requisitos menos estrictos.
- Herramientas de cumplimiento: análisis de impacto, auditorías externas, sellos de conformidad y espacios regulatorios de prueba destinados a evaluar nuevas políticas.
Participación ciudadana y gobernanza democrática
La validez de las normas se sustenta en una participación amplia:
- Procesos participativos: audiencias públicas, órganos éticos y la presencia de comunidades involucradas.
- Educación y alfabetización digital: con el fin de que la población comprenda los riesgos y se involucre en la toma de decisiones.
Ejemplo: en distintos países, varias iniciativas de consulta ciudadana han incidido en las exigencias de transparencia y en las restricciones aplicadas al empleo del reconocimiento facial.
Relevantes presiones en el escenario geopolítico
La carrera por la primacía en IA implica riesgos de fragmentación:
- Competencia tecnológica: inversiones estratégicas, subsidios y alianzas que pueden crear bloques tecnológicos divergentes.
- Normas divergentes: diferentes enfoques regulatorios (más restrictivo versus más permissivo) afectan comercio y cooperación internacional.
Resultado: la gobernanza global intenta conciliar la armonización regulatoria con la autonomía tecnológica.
Acciones y referencias multilaterales
Existen diversas iniciativas que actúan como punto de referencia:
- Principios de la OCDE: directrices destinadas a promover el uso responsable y fiable de la IA.
- Recomendación de la UNESCO: marco ético concebido para orientar la formulación de políticas nacionales.
- Propuestas regionales: la Unión Europea desarrolla un reglamento basado en la gestión del riesgo y en exigencias de transparencia y seguridad.
Estas iniciativas muestran la combinación de normas no vinculantes y propuestas legislativas concretas que avanzan en distintos ritmos.
La gobernanza internacional de la IA es un entramado dinámico que debe integrar exigencias técnicas, valores democráticos y realidades geopolíticas. Las soluciones efectivas requieren marcos normativos claros, capacidades de verificación creíbles y mecanismos
