por Data Género| 18 de Junio de 2026
Tiempo de lectura: 8 minutos
VX viene abriendo una conversación necesaria sobre qué desarrollo quiere la Argentina y con qué capacidades productivas y tecnológicas va a sostenerlo. Desde DataGénero queremos entrar en esa conversación no con una advertencia -tono con el que suelen tener textos como este- sino con una propuesta concreta. La Argentina ya tiene, a pequeña escala, un desarrollo nacional en inteligencia artificial que funciona, que es soberano, descentralizado y por ende con mucho potencial de expansión. Se llama AymurAI1, nació del trabajo conjunto entre la sociedad civil, la academia, el Estado y el financiamiento internacional, y es un proyecto que propone una forma de democratizar estas tecnologías, un proyecto de infraestructura pública.
Pensar AymurAI como un proyecto de infraestructura pública supone ampliar qué entendemos por infraestructura para el desarrollo. Así como históricamente si pensamos la Argentina “desarrollada” las imágenes remiten a ferrocarriles, rutas, redes eléctricas, telecomunicaciones o capacidad industrial pesada, hoy también ese desarrollo requiere construir infraestructura informacional. ¿Qué significa esto? Registros administrativos de calidad, bases de datos, sistemas estadísticos, estándares comunes, interoperabilidad y capacidades de procesamiento y almacenamiento. Los datos son parte de la infraestructura nacional que hace posible que el Estado conozca, planifique y actúe sobre su territorio y su población.
AymurAI es un proyecto que busca poner a disposición de los organismos judiciales herramientas de calidad basadas en inteligencia artificial para realizar diversas tareas para ayudar la gestión judicial. Entre ellas, se destacan la anonimización de documentos, transcripción de videos y audios a texto, estructuración de bases de datos y generación de resúmenes en lenguaje claro. Este proyecto no es una idea que nace y se ejecuta por fuera del Estado, sino que es parte de una alianza con el Juzgado PCyF N°10 de la Ciudad de Buenos Aires liderado por el juez Pablo Casas. AymurAI hoy es una herramienta que está siendo utilizada en más de veinticinco servidores del Poder Judicial argentino y también en Chile, Perú, Honduras y Costa Rica. Es una herramienta de código abierto, es decir que es auditable por cualquier persona o institución, y por ende puede ser utilizada e instalada de manera gratuita y segura por cualquier equipo técnico de instituciones públicas. A esta forma de construir tecnología la llamamos, desde hace tiempo, inteligencia artificial de uso público. Esto no debe confundirse con las licencias de uso de softwares que el Estado compra a empresas, sino la que se desarrolla con la comunidad que la va a usar, bajo reglas de transparencia y gobernanza colectiva. Eso es lo que entendemos por soberanía tecnológica: una infraestructura disponible para su auditoría, compartible entre gobiernos, que resuelve un problema público concreto, sin depender de un proveedor externo que pueda cambiar sus condiciones, discontinuar el servicio o llevarse los datos a un servidor en otro país. En palabras de Morales, Natansohn y Molina, la soberanía tecnológica exige que “las decisiones sobre la infraestructura digital, la gestión de datos y las condiciones de acceso no estén subordinadas a los intereses de corporaciones transnacionales”2 .
Esa soberanía, en nuestra experiencia, se construye sobre pilares muy concretos. El código abierto, para que cualquier equipo técnico pueda auditar lo que el sistema hace en lugar de confiar a ciegas en la palabra de quien lo vendió. El diseño participativo, para que la herramienta se construya con quienes la van a usar y no simplemente para ellas. La infraestructura local, para que los datos sensibles se procesen donde se generan, y no en la nube de una empresa que no rinde cuentas a nadie. Y la propiedad pública, para que si el Estado financia un sistema, sea el Estado -y no una empresa, ni siquiera una ONG como la nuestra- quien decida su continuidad. Sostener estos cuatro pilares a la vez es lo que permite que un poder judicial confíe en una herramienta de IA sin resignar su autonomía a cambio de “eficiencia”.
Ahora bien, nada de esto se sostiene si seguimos pensando la inteligencia artificial únicamente en la escala de los modelos gigantes que produce un puñado de empresas de Silicon Valley. Ahí está, para nosotras, la propuesta central. La Argentina -y la región- necesita invertir en modelos de lenguaje más chicos, locales, abiertos y soberanos, en lugar de correr detrás de una carrera de escala que no vamos a ganar ni necesitamos ganar. No hace falta un modelo del tamaño de los que entrena Silicon Valley para anonimizar una sentencia, clasificar un expediente, evaluar si un argumento judicial incorpora perspectiva de género u orientar a una persona que hace una consulta sobre un trámite. Hace falta un modelo bien entrenado para ese problema específico, que corra en hardware modesto, que no dependa de enviar información sensible a un servidor externo, y que pueda ser auditado y modificado por un equipo técnico local.
Esto no es una limitación que aceptamos a falta de algo mejor. Es, para nosotras, la forma correcta de pensar la infraestructura pública de IA. Competir en la escala de los modelos de frontera es innecesario y además es una trampa. Nos pone a discutir en los términos de una industria que no fue diseñada pensando en problemas como los nuestros. Un modelo chico y abierto que corre en la nube de un ministerio, o incluso en la computadora de un juzgado, cuesta una fracción de la energía y el agua que consume entrenar y operar un modelo de frontera, y permite que el conocimiento técnico para sostenerlo se acumule acá -en universidades públicas, en organismos del Estado, en organizaciones como la nuestra-. Es la misma razón por la que, desde la Red Feminista de IA de América Latina y el Caribe, de la cual formamos parte, se tomó la decisión de no financiar el desarrollo de agentes basados en modelos como ChatGPT.
Es clave también pensar en el rol de los chatbots en una sociedad donde la soledad acecha en cada esquina y estos robots vienen a reemplazar el contacto humano, la mirada sensible, la charla empática por respuestas algorítmicas, reacciones medidas con regla y una falsa ilusión de humanidad donde no la hay, creando dependencia cognitiva y emocional. En ese sentido, creemos que es más estratégico, inteligente y sensible construir modelos pequeños, locales y de código abierto que reproducir, con otro nombre, la misma dependencia que queremos superar.
Esta apuesta tiene, además, una dimensión de formación que no debería subestimarse. La Argentina forma profesionales que muchas veces terminan trabajando para (y resolviendo problemas de) otros países porque acá no hay suficiente infraestructura pública donde aplicar ese conocimiento. Invertir en modelos chicos, locales y soberanos es también una forma concreta de generar los puestos de trabajo técnico calificado que hoy se van afuera, y de que ese conocimiento se quede construyendo capacidad para el propio país.
Decimos todo esto mirando hacia dónde va la industria de la IA generativa, porque esa trayectoria es la que hace más urgente, no menos, nuestra propuesta. La industria viene consolidando una lógica extractiva -datos recolectados sin consentimiento3 , litio, agua y energía que salen en buena medida del Sur Global 4 , trabajo de etiquetado mal pago y casi invisible5 – y una concentración de poder inédita en un puñado de empresas que controlan la infraestructura material, las reglas de los modelos y buena parte de los marcos regulatorios que se discuten en el resto del mundo. América Latina, en ese mapa, aparece como territorio de extracción y de consumo. Cuanto más tiempo pasen los países latinoamericanos sin construir infraestructura propia, más va a depender de esa lógica incluso para tareas tan básicas como digitalizar un expediente o atender una consulta ciudadana.
. Esa es la pregunta que nos gustaría que la conversación sobre desarrollo empezara a hacerse de manera sistemática: qué capacidad de construir IA nos queda una vez que el proyecto piloto termina.
Por eso nos importa tanto la distinción entre adoptar tecnología y desarrollarla. Que cada vez más organismos públicos argentinos usen herramientas de IA generativa no construye, por sí solo, ninguna capacidad nacional. En todo caso, construye dependencia de quien provee esas herramientas. Lo que sí construye capacidad son modelos propios, entrenados con datos propios, operados por equipos técnicos que quedan instalados en el país después de que termina cada proyecto. Esa es la pregunta que nos gustaría que la conversación sobre desarrollo empezara a hacerse de manera sistemática: qué capacidad de construir IA nos queda una vez que el proyecto piloto termina.
Pero esa capacidad estatal tampoco empieza ni termina en desarrollar modelos. Empieza mucho antes, en la capacidad de producir conocimiento sobre la sociedad sobre la que el Estado pretende intervenir. En este sentido, producir datos con perspectiva de género también es construir capacidad estatal. Un Estado que no mide el trabajo de cuidados, las violencias, las desigualdades laborales o las diferencias en el acceso a servicios tiene una imagen incompleta de su propia sociedad. Y sobre una realidad que no se registra también se diseñan políticas incompletas. Incorporar perspectiva de género a la producción de datos es mejorar la infraestructura de conocimiento con la que el Estado diagnostica problemas, asigna recursos, evalúa políticas y decide prioridades.
Lo mismo pensamos sobre el trabajo. La IA generativa podría aumentar la productividad en ciertas tareas, y la pregunta que nos parece relevante no es si eso va a pasar, sino quién va a capturar esa ganancia. Históricamente, los avances tecnológicos fueron capitalizados por los dueños de las empresas en donde se incorpora la tecnología, hoy el beneficio parece estar solo en quienes poseen las licencias de los LLM. Cualquier estrategia de desarrollo que incorpore IA generativa a gran escala necesita incluir esta pregunta desde el diseño y a los representantes de los trabajadores en la conversación.
Por eso, además, insistimos en que la discusión ética sobre la IA no se puede reducir al sesgo algorítmico. Como plantea la investigadora Milagros Miceli 6, hablar solo de sesgos individualiza lo que en el fondo es una cuestión de poder: quién decide qué datos se recolectan, quién define qué es lo normal, quién tiene la capacidad de implementar un sistema sobre poblaciones que nunca lo eligieron, en definitiva quién define la gobernanza y la gestión de la IA.
Y por último, la regulación, que preferimos pensarla como infraestructura de confianza y no como un freno. Un país que discute qué capacidades regulatorias necesita antes de que la IA generativa esté completamente incorporada en la justicia, la salud o el trabajo está en mejores condiciones de desarrollarse que uno que discute esas reglas después de que el daño ya 7 ocurrió. Como advierte Sofía Scasserra 7 , en la mayoría de los países de América Latina todavía no existen leyes específicas sobre riesgos de IA ni organismos con capacidad real de auditar algoritmos. Construir esa capacidad regulatoria nos parece tan parte del desarrollo tecnológico como entrenar un modelo. En el relevamiento que hicimos desde DataGénero sobre los proyectos presentados en el Congreso argentino encontramos un problema recurrente: muchas iniciativas enuncian principios valiosos -transparencia, equidad, privacidad, no discriminación, responsabilidad- pero dejan débiles o indefinidos los mecanismos que deberían volverlos efectivos. Regular la IA requiere capacidad estatal concreta. Autoridades de aplicación con competencias reales, evaluaciones de impacto y sistemas de clasificación de riesgos, posibilidad de auditar sistemas, obligaciones diferenciadas según el daño potencial y sanciones cuando las reglas se incumplen. También requiere incorporar a la sociedad civil, la academia y otros actores especializados en las instancias de seguimiento y asesoramiento. Una regulación que solo enumera principios corre el riesgo de llegar tarde o de no poder intervenir; una que construye instituciones capaces de hacerlos cumplir también construye soberanía.
Si tuviéramos que resumir la propuesta en una palabra, elegiríamos capacidad real. La pregunta por el desarrollo no debería ser cuánto de la última tecnología logramos incorporar, sino qué capacidades quedan en el país después de hacerlo. Si quedan equipos que saben desarrollar y auditar modelos, infraestructura pública para procesar datos, mejores sistemas de información, instituciones capaces de regular y conocimiento que pueda reutilizarse para resolver nuevos problemas, entonces hay desarrollo. Si cada nueva herramienta exige solo importar licencias e infraestructura, la modernización tecnológica puede avanzar al mismo tiempo que aumenta la dependencia. Y aquí está la discusión que vale la pena dar. ¿Queremos ser apenas una colonia bien interconectada, de la que se extraen recursos naturales, datos y profesionales? ¿O queremos definir nuestros propios propósitos: desarrollar tecnología para alcanzarlos, generar condiciones para que los profesionales que formamos se queden en el país, resguardar nuestros datos y decidir estratégicamente qué vendemos y a quiénes compramos infraestructura? En definitiva, se trata de decidir qué lugar queremos ocupar en el mundo que estamos construyendo.
1Aymoray o aymuray en quechua es un término vinculado a la época de cosecha.
2 Morales, Susana; Natansohn, Leonor Graciela & Molina, Silvina (2025). Tecnopolíticas feministas: resistencias digitales, justicia de datos y soberanía tecnológica en América Latina. Signo y Pensamiento, 44.
3Sobre este tema en particular el Manifiesto del colectivo Arte Es Ética indaga y explica en español la importancia de pensar en las lógicas extractivistas detrás de la IA https://arteesetica.org/
4 https://anatomyof.ai/
5 La académica Milagros Miceli trabaja hace muchos años sobre este punto, se puede leer más sobre su investigación en https://data-workers.org/how-to-dwi/
6 Milagros Miceli, Julian Posada, and Tianling Yang. 2022. Studying Up Machine Learning Data: Why Talk About Bias When We Mean Power? Proc. ACM Hum.-Comput. Interact. 6, GROUP, Article 34 (January 2022), 14 pages. https://doi.org/10.1145/3492853
7 Scasserra, Sofía (2023). Debates globales en Inteligencia Artificial y el rol de Argentina. Question/Cuestión, Vol. 3 N° 76, UNLP.