Sobre la asimetría Norte/Sur en la IA generativa como infraestructura cultural

Cuando un sistema de IA generativa recibe el encargo de representar “una ciudad” sin más calificativos, lo que produce no es una ciudad genérica. Es una ciudad con rasgos arquitectónicos identificables: rascacielos de cristal, plazas con fuentes ornamentales, calles asfaltadas con líneas pintadas, mobiliario urbano de estilo europeo o norteamericano. La “neutralidad” del prompt activa, por defecto, un imaginario cultural específico. Cuando al mismo sistema se le pide representar Yakarta, Lagos o Lima, suele insertar elementos arquitectónicos occidentales en el resultado, como si lo no-occidental fuera variación sobre un fondo cuya naturaleza es occidental.

Este texto examina esa operación, sus mecanismos materiales y sus consecuencias. Mi tesis es que la asimetría Norte/Sur en la IA generativa no es un problema de “falta de diversidad” en los datos de entrenamiento —formulación dominante en los informes institucionales actuales que, aunque correcta en lo descriptivo, es analíticamente débil—. Es algo más estructural: la presencia activa de una arquitectura específica de poder cultural que opera bajo el lenguaje de la neutralidad técnica. Y constituye, hoy, la forma más eficiente de hegemonía cultural que la historia humana ha producido, precisamente porque presenta su sesgo no como sesgo sino como universalidad sin marca.

Este es el cuarto texto de una serie sobre infraestructuras digitales que vengo desarrollando en este Cuaderno público. En Tecnología de masas y consumo ético sostuve que la responsabilidad por la sostenibilidad digital es estructural, no individual. En Cuando el marco pinta el cuadro mostré cómo la infraestructura institucional produce la experiencia artística más que limitarse a influirla. En El precio del modelo argumenté que lo que ocurre con el trabajo cultural bajo la IA generativa es desplazamiento del valor, no fragmentación del trabajo. Aquí extiendo el argumento a su dimensión geográfica y colonial: si las infraestructuras de IA generativa configuran activamente la producción y la experiencia cultural, la pregunta inmediata es quién las configura, desde dónde, sobre qué materiales y con qué consecuencias para los territorios excluidos del proceso.

1. Lo que “la no neutralidad” oculta

El Informe del Grupo de Expertos Independientes sobre Inteligencia Artificial y Cultura de la UNESCO (2025) abre con una afirmación que aparenta sobriedad y esconde un eufemismo: los algoritmos de IA “no son culturalmente neutrales”. La fórmula es correcta y, sin embargo, problemática. Decir que no son neutrales sugiere que podrían serlo si se corrigieran los sesgos. Sugiere que la neutralidad es el horizonte y la parcialidad el desvío. Sugiere que el problema es técnico, susceptible de ajuste.

La descripción más precisa es la opuesta. Los sistemas de IA generativa no fallan en ser neutrales: están construidos sobre una posición cultural específica que opera como neutral porque tiene el poder suficiente para hacerlo. La neutralidad no es un horizonte al que el sistema podría aproximarse mejorando datos; es el efecto político que produce la posición hegemónica cuando se presenta a sí misma como ausencia de posición.

Esto no es matiz académico. Cambia radicalmente la pregunta operativa. Si el problema es “los modelos no son neutrales”, la respuesta razonable es “hagamos los modelos más neutrales mediante datasets más diversos”. Si el problema es “los modelos tienen una posición cultural específica que opera como neutral”, la respuesta razonable es muy distinta: cuestionar la operación misma por la cual una posición cultural concreta se constituye como punto cero del sentido. Las dos respuestas conducen a políticas distintas, financian proyectos distintos y producen resultados distintos.

Conviene tener este desplazamiento conceptual presente antes de mirar los datos.

2. Lo que dicen los datos

La evidencia empírica sobre asimetría cultural en la IA generativa se ha multiplicado en los últimos dos años y converge en un patrón inequívoco. Cinco hallazgos son particularmente relevantes.

Composición lingüística del entrenamiento. Hugging Face, desarrollador de Stable Diffusion, ha reconocido que la «gran mayoría» de sus datos de entrenamiento está en inglés. Los modelos abiertos LLaMA 2 y Mistral rinden significativamente peor en idiomas como el igbo nigeriano o el kazajo que en lenguas mayoritarias —no por limitación arquitectónica del modelo, sino por escasez relativa de datos disponibles en esas lenguas dentro del corpus de entrenamiento—. Las lenguas mayoritarias del mundo en términos de hablantes —mandarín, hindi, español, árabe, bengalí— están sistemáticamente subrepresentadas en proporción a su peso demográfico real, y muy por debajo del peso del inglés en los datasets. La distribución no refleja distribución poblacional ni distribución cultural: refleja distribución del contenido digitalizado disponible bajo licencias compatibles con la extracción masiva.

Sesgos demográficos en outputs. Un análisis sistemático de imágenes generadas por Midjourney encontró que solo el 23% de las personas representadas son mujeres y solo el 9% son personas de ascendencia africana. Estas cifras no reflejan distribución poblacional real ni distribución demográfica de los contenidos disponibles online. Reflejan la composición específica del corpus de entrenamiento, que privilegia ciertos tipos de obra, ciertas estéticas y ciertas representaciones por encima de otras. El modelo no produce un mundo: produce un mundo específico que se presenta como mundo.

Estereotipos nacionales. Un estudio publicado en Rest of World sobre tres mil imágenes generadas por Midjourney con prompts adaptados a distintos países documentó patrones inequívocos: «un indio» aparece casi siempre como hombre mayor con barba; «una persona mexicana» frecuentemente como hombre con sombrero; los paisajes urbanos de Nueva Delhi aparecen sistemáticamente «sucios»; la comida de Indonesia se representa casi siempre sobre hojas de plátano. El sistema no representa la complejidad y heterogeneidad de estas culturas: las aplana en estereotipos concretos que circulan en los corpus occidentales sobre esos lugares. La IA generativa no inventa estos estereotipos. Los reproduce, amplifica y normaliza a escala que las representaciones humanas previas nunca habían alcanzado.

Diferencias culturales entre modelos. Un estudio comparativo entre GPT, modelo de OpenAI, y ERNIE, modelo desarrollado por Baidu en China, encontró que las mismas preguntas planteadas en inglés y en chino respectivamente producen respuestas marcadamente distintas. En inglés, los modelos tienden a enfatizar orientación individualista; en chino, orientación colectiva. Esto no es defecto de los modelos: es la huella de los corpus sobre los que fueron entrenados, que reflejan los contextos culturales en los que esos corpus fueron producidos. La consecuencia operativa importa: la IA generativa no es un sistema único con sesgos; es múltiples sistemas, cada uno con su propia configuración cultural, presentándose simultáneamente como universales en sus respectivos mercados.

Sesgos en representaciones especializadas. Un trabajo publicado en npj Digital Medicine en 2025 documenta que los generadores de imágenes producen retratos de pacientes con enfermedades específicas que sobrerrepresentan personas blancas de peso normal, en proporciones desproporcionadas respecto a la distribución epidemiológica real de esas enfermedades en la población. Esto no es problema cosmético: cuando estos sistemas se incorporan a flujos educativos, materiales clínicos o herramientas de comunicación médica, propagan un imaginario específico de «paciente normal» que tiene consecuencias materiales sobre cómo se reconoce o no se reconoce la enfermedad en cuerpos racializados o con corporalidades distintas de la norma representada.

Los cinco hallazgos no son aspectos independientes. Forman patrón. El patrón es la operación sistemática mediante la cual una configuración cultural específica —predominantemente angloamericana, masculina, blanca, de clase media urbana— se presenta como punto cero desde el cual se mide todo lo demás. Lo que está fuera de esa configuración aparece como diferencia respecto a la norma, no como configuración cultural en pie de igualdad.

3. Hegemonía algorítmica no es accidente

Conviene examinar por qué la composición de los corpus es la que es. Hay tres razones materiales que importan, porque cambian dónde está la intervención posible.

Primera. Disponibilidad digital diferencial. No todas las culturas, lenguas y producciones del mundo tienen el mismo grado de digitalización. El idioma inglés cuenta con siglos de producción textual digitalizada por proyectos masivos (Project Gutenberg, archivos universitarios anglosajones, prensa digitalizada extensivamente). Las lenguas mayoritarias del Sur global cuentan con corpus mucho menores en proporción a su número de hablantes. Las lenguas minoritarias y especialmente las lenguas orales sin tradición escrita extensa son virtualmente invisibles para los procesos de raspado de datos en los que se basan los modelos actuales. La digitalización del mundo no es uniforme; es producto de inversiones históricas específicas, de instituciones que decidieron qué archivar y qué no, de marcos jurídicos que permitieron o impidieron la extracción.

Segunda. Acceso bajo licencia compatible. Aun cuando exista contenido digitalizado, no todo está disponible bajo condiciones que permitan su incorporación a datasets de entrenamiento. La doctrina del «fair use» estadounidense ha funcionado de facto como permiso amplio para extracción masiva de contenidos publicados en internet. Otras jurisdicciones —la Unión Europea, varios países del Sur global— mantienen marcos más restrictivos. El efecto operativo de esta asimetría jurídica es perverso: cuanto más permisivo es el marco jurídico de un país respecto a la extracción, más contenidos de ese país acaban en los corpus de entrenamiento; cuanto más protector, menos. La protección legal de la producción cultural propia se traduce, paradójicamente, en exclusión del horizonte algorítmico.

Tercera. Localización geográfica del desarrollo. Las empresas que desarrollan los modelos generativos de uso masivo están localizadas en pocos países y ciudades: San Francisco, Seattle, Pekín, Hangzhou, algunos enclaves europeos. Sus equipos de desarrollo, evaluación, ajuste fino y testeo operan desde esas geografías. Las decisiones sobre qué incluir, qué excluir, qué etiquetar como problemático, qué ajustar mediante refuerzo humano, se toman desde esos contextos. Aun cuando exista voluntad explícita de incorporar diversidad cultural —como ha sido el caso en varias iniciativas recientes—, el horizonte desde el que se evalúa qué es diverso, qué es representativo, qué es ofensivo, sigue estando localizado culturalmente. La diversidad incorporada bajo evaluación occidental sigue siendo, en última instancia, diversidad legitimada por una mirada occidental.

Estas tres razones no son neutrales entre sí. Se refuerzan. La digitalización desigual produce corpus desiguales. Los corpus desiguales operados desde geografías específicas producen modelos con sesgos específicos. Los modelos con sesgos específicos se presentan como neutrales en mercados globales. Los mercados globales asimilan esos sesgos como nuevo punto cero. Los próximos corpus, alimentados parcialmente por outputs de los modelos actuales, incorporan ese punto cero ya consolidado. El ciclo se cierra.

Llamar a esto «sesgo» subestima lo que está ocurriendo. «Sesgo» sugiere desviación corregible respecto a un eje neutro. Lo que ocurre con la IA generativa es construcción activa del eje. No es un sistema sesgado: es un sistema que produce, a escala global y a velocidad sin precedentes, un eje cultural específico que después se reconoce a sí mismo como universal.

4. Por qué importa: brecha doble, no aditiva

Las consecuencias de esta asimetría operan sobre dos planos que no se suman aritméticamente, sino que se multiplican.

Plano económico. Los datos de UNESCO documentan que la mayoría de los beneficios del comercio cultural global están concentrados en pocos países de renta alta. Aunque los países del Sur global duplicaron sus exportaciones de bienes culturales en años recientes, siguen representando poco más del 20% en servicios culturales digitales. La proyección de caída del 24% en ingresos de creadores musicales para 2028 que recogí en El precio del modelo no se distribuye uniformemente entre todos los creadores del mundo. Cae con más fuerza sobre las economías más vulnerables, sobre los creadores con menor capacidad de negociación colectiva, sobre los sectores culturales con infraestructura institucional más débil. Los creadores del Sur ya partían en desventaja en el mercado cultural global; la IA generativa amplifica esa desventaja en lugar de corregirla.

Plano simbólico. Aquí el desplazamiento es más insidioso. Jill Walker Rettberg, en Issues in Science and Technology (2024), advierte que sin intervenciones específicas la IA generativa tenderá a «reducir la diversidad cultural», uniformando la expresión humana según patrones predominantemente estadounidenses incorporados en los corpus. Pone el ejemplo del cuento noruego Cardamom Town, narrativa local con tradición específica, que podría quedar sepultado si los chatbots empiezan a regar sus respuestas con narrativas estadounidenses homogeneizadas. Multiplicado a escala global, esto significa la pérdida progresiva de patrimonio narrativo, estético y simbólico no por destrucción material —los archivos no desaparecen— sino por invisibilización algorítmica. Lo que la IA no reproduce, deja de circular. Lo que deja de circular, se atrofia. Lo que se atrofia durante una generación, se vuelve irrecuperable como referencia viva, aunque permanezca como objeto de archivo.

La multiplicación entre los dos planos opera así. Un creador del Sur global tiene menor visibilidad en el mercado generativo dominante porque la estética de su tradición no es la estética que el modelo reproduce con fluidez. Esto reduce su acceso económico al circuito global. La menor presencia económica reduce su capacidad de presión sobre las plataformas, todas ellas operadas desde jurisdicciones lejanas. La menor presión política reduce las probabilidades de que las plataformas inviertan en mejorar la representación de su tradición. La menor inversión perpetúa la asimetría en el corpus. Y así sucesivamente.

No es un círculo vicioso simétrico. Es una espiral. Cada vuelta agrava la asimetría de la anterior. Y opera en plazos cortos: lo que para los procesos culturales históricos tardaba décadas o siglos, en el régimen actual ocurre en meses.

5. El lenguaje de la diversidad no basta

El documento de UNESCO al que vengo refiriéndome propone medidas razonables: datos culturales como bien común, plurilingüismo, transparencia en datasets, colaboración internacional. Estas propuestas operan en la dirección correcta. Pero su lenguaje —el lenguaje de la «diversidad cultural» como bien que debe protegerse— tiene una limitación analítica importante que conviene nombrar.

El marco de la diversidad presupone que la cuestión es aditiva: que el problema es la falta de presencia de tradiciones culturales no dominantes en los sistemas, y que la solución pasa por añadir esas tradiciones al corpus existente. Esto produce políticas tipo cuota: x% de obra en lenguas minoritarias, y% de representaciones diversas, z% de contenidos del Sur global. Las políticas son mejores que su ausencia. Pero no tocan el problema central.

El problema central no es que falten contenidos diversos. Es que la arquitectura entera del sistema —desde la elección de qué datos extraer hasta cómo se evalúan los outputs, pasando por qué constituye «buena calidad» en un modelo— está construida desde una posición específica. Añadir contenidos diversos al corpus sin cuestionar la posición desde la cual se evalúan esos contenidos produce «diversidad asimilada»: tradiciones no dominantes incorporadas al sistema bajo los criterios de evaluación del sistema mismo. Es inclusión sin transformación de la regla de inclusión.

Para ilustrar el problema: incluir poesía en quechua en los corpus de entrenamiento de un modelo grande mejora cuantitativamente la representación lingüística. Pero si los criterios mediante los cuales el modelo aprende a generar «buena poesía» están entrenados sobre tradición occidental —escansión silábica, rima, métrica, géneros canónicos de la poesía europea—, el modelo aprenderá a generar lo que parece poesía en quechua según los criterios estéticos del castellano o del inglés. La diversidad de la lengua se incorpora; la diversidad del régimen estético no. El resultado es asimilación tecnificada: poesía quechua aparente, evaluada desde fuera de la tradición que la nombra.

Resolver esto requiere algo distinto a aumentar la diversidad. Requiere cuestionar la arquitectura de evaluación misma. Y eso es trabajo conceptual y político, no técnico.

6. Lo que sí están haciendo, y dónde están sus límites

Hay iniciativas reales que intentan abordar el problema desde posiciones no occidentales. Conviene mencionarlas con honestidad: ni para idealizarlas ni para minimizarlas.

Masakhane es una comunidad de investigación distribuida por África que trabaja en procesamiento de lenguaje natural para lenguas africanas. Reúne investigadores en Sudáfrica, Nigeria, Kenia, Ghana, Senegal y otros países, desarrolla datasets en lenguas como yoruba, igbo, suajili, amhárico, y publica trabajos en venues académicos internacionales. Es una de las iniciativas más sólidas del Sur global en este campo.

Te Hiku Media en Aotearoa-Nueva Zelanda ha desarrollado sistemas de reconocimiento de voz para te reo māori bajo principios explícitos de soberanía de datos indígena. Su modelo de gobernanza —los datos pertenecen a la comunidad māori y no pueden ser usados sin su consentimiento— es referencia internacional sobre cómo se puede hacer IA respetando estructuras de poder cultural distintas a las hegemónicas.

Ai4D y Lelapa AI son iniciativas africanas que trabajan en infraestructura de IA pensada desde y para contextos africanos, con financiación pública internacional y privada local.

Latin American hubs. Distintos esfuerzos en Argentina, Brasil, México, Colombia y Chile trabajan en evaluación de sesgos lingüísticos del español de América y portugués brasileño en modelos grandes, así como en desarrollo de corpus de lenguas indígenas latinoamericanas.

Estas iniciativas son importantes y merecen ser conocidas. Pero también es honesto reconocer sus límites estructurales. Todas operan con presupuestos pequeños comparados con las grandes corporaciones de IA, con dependencia parcial de financiación que se origina en el Norte, con infraestructura computacional alquilada a las mismas empresas cuya hegemonía intentan contrapesar, y con publicación en venues académicos cuyos criterios de evaluación están localizados en el mismo eje cultural que el problema. Estas son condiciones materiales reales que no se resuelven con voluntarismo.

La intervención seria al problema de la asimetría Norte/Sur en IA generativa requiere algo que estas iniciativas, por sólidas que sean, no pueden hacer solas: cambiar la economía política de la infraestructura computacional global. Es decir, cambiar quién controla los recursos de cómputo a gran escala, quién define los estándares técnicos, quién financia la investigación, quién captura la renta. Sin esa transformación de fondo, las iniciativas del Sur operan como acción de retaguardia: necesaria, valiosa, pero estructuralmente insuficiente para revertir la asimetría.

7. La consolidación de 2026: el poder se concentra mientras se discute la diversidad

Mientras la conversación pública sobre IA y cultura ha avanzado en el lenguaje de la diversidad y la representación, el mercado real ha consolidado su arquitectura en una dirección que conviene mirar con precisión. Cuatro datos de 2026 son particularmente reveladores.

OpenAI cerró el 31 de marzo de 2026 una ronda de financiación de 122.000 mil millones de dólares, presentándola como palanca para infraestructura computacional, distribución y servicios de despliegue. El 11 de mayo lanzó OpenAI Deployment Company, una división específica para meter equipos de implementación en clientes empresariales, y declaró superar el millón de empresas usuarias de sus productos. Anthropic destinó 100 millones de dólares en marzo de 2026 a su red de partners. Microsoft anunció el 9 de marzo la disponibilidad general de su plataforma de agentes empresariales; Google empujó en abril su Gemini Enterprise Agent Platform. La señal no es solo de inversión: es de consolidación del control sobre la capa de despliegue, gobierno y operación de los sistemas a escala global.

Europa ha aterrizado simultáneamente su agenda regulatoria y de capacidad industrial. La Comisión Europea anunció en abril de 2026 que ya operan 19 AI factories en el continente, con gigafactories en preparación. El AI Act inicia su enforcement el 2 de agosto de 2026; las obligaciones sobre modelos de propósito general entraron en vigor un año antes. Es voluntad regulatoria real, sin precedente en otras jurisdicciones a esta escala.

Lo importante aquí, para el argumento de este texto, es lo que estos datos revelan en su superposición geográfica. La concentración del poder de despliegue, distribución y operación a escala se está produciendo en los mismos polos que ya dominaban el corpus: Estados Unidos primero, China después, Europa en una posición ambivalente —capacidad regulatoria fuerte, capacidad industrial intermedia, dependencia infraestructural alta—. El Sur global no figura en estas cifras de consolidación, ni como sede, ni como actor de despliegue masivo, ni como agente de gobierno. Las iniciativas mencionadas en la sección anterior —Masakhane, Te Hiku Media, Lelapa AI— operan en otro plano de magnitudes.

La consecuencia es que mientras los marcos internacionales discuten cómo asegurar la «diversidad cultural» en los sistemas de IA generativa, el poder material para definir qué se considera buena IA, qué se considera despliegue responsable, qué se considera gobernanza efectiva, se está concentrando en muy pocos actores geográficamente localizados. La diversidad se discute; la infraestructura se construye. Y la infraestructura se construye más rápido y con más recursos que la discusión.

Esto no es contradicción aparente: es la mecánica concreta por la cual la hegemonía se reproduce en sistemas digitales. No mediante imposición política directa. Mediante velocidad de despliegue, escala de inversión y captura del cuello de botella operativo, mientras la conversación sobre alternativas avanza a otra cadencia, con otros presupuestos y desde otras geografías.

8. La pregunta operativa: quién, desde dónde, sobre qué

Reformulo la pregunta que el título de este texto plantea: quién entrena el mundo. Si la asimetría Norte/Sur en IA generativa no es accidente corregible mediante ajustes técnicos, sino arquitectura activa de poder cultural, entonces la pregunta operativa se descompone en tres preguntas concretas que cualquier política pública seria sobre esta materia debería responder.

Primera. Quién decide qué entra en los corpus de entrenamiento. Hoy la respuesta es: los equipos técnicos de las empresas que desarrollan los modelos, sin obligación generalizada de transparencia sobre los criterios aplicados ni consentimiento de las comunidades cuyas producciones culturales son incorporadas. Esto es insostenible. Una infraestructura de IA generativa responsable exigiría: transparencia obligatoria sobre composición geográfica, lingüística y cultural de los corpus; mecanismos efectivos de consentimiento por parte de las comunidades cuyas producciones se incorporan; auditorías independientes sobre la representación cultural en los outputs.

Segunda. Desde dónde se evalúan los outputs. Hoy, los procesos de «refinamiento mediante feedback humano» —que ajustan los modelos después del entrenamiento inicial para hacerlos más útiles, seguros y aceptables— operan principalmente desde geografías localizadas, con personal contratado en contextos específicos, según criterios definidos por equipos que no son culturalmente representativos del público global del modelo. Esto debería cambiar: los procesos de evaluación deberían incluir, de forma estructural y no decorativa, agentes culturales situados en las geografías cuya representación está en juego, con capacidad real de modificar criterios y no solo de aprobar resultados.

Tercera. Sobre qué materiales se opera y cómo se distribuye su renta. Esto conecta directamente con el argumento de El precio del modelo. Si los corpus de entrenamiento incluyen producción cultural del Sur global —y lo hacen, aunque de forma fragmentaria—, los marcos jurídicos y económicos deben asegurar que la renta resultante regrese, en parte significativa, a las comunidades cuyas producciones permitieron entrenar el modelo. Hoy esto no ocurre prácticamente en absoluto. La extracción es gratuita; la explotación, privada.

Estas tres líneas de intervención no son novedosas. Distintas instituciones, desde UNESCO hasta organizaciones de la sociedad civil del Sur global, las han venido articulando con mayor o menor precisión. Lo que falta no es diagnóstico. Lo que falta es voluntad política internacional para imponerlas, y esa voluntad solo emergerá si los costes simbólicos y políticos de no hacerlo se vuelven más altos que los costes económicos de hacerlo. Mientras la conversación pública sobre IA siga reducida a debate sobre «sesgos» y «diversidad» sin tocar la cuestión estructural de quién posee y controla la infraestructura, esos costes simbólicos no aumentarán lo suficiente.

9. Conclusión

Tres conclusiones se siguen del análisis.

La primera es descriptiva. La asimetría Norte/Sur en la IA generativa no es problema de falta de diversidad en los datos, ni accidente corregible mediante ajustes técnicos. Es la operación activa por la cual una configuración cultural específica —predominantemente angloamericana— se constituye como punto cero del sentido en sistemas que se presentan como universales. La consolidación industrial de 2026 —rondas masivas de inversión, plataformas empresariales de agentes, concentración del despliegue en muy pocos actores— refuerza esta operación material en lugar de contrarrestarla. La hegemonía no opera bajo el nombre de hegemonía: opera bajo el nombre de neutralidad. Esto es históricamente nuevo en cuanto a escala y velocidad, aunque conceptualmente continúa la lógica del orden cultural colonial bajo nuevos medios.

La segunda es metodológica. El lenguaje institucional de la «diversidad cultural» que dominan los marcos UNESCO y las políticas internacionales actuales es necesario pero insuficiente. Presupone que el problema es aditivo —faltan contenidos diversos— cuando en realidad es estructural —la arquitectura entera del sistema está construida desde una posición específica que se reproduce a sí misma incluso cuando incorpora contenidos diversos—. Sin desplazar el marco conceptual del problema, las políticas resultantes producirán inclusión asimilada, no transformación.

La tercera es ética. La responsabilidad por la asimetría cultural en la IA generativa no es del creador del Sur global que decide usar herramientas occidentales por ausencia de alternativa, ni de la comunidad cuya producción es asimilada sin consentimiento, ni del estado del Sur que no tiene infraestructura computacional suficiente para construir alternativas propias. Es de los actores que diseñan, financian y operan las infraestructuras desde geografías específicas con capacidad real de elegir cómo hacerlo. Y, secundariamente, es del orden político internacional que permite que esos actores operen sin obligaciones efectivas de reciprocidad, consentimiento o redistribución.

Quién entrena el mundo, hoy, lo entrena en imagen y semejanza de muy pocos lugares. Y el mundo entrenado tiende, por la propia mecánica del sistema, a reconocerse en esa imagen como si fuera la suya propia. Reconocer esto no es nostalgia ni resistencia identitaria. Es la condición previa para que cualquier política cultural internacional sobre IA generativa tenga sentido. Mientras la conversación pública siga atrapada en el lenguaje de los sesgos corregibles y la diversidad aditiva, las decisiones que de verdad mueven la aguja —quién posee la infraestructura, quién captura la renta, quién define los criterios de evaluación, quién decide qué se incorpora y qué se excluye— se seguirán tomando lejos de los territorios cuya cultura se está reorganizando.

Sobre la conversación abierta

Este texto cierra, por ahora, una serie de cuatro piezas sobre infraestructuras digitales que vengo desarrollando en este Cuaderno público: sostenibilidad y consumo ético, validación institucional y experiencia artística, desplazamiento del valor en el trabajo cultural, y ahora distribución geográfica del poder cultural en la era de la IA generativa. Las cuatro comparten una misma tesis de fondo: en los sistemas digitales contemporáneos, lo decisivo no es la conducta individual sino el diseño infraestructural, y la responsabilidad ética por sus consecuencias se distribuye proporcionalmente al poder de quienes diseñan, financian y operan esos sistemas.

Si alguien quiere intervenir desde los estudios poscoloniales, la economía política de la cultura, los estudios sobre IA, los proyectos del Sur global que aquí menciono, o cualquier otra perspectiva relevante, este cuaderno sigue abierto.

Fuentes

UNESCO. Report of the Independent Expert Group on Artificial Intelligence and Culture. UNESCO, 2025. https://www.unesco.org/sites/default/files/medias/fichiers/2025/09/CULTAI_Report%20of%20the%20Independent%20Expert%20Group%20on%20Artificial%20Intelligence%20and%20Culture%20(final%20online%20version)%201.pdf

UNESCO. «A new expert report explores how AI is transforming culture». UNESCO, noviembre de 2025. https://www.unesco.org/en/articles/new-expert-report-explores-how-ai-transforming-culture

Creatives Unite. «AI set to slash creators’ revenues by up to 24% by 2028, UNESCO warns». 2025. https://creativesunite.eu/article/ai-set-to-slash-creators-revenues-by-up-to-by-unesco-warns

Algorithm Watch. «Cultural Hegemony: How Generative AI Systems Reinforce Existing Power Structures». sustAIn Magazine. https://sustain.algorithmwatch.org/en/cultural-hegemony-how-generative-ai-systems-reinforce-existing-power-structures/

MIT Sloan. «Generative AI isn’t culturally neutral, research finds». MIT Sloan Ideas Made to Matter, 2024. https://mitsloan.mit.edu/ideas-made-to-matter/generative-ai-isnt-culturally-neutral-research-finds

Rest of World. «Generative AI like Midjourney creates images full of stereotypes». 2023. https://restofworld.org/2023/ai-image-stereotypes/

Rettberg, Jill Walker. «How Generative AI Endangers Cultural Narratives». Issues in Science and Technology, 2024. https://issues.org/generative-ai-cultural-narratives-rettberg/

npj Digital Medicine. «Demographic inaccuracies and biases in the depiction of patients by artificial intelligence text-to-image generators». 2025. https://www.nature.com/articles/s41746-025-01817-6

Foro Económico Mundial. «Cómo el Sur Global está reimaginando el futuro de la IA». 2026. https://es.weforum.org/stories/2026/02/como-el-sur-global-esta-reimaginando-el-futuro-de-la-ia/

CulturaLAB. «Inteligencia artificial y cultura». 2025. https://culturalab.es/inteligencia-artificial-y-cultura/

Masakhane. Sitio del proyecto. https://www.masakhane.io/

Te Hiku Media. Información sobre el proyecto de IA en te reo māori. https://tehiku.nz/te-hiku-tech/

OpenAI. Accelerating the next phase of AI. 31 de marzo de 2026. https://openai.com/index/accelerating-the-next-phase-ai/

OpenAI. Launching the Deployment Company. 11 de mayo de 2026. https://openai.com/index/openai-launches-the-deployment-company/

Anthropic. Claude Partner Network. 13 de marzo de 2026. https://www.anthropic.com/news/claude-partner-network

Microsoft. Introducing the first frontier suite built on intelligence and trust. 9 de marzo de 2026. https://blogs.microsoft.com/blog/2026/03/09/introducing-the-first-frontier-suite-built-on-intelligence-trust/

Google. Google Cloud Next ’26. 22 de abril de 2026. https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/next-2026/

Comisión Europea. AI Continent Action Plan delivers major milestones. 9 de abril de 2026. https://digital-strategy.ec.europa.eu/en/news/ai-continent-action-plan-delivers-major-milestones

Esteban Ruiz, J. A. Tecnología de masas y consumo ético. Cuaderno público en juanesteban.art, 2026.

Esteban Ruiz, J. A. Cuando el marco pinta el cuadro. Cuaderno público en juanesteban.art, 2026.

Esteban Ruiz, J. A. El precio del modelo. Cuaderno público en juanesteban.art, 2026.