Tecnología para el desarrollo

Source details

Canonical URL: Tecnología para el desarrollo

Other formats

Bibliographic details

Authors: DANIEL BJORKEGREN, JOSHUA BLUMENSTOCK
Published: December 22, 2023
DOI: https://doi.org/10.1038/s41586-022-04484-9

Resumen ejecutivo

La inteligencia artificial (IA) puede transformar las economías en desarrollo, ofreciendo ventajas como focalización de ayudas y acceso a enseñanza y consultas médicas adaptadas, pero implica riesgos de inestabilidad, información errónea y vigilancia.
No basta con desplegar tecnologías existentes: se requieren iniciativas de innovación y adaptación a escala local para que las soluciones basadas en IA funcionen en contextos sociales e institucionales concretos.
Autores: DANIEL BJÖRKEGREN y JOSHUA BLUMENSTOCK. Fecha: Diciembre de 2023.

Aplicaciones y hallazgos empíricos

Togo — focalización de transferencias durante la pandemia de COVID-19:
- Se adaptó tecnología de aprendizaje automático originalmente concebida para focalizar anuncios en línea para identificar a los habitantes más pobres.
- Datos utilizados: imágenes satelitales y datos de tecnología móvil (rasgos: aldeas menos desarrolladas en imágenes aéreas; suscriptores móviles con saldos bajos).
- Complementos de implementación: sistema de distribución de pagos de dinero móvil para todos los abonados, adaptación del software de aprendizaje automático a transferencias de efectivo, y entrevistas a decenas de miles de beneficiarios para alinear el sistema con la definición local de pobreza.
- Nota operativa: la solución basada en IA se diseñó como temporal y su retirada gradual estaba prevista al término de la pandemia.
Kenya — microcrédito y señales de comportamiento:
- Más de una cuarta parte de los adultos ha obtenido préstamos por medio de sus teléfonos móviles.
- Uso del aprendizaje automático para determinar elegibilidad observando patrones de comportamiento de teléfonos móviles (Björkegren y Grissen, 2020).
- Riesgo de manipulación: si características como “tener más amigos en Facebook” afectan aprobación, los solicitantes pueden modificar su conducta para obtener crédito, erosionando la fiabilidad del sistema.
- Evidencia de campo (con Centro Busara): las personas aprenden y modifican su comportamiento telefónico según reglas algorítmicas; los algoritmos que anticipan estas respuestas mejoran si se ajustan mediante pruebas de concepto.
Sierra Leona — IA para docentes:
- Proyecto piloto con chatbot “TheTeacher.AI”, similar a ChatGPT pero adaptado al plan de estudios y accesible con conexiones a Internet deficientes.
- Observaciones: muchos profesores inicialmente no formulaban preguntas que generaran respuestas útiles; un grupo pequeño comenzó a usarlo regularmente para incorporar conceptos, planificación de clases y diseño de material.
- Requisito clave: entrenamiento, experimentación, y aprendizaje por prueba y error para descubrir usos prácticos.

Riesgos, barreras y limitaciones

Fiabilidad en condiciones reales:
- Los algoritmos pueden actuar bien en laboratorio pero fallar en decisiones prácticas; los beneficiarios pueden cambiar su conducta, socavando objetivos de focalización.
Barreras de comunicación y alfabetización:
- Asimilar el potencial de la IA es más difícil donde las tasas de alfabetización y aritmética elemental son más bajas y la población está menos familiarizada con datos digitales y algoritmos.
- Ejemplo: en Nairobi fue difícil explicar algoritmos simples con números negativos y fracciones; versiones más sencillas facilitaron la comprensión.
- Los sistemas de IA complejos son difíciles de entender incluso para investigadores.
Transparencia y normas locales:
- En emergencias puede aceptarse un algoritmo de “caja negra” (ej.: Togo durante COVID-19); en programas de focalización no emergentes es esencial explicar criterios de acceso.
- Diferencias culturales: en zonas rurales como Togo pocas personas expresaron preocupación por que gobierno o empresas tuvieran acceso a sus datos; sí preguntaron cómo se compartiría la información con vecinos.
Desinformación y confianza:
- La IA puede generar fotos absolutamente falsas y llamadas robotizadas que imitan voces, lo que afecta la confianza en la información en línea y exige educación incluso en zonas remotas.
Infraestructura digital y del conocimiento:
- Las soluciones dependen de la infraestructura física y digital existente: servidores, teléfonos móviles, cables de fibra óptica, torres de telefonía.
- En los últimos 20 años las economías en desarrollo invirtieron en conexiones celulares e Internet, sentando bases para aplicaciones de IA.
- Deficiencias de datos: modelos de IA disponen de información incompleta sobre necesidades y aspiraciones de ciudadanos de menores ingresos, su estado de salud, aspecto de poblados y estructura de idiomas menos comunes.
- Recolección de datos robusta podría requerir integrar clínicas, colegios y empresas en sistemas de registro digital, incentivar su uso y establecer derechos legales sobre los datos.

Implicaciones y recomendaciones de política

Adaptación local y co-diseño:
- Priorizar la adaptación de tecnologías a condiciones locales y el trabajo colaborativo entre gobiernos, investigadores y organizaciones sin fines de lucro.
- Invertir en capacidad local: capacitación de programadores y diseñadores de IA locales para que la innovación refleje valores y prioridades locales.
Implementación responsable:
- Diseñar pruebas de concepto y procesos experimentales que identifiquen y mitiguen incentivos de manipulación por parte de usuarios.
- Acompañar despliegues con entrevistas y grupos focales para asegurar coherencia con definiciones locales de pobreza y normas sociales.
Transparencia y comunicación:
- En programas no emergentes, explicar criterios de acceso y manejo de datos a posibles beneficiarios; adaptar comunicación pedagógica a niveles de alfabetización y familiaridad con datos.
- Educar sobre riesgos de desinformación generada por IA para preservar confianza pública.
Inversiones en infraestructura y datos:
- Mejorar infraestructura del conocimiento y sistemas de registro digital integrando instituciones clave (clínicas, colegios, empresas).
- Establecer incentivos y marcos legales sobre derechos de datos para mejorar la cobertura de los pobres en los modelos de IA.
Enfoque práctico:
- No se trata solo de “soñar a lo grande”, sino de garantizar que los sistemas colmen las necesidades, se adapten a condiciones locales y no causen daño.

Fuente: Tecnología para el desarrollo, FINANZAS & DESARROLLO, DANIEL BJÖRKEGREN y JOSHUA BLUMENSTOCK, Diciembre de 2023.