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 escenario multilateral se debate la formulación de reglas obligatorias relacionadas con SALA (sistemas de armas letales autónomas) y la implementación de mecanismos de verificación destinados a impedir su proliferación.
Privacidad, vigilancia y protección de los derechos humanos
La IA plantea retos para derechos civiles y libertades públicas:
- Reconocimiento facial y vigilancia masiva: riesgo de erosión de la privacidad y discriminación. Varios países y la Unión Europea estudian restricciones o moratorias para usos masivos.
- Protección de datos: gobernanza del uso de grandes volúmenes de datos para entrenar modelos, consentimiento, minimización y anonimización.
- Libertad de expresión e información: moderación automatizada, generación de desinformación y deepfakes que afectan procesos democráticos.
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.
Promoción de la igualdad, rechazo a la discriminación e impulso de la inclusión
Los modelos pueden reproducir o amplificar sesgos existentes si los datos de entrenamiento no son representativos:
- Discriminación algorítmica: evaluaciones independientes, métricas de equidad y mecanismos de reparación.
- Acceso y desigualdad global: riesgo de concentración de capacidad tecnológica en pocos países o empresas; necesidad de transferencia de tecnología y cooperación para capacidades locales.
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.
Transparencia, explicabilidad y trazabilidad
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.
la propuesta legislativa de la Unión Europea organiza los sistemas por niveles de riesgo y requiere que se entregue documentación exhaustiva para aquellos que se catalogan como 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 prevé sanciones ajustadas a la gravedad, incluidas multas de gran envergadura ante incumplimientos en sistemas clasificados como de alto riesgo.
Propiedad intelectual y acceso a 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, mercado laboral y dinámica competitiva
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: variantes regulatorias incluyen incentivos fiscales para inversiones en capacitación y cláusulas en contratos públicos que favorezcan proveedores locales.
Sostenibilidad ambiental
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: diversos análisis han puesto de manifiesto que entrenar modelos de lenguaje de manera intensiva puede llegar a producir emisiones comparables a decenas o incluso cientos de toneladas de CO2 cuando el proceso no se optimiza adecuadamente.
Normas técnicas, estándares y interoperabilidad
La adopción de estándares promueve mayor seguridad, confianza y dinamiza el comercio:
- Marco de normalización: elaboración de estándares técnicos internacionales que abordan la solidez, las interfaces y los formatos de datos.
- Interoperabilidad: asegurar que distintos sistemas puedan colaborar manteniendo niveles adecuados de seguridad y privacidad.
- Rol de organismos internacionales: OCDE, UNESCO, ONU, ISO y diversos foros regionales intervienen en la coordinación y armonización regulatoria.
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 varían entre instrumentos vinculantes y enfoques flexibles:
- Regulación vinculante: leyes nacionales y regionales que imponen obligaciones y sanciones (ejemplo: propuesta de ley en la Unión Europea).
- Autorregulación y códigos de conducta: guías emitidas por empresas y asociaciones que pueden ser más ágiles pero menos exigentes.
- Herramientas de cumplimiento: evaluaciones de impacto, auditorías independientes, etiquetas de conformidad, y entornos experimentales regulatorios para probar políticas.
Gobernanza democrática y participación de la ciudadanía
La legitimidad de las reglas depende de la inclusión:
- Procesos participativos: consultas públicas, comités de ética y representación de comunidades afectadas.
- Educación y alfabetización digital: para que la ciudadanía entienda riesgos y participe en 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 búsqueda por liderar la IA conlleva riesgos de fragmentación:
- Competencia tecnológica: estrategias de inversión, apoyos estatales y pactos que podrían originar ecosistemas tecnológicos separados.
- Normas divergentes: marcos regulatorios distintos (desde posturas más estrictas hasta otras más flexibles) influyen en el comercio y en la colaboración global.
Resultado: la gobernanza global intenta conciliar la armonización regulatoria con la autonomía tecnológica.
Iniciativas y menciones multilaterales
Existen varias iniciativas que sirven de marco de referencia:
- Principios de la OCDE: lineamientos orientadores sobre la IA confiable.
- Recomendación de la UNESCO: marco ético para orientar políticas nacionales.
- Propuestas regionales: la Unión Europea impulsa un reglamento centrado en riesgo y obligaciones 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
