Blog Title1

Alternativas rebeldes: IA sin saqueo

2026-02-17T14:00:00Z

La burbuja de IA es más grande que la de las punto-com. El propio CEO de OpenAI lo admite. Pero hay otro camino: modelos éticos, con comunicaciones cifradas o locales, que no saquean nuestros datos. La arquitectura es pública, los algoritmos están documentados. Lo que falta no es tecnología — es organización orientada a la autonomía tecnológica.

La burbuja más grande del siglo

La inversión anual en infraestructura de IA superó los 400 mil millones de dólares en 2025. Morgan Stanley proyecta 2,9 billones entre 2025 y 2028. Pero el 95% de las organizaciones que invierten en IA generativa obtienen cero retorno.

Sam Altman admitió que cree que hay una burbuja. Ray Dalio la comparó con las punto-com. Bret Taylor, presidente de OpenAI, fue más directo: "También creo que estamos en una burbuja, y mucha gente va a perder mucho dinero."

El ciclo se retroalimenta: más usuarios requieren más chips, más datacenters, más agua, más energía. Y la fantasía de la "inteligencia artificial general" sostiene el ritmo de inversión. El gasto de capital en IA podría consumir hasta el 94% del flujo de caja de las big tech para 2026. El 54% de los gestores de fondos globales ya consideran que estamos en "territorio de burbuja".

¿Hay usos concretos? Sí — Copilot, diagnóstico médico asistido, traducción automática. Pero en 1999 también había usos concretos de internet y la burbuja explotó igual. La pregunta no es si la tecnología sirve, sino si la escala de inversión tiene sentido.

Las alternativas existen

Los mismos algoritmos pueden usarse de forma ética. La arquitectura transformer es pública. Proyectos de software libre entrenan modelos con datasets éticos — información pública o donada. Lo que las corporaciones dominantes eligen es el saqueo, no porque sea el único camino, sino porque es el más rentable.

Tres proyectos que demuestran otro camino:

MapleAI: Usa cifrado de extremo a extremo e instrucciones encriptadas. Solo ejecuta modelos abiertos con atestación verificable.

Confer: Creado por Moxie Marlinspike (fundador de Signal). Cifrado de extremo a extremo donde ni los operadores acceden a las conversaciones. Como dice Marlinspike: los chatbots actuales son "una forma de tecnología que activamente invita a la confesión" — y cuando se combina eso con publicidad, es como pagarle al terapeuta para que nos convenza de comprar algo.

Thaura: Desarrollada por tecnólogos sirios, promovida por Tech For Palestine. No recolecta datos, no los vende, rechaza cooperar con gobiernos involucrados en violaciones de derechos humanos. Conversaciones encriptadas, modelo eficiente.

La privacidad técnica en IA es posible. El costo es real — Confer cobra $35/mes — pero la privacidad nunca fue gratis.

Modelos abiertos: la otra batalla

Cuando OpenAI dejó de publicar los pesos de sus modelos en 2019 — traicionando su nombre — abrió un vacío. Meta lo llenó con Llama (2023), que permite uso comercial pero no publica los datos de entrenamiento. DeepSeek, un laboratorio chino, fue más lejos: liberó modelos competitivos bajo licencia MIT, sin restricciones.

Pero ¿cuándo un modelo es realmente "abierto"? La Open Source Initiative publicó en 2024 una definición: para calificar, un modelo debe publicar código, pesos y datos de entrenamiento suficientes para reproducirlo. Bajo ese estándar, ni Llama ni DeepSeek califican. Proyectos como OLMo 3 (Allen Institute for AI) y StarCoder2 (BigCode) sí: publican todo, desde los datos hasta los checkpoints intermedios. Su rendimiento se puede verificar en leaderboards independientes como LMArena, y con herramientas como Ollama se pueden correr en una computadora personal. Para modelos más grandes, se pueden alquilar GPUs por hora: se reserva una máquina remota, se carga el modelo y se usa como si fuera propio — sin ceder datos a ninguna corporación.

Combinados con las alternativas de privacidad, estos modelos empiezan a dibujar un ecosistema donde la IA puede funcionar sin saqueo ni vigilancia.

De la resistencia individual a la acción colectiva

Estoy con Cory Doctorow: "Comprar con más cuidado no va a salvar al planeta ni a tus vecinos. Las acciones individuales no provocan cambio sistémico." Y: "Toma decisiones individuales que mejoren tu vida. Toma acción colectiva para mejorar la sociedad."

Dejo aquí entonces algunas propuestas inspiradoras:

Organizarnos: Sumarnos a una cooperativa tech, un sindicato digital, o un grupo local de tecnología cívica como Bandatos.
Contribuir a modelos éticos: Quienes tengan habilidades técnicas pueden aportar a proyectos con datasets éticos. Quienes no, pueden financiar los que existen.
Exigir transparencia: Preguntar a nuestros gobiernos locales qué permisos de agua y energía otorgaron a los datacenters de la zona. En América Latina, DataCenter Boom documenta los conflictos socioambientales y ofrece herramientas para la acción comunitaria.
Formar a la próxima generación: Mentorear juniors, participar en espacios comunitarios de formación. Iniciativas como LAIA en Argentina exploran los impactos de la IA y promueven herramientas abiertas.
Exigir rendición de cuentas: Apoyar demandas legales contra el uso extractivo del conocimiento y los datos personales. Exigir transparencia y mejora de derechos laborales para toda la cadena de producción de los modelos.

Este artículo cierra una serie de tres. En Loros de silicio se desmonta qué es realmente la IA y por qué el marketing la disfraza de revolución. En El costo real de la IA exploramos lo que la industria esconde: el agua, la energía, el empleo y la explotación laboral detrás de cada modelo.

El ensayo completo en PDF reúne todo con más de 60 fuentes y todos los datos (este artículo corresponde a la Parte III: "¿Y entonces qué?").

Mientras vamos construyendo estas alternativas, yo continuaré escribiendo y cuestionando —incluyendo mis propias certezas—. Y seguiré buscando las grietas por donde pueda entrar un poco de luz.

Nota: Esta serie la escribí en Enero de 2026. No menciona a OpenClaw ni a LatamGPT, que evidencian cómo el software libre sigue siendo una estrategia de innovación efectiva pero a la vez fácil de cooptar por las corporaciones.

Otros temas que no se cubren: riesgos de seguridad y ataques adversarios, desinformación y medios sintéticos, sesgo y discriminación algorítmica, vigilancia masiva y autoritarismo, concentración geopolítica del poder, manipulación del comportamiento y la economía de la atención, vacíos legales y de rendición de cuentas, riesgos existenciales y alineamiento, privacidad de datos más allá del entrenamiento, y efectos psicológicos y sociales como las relaciones parasociales con chatbots.

El costo real de la IA: agua, trabajo y silicio

2026-02-17T12:00:00Z

Un estudio de UC Riverside estimó que cada respuesta de 100 palabras de ChatGPT consume una botella de agua. Sam Altman dice que son apenas 0,3ml. La realidad probablemente está en el medio — pero escalada a cientos de millones de consultas diarias, el consumo agregado es enorme. Entrenar GPT-4 consumió la energía de 1.000 hogares durante 5 años. En EE.UU., el empleo de programadores cayó un 27,5% en dos años según el Bureau of Labor Statistics. Detrás de cada modelo "optimizado" hay trabajadores en el sur global filtrando contenido traumático por centavos. Estos son los costos reales que la industria prefiere que no conozcamos.

El saqueo intelectual

Durante décadas, las big tech persiguieron a usuarios por descargar música y demandaron a startups por usar patentes. Y de pronto, decidieron que nada de eso importaba para entrenar sus modelos. Meta y OpenAI usaron Library Genesis — la mayor biblioteca pirata del mundo — para alimentar sus sistemas. El mismo tipo de piratería que criminalizaron cuando la hacían usuarios individuales.

Existe un debate legal legítimo sobre si esto constituye fair use. Pero el doble estándar es difícil de ignorar.

La voracidad computacional

Entrenar GPT-4 requirió 25.000 GPUs funcionando durante 90-100 días, consumiendo hasta 62.000 MWh de energía. El costo: unos 100 millones de dólares solo en hardware y electricidad. Y crece a un ritmo de 2,4x por año — para 2027, un modelo de frontera podría costar mil millones de dólares.

Pero no es solo el entrenamiento. Cada consulta consume energía. GPT-5 usa hasta 40 Wh por respuesta. Escalado a cientos de millones de consultas diarias, estamos hablando del consumo eléctrico de ciudades enteras.

Agua, carbono y tierra

Los centros de datos consumen cantidades enormes de agua para enfriamiento. Los más grandes: 5 millones de galones por día, equivalente a una ciudad de 50.000 habitantes. Existen tecnologías de enfriamiento sin agua, pero el enfriamiento por evaporación es más barato. Entonces las empresas buscan ubicaciones con regulaciones débiles y extraen agua que compite directamente con el consumo humano y el uso de agua para la agricultura.

Cuando nos dicen que un "agente de IA" es como un empleado que no come, es mentira. Literalmente le quita la comida a un montón de gente.

La huella de carbono podría alcanzar entre 32 y 80 millones de toneladas de CO2 en 2025 — comparable a Nueva York. La disparidad entre estimaciones refleja la dificultad de medir una industria que crece más rápido que la capacidad de estudiarla. En Irlanda, los centros de datos ya consumen el 21% de la electricidad nacional.

Chips en zona de guerra

ASML (Holanda) tiene el monopolio de las máquinas necesarias para fabricar chips avanzados. TSMC (Taiwán) fabrica el 67% de los semiconductores del mundo. Dos países, dos cuellos de botella extremadamente frágiles, ambos en medio de tensiones geopolíticas crecientes. Toda la industria de IA depende de esta cadena.

El vacío generacional

En Estados Unidos, el empleo de desarrolladores de 22-25 años cayó casi un 20% desde finales de 2022, según un estudio de Stanford. La contratación de recién graduados en las 15 mayores tech cayó un 25% en un solo año. Y el empleo en la categoría "computer programmers" del Bureau of Labor Statistics cayó un 27,5% entre 2023 y 2025. (El empleo de "software developers", una categoría más amplia, apenas cayó un 0,3%.) Es importante aclarar que estas caídas tienen múltiples causas — pero la coincidencia temporal con el despliegue masivo de herramientas de IA, y las declaraciones explícitas de ejecutivos sobre reemplazar contrataciones con "copilots", hacen difícil ignorar la correlación.

La pregunta incómoda: si hoy no contratamos juniors, ¿quiénes serán los senior dentro de 10 años? Es la "decadencia lenta" — un vacío de liderazgo técnico garantizado en una década.

El software libre también sufre: la monetización del código abierto siempre dependió de la atención humana — ojos en la documentación, la marca, la expertise. Esa atención migró a los modelos de IA. Nuestra documentación entrenó los modelos que ahora hacen innecesario visitarla. La atención humana pagaba. La atención artificial no.

Esclavismo moderno

Los modelos no se afinan solos. Detrás de cada mejora hay trabajadores en el sur global clasificando contenido, filtrando material violento, corrigiendo respuestas. Salarios miserables, exposición a contenido traumático sin apoyo psicológico, contratos precarios. Casi 100 trabajadores kenianos lo dijeron en una carta abierta: "nuestras condiciones laborales equivalen a esclavismo moderno". La investigadora argentina Milagros Miceli, del DAIR Institute, lleva años documentando estas condiciones desde adentro con su proyecto Data Workers' Inquiry — donde los trabajadores de datos no son objetos de estudio sino co-investigadores. La "inteligencia" artificial es el producto del trabajo humano explotado en múltiples niveles.

Exigir rendición de cuentas

Estos costos no son inevitables. Son decisiones de diseño que priorizan la ganancia sobre las personas. Frente a esto:

Las corporaciones deben rendir cuentas por el uso no autorizado de propiedad intelectual y las condiciones de sus cadenas de valor.
Las comunidades locales deben participar en las decisiones sobre agua, electricidad y tierra cuando se instalan datacenters.
Los espacios de formación comunitaria pueden llenar el vacío que deja la industria al dejar de contratar juniors.
Los trabajadores de la cadena de valor necesitan compensación justa y transparente — desde los creadores de contenido hasta los anotadores.

Si aún no lo leíste, en el artículo anterior Loros de silicio: qué es (y qué no es) la inteligencia artificial se desmonta el marketing detrás del término. Y si estos costos te parecen insostenibles, en Alternativas rebeldes: IA sin saqueo exploramos la burbuja financiera, las alternativas éticas y qué podemos hacer al respecto.

El ensayo completo en PDF reúne todo con las fuentes y datos (este artículo corresponde a la Parte II: "¿A qué costo?").

Loros de silicio: qué es (y qué no es) la inteligencia artificial

2026-02-16T12:00:00Z

Desde los 90 tenemos IA en las computadoras personales. La corrección gramatical de Microsoft Word en 1993 ya era IA. Los filtros de spam de Gmail desde 2004, los sistemas de recomendación que Amazon desplegó en 1998, el reconocimiento de voz — todo eso es inteligencia artificial. Aunque cambió la tecnología, más cambió el marketing.

70 años de historia en un rebrand

El término "inteligencia artificial" fue acuñado por John McCarthy en 1955. Nació en un contexto de colaboración abierta académica: en el MIT AI Lab durante los años 70, el código se compartía libremente y la curiosidad científica era el motor. De ese ecosistema salió Richard Stallman y el movimiento del software libre. La IA era una disciplina científica, no una etiqueta de producto. Aunque hoy critiquemos a esas figuras fundacionales por su sexismo y su relación con la trama de Epstein, no podemos negar sus aportes fundamentales a la disciplina.

Alrededor de 2020, todo cambió. De pronto, funciones que existían hace décadas fueron rebautizadas: el autocomplete se volvió "IA predictiva", los filtros de fotos se convirtieron en "IA generativa". Mismo software, nuevo packaging. El punto de inflexión fue el lanzamiento de ChatGPT en noviembre de 2022 — millones de personas comenzaron a interactuar por chat con un modelo de lenguaje por primera vez. Pero la "revolución" tenía al menos cinco años de cocción: la arquitectura que lo hace posible, el transformer, fue presentada en 2017 por investigadores de Google, basada en trabajos académicos anteriores.

¿Inteligencia o loros con buena memoria?

Los grandes modelos de lenguaje son el motor de los actuales sistemas de inteligencia artificial. En 2021, Emily Bender y Timnit Gebru describieron a estos modelos como "loros estocásticos": sistemas que repiten patrones estadísticos sin comprensión real. La evidencia los respalda — un estudio en Nature (2025) encontró que los LLMs más avanzados tienen un desempeño significativamente inferior al de médicos humanos en tareas de razonamiento clínico. Alucinan. Inventan. Repiten.

La metodología de entrenamiento es reveladora: Anthropic compró libros físicos, les cortó el lomo con una guillotina, escaneó las páginas y recicló los restos. Extraer, procesar, descartar. Y está demostrado que es posible extraer material original de los modelos — aunque el entrenamiento transforma los datos en representaciones estadísticas, los modelos retienen fragmentos identificables del material original. La defensa de que el contenido fue "transformado" más allá del reconocimiento es, como mínimo, cuestionable.

Dicho esto, investigadores de primer nivel cuestionan la metáfora del "loro". Geoffrey Hinton, el "padrino del deep learning", renunció a Google en 2023 para poder advertir libremente sobre los riesgos de la IA — pero precisamente porque cree que estos sistemas están desarrollando capacidades genuinas que hay que tomar en serio. Yann LeCun, ex jefe de IA en Meta, critica tanto a los LLMs como a la metáfora del loro: para él, el problema es más profundo y se necesita construir algo fundamentalmente diferente. La pregunta más honesta no es "¿son inteligentes o no?" — es: ¿qué capacidades tienen, cuáles son sus límites, y quién se beneficia de que no lo sepamos?

Pensar críticamente: primera línea de defensa

El relato de que "la IA llegó en 2023 y va a cambiar al mundo" es falso y conveniente. Conveniente para vender como revolución lo que es evolución. Conveniente para que no preguntemos de dónde vienen los datos de entrenamiento ni quién se beneficia.

Estos sistemas no son "inteligencias" — son máquinas de predicción estadística sofisticadas, posiblemente con capacidades emergentes que aún no entendemos del todo. Pero esa incertidumbre no justifica que aceptemos el marketing como ciencia. Exijamos precisión terminológica. Y sobre todo: no dejemos que el hype nos impida ver lo que está pasando detrás de la cortina.

Te invito a continuar leyendo el siguiente artículo de esta serie, porque detrás de cada consulta hay un costo real en agua, energía, empleo y derechos. En El costo real de la IA: agua, trabajo y silicio exploramos lo que la industria prefiere que no sepamos.

Y para profundizar con todas las fuentes y datos de los tres artículos, está disponible el ensayo completo en PDF (este artículo corresponde a la Parte I: "¿Qué es esto realmente?").

La verdad sobre la IA: un ensayo en tres partes

2026-02-15T10:00:00Z

Escribí un ensayo largo sobre inteligencia artificial. Quiero ponerme al día y por eso hice este estado del arte. Habla sobre qué es realmente la IA, sus costos ocultos, y qué podemos hacer al respecto. No es una guía de herramientas ni un tutorial — es un intento de mirar detrás de la cortina del marketing y entender qué está pasando.

El ensayo completo está disponible como PDF descargable: Loros de silicio, burbujas billonarias y alternativas rebeldes: la verdad sobre la IA (65 citas bibliográficas, 41 páginas).

Para quienes prefieran leerlo en partes, lo dividí en tres artículos. Son versiones condensadas para el blog — las fuentes completas sólo están en el PDF:

Loros de silicio: qué es (y qué no es) la inteligencia artificial — Desmonta el término "IA", repasa su historia real desde los años 50, y explica por qué lo que nos venden como revolución es un rebranding de tecnología que existe hace décadas.
El costo real de la IA: agua, trabajo y silicio — Explora lo que la industria esconde: el agua que consumen los datacenters, la energía, la caída del empleo junior, el impacto en el software libre, y la explotación laboral de los anotadores del sur global.
Alternativas rebeldes: IA sin saqueo — La burbuja financiera, las alternativas éticas que ya existen (privacidad, modelos abiertos), y qué podemos hacer colectivamente.

Cada artículo funciona de forma independiente, pero juntos cuentan una historia completa.

Me tomó semanas de investigación escribir esto. No porque el tema sea difícil — sino porque cuanto más investigaba, me costaba elegir el material. Espero que les sirva para tener mejores conversaciones sobre lo que nos están vendiendo como inevitable.

Bandatos: Construyendo infraestructura cívica desde las bases

2025-07-03T14:51:07Z

A veces las ideas más potentes no empiezan con presupuesto, ni con una convocatoria.

¿Qué es Bandatos?

Bandatos no es una organización: Es una comunidad viva que se encuentra cada dos semanas para imaginar, prototipar y construir herramientas de datos con impacto social.

Hace poco más de un año Alejandra Gonzalez me dijo "¿Y si hacemos esto juntas?" y nos reunimos unas 20 personas y salieron un montón de ideas, algunas personas solo venían a apoyar y se sumaron al proyecto que más les interesó. Algunos de estos proyectos ya se transformaron en sitios, en eventos, en reuniones, en incidencia.

El espacio que creamos

A veces, trabajar con datos no se trata solo de abrir archivos o escribir código. Se trata de abrir conversaciones.

En Bandatos, cada reunión es distinta porque cada quien trae algo nuevo: una duda, una idea, una experiencia que conecta con las de otras personas.

En la última sesión surgieron varios proyectos potentes. No hay jerarquías, solo ganas de colaborar, de aprender y de sumar desde lo que cada quien sabe.

Proyectos actuales

En estamos trabajando en dos proyectos principales:

📊 Estándares de datos legislativos (con BORDE Político) - Lee más sobre el Sistema Hermila 🚇 Accesibilidad urbana (empezando con el Metro de CDMX)

Un espacio horizontal y apartidario

Este espacio siempre ha estado abierto a quienes saben programar, diseñar, investigar… y también a quienes apenas están empezando.

No se trata de competir por atención ni de mostrar credenciales. Este tipo de colaboración no es un extra. Es infraestructura social para el futuro que queremos construir.

Si te interesa este tipo de espacio —horizontal, apartidario, colectivo— nos vemos cada dos semanas en Espacio Nativo.

Trae tu curiosidad. Y algo para compartir.

Eventos relacionados

En marzo de 2025, realizamos el "Bandatón: Eternal Sunshine of an Institution Without Memories", un taller colaborativo como parte de las sesiones públicas del Open Data Day, orientado a mejorar la transparencia y la rendición de cuentas mediante el análisis y la accesibilidad de registros judiciales y administrativos en México.

El evento contó con la participación de organizaciones de la sociedad civil, funcionarios públicos, desarrolladores de software y analistas de datos. Incluyendo la participación de Martín Szyszlican, Director de Tecnología de Abrimos info. Abrimos info es un laboratorio de conocimiento estratégico que transforma datos públicos en información accionable para democracias más sólidas en América Latina.

Esto representa un avance sustancial hacia el desarrollo de herramientas digitales de apoyo a la sociedad civil, periodistas, investigadores y ciudadanos interesados en la transparencia y la toma de decisiones públicas informadas.

Notas y aprendizajes de #TICTeC 2025

2025-06-12T21:11:54Z

🌍 Quiero compartir notas y aprendizajes de TICTeC 2025.

Estoy en el camino de regreso desde Bélgica y todavía siento el corazón latiendo a la velocidad del cambio.

Temas de gobernanza tecnológica

Marietje Schaake abrió el evento de una forma muy potente, hablando de los riesgos de la concentración de en la industria de la tecnología y me dejó pensando en qué podemos hacer para promover las infraestructuras autónomas, soberanas y el auto-alojamiento.
De la charla de Fernanda Campagnucci me quedo con el esquema de participación de los usuarios, que todos tienen que ser arquitectos. Me pregunto cómo convertimos a los ciudadanos en diseñadores de sus propias apps cívicas. Quiero leer completo el reporte de su investigación.

👩‍💼 Me gustó mucho el foco del nuevo barómetro de datos que presentó Silvana Fumega, solo mirando países del sur global y hablando no solo de los datos publicados, sino también de capacidades instaladas. Tengo pendiente zambullirme en ese texto.

Temas electorales

Las herramientas para votantes siempre me han apasionado y me siento en deuda cada vez que no puedo enfocarme en el proyecto Gobernantes.info. Me encantó ver lo limpias y atractivas que son las apps de información a votantes con juegos de Tree company en holanda.

Hubo una charla sobre sistemas de conteo alternativo para la integridad electoral en Venezuela y me resultó muy llamativo que no hubiera ningún venezolano presente, con la cantidad de exiliados que hay en todo Europa.

Además, en el contexto del ATI Day (3er día), hubo una charla super interesante sobre promoción del voto en Georgia mediante redes sociales y los materiales que hicieron para que podamos replicar la experiencia.

😲 Temas de IA

Voy a echarle un ojo a la metodología de evaluación comunitaria de inteligencias artificiales de la Eticas Foundation, potente el ejemplo de involucrar a las personas afectadas por la discriminación algorítmica en las aplicaciones de transporte en Madrid para comprender las consecuencias reales de los algoritmos.

MySociety usando IA para categorizar solicitudes de acceso a la información y ayudar a detectar cuando estas contienen filtraciones de datos personales. Admiración total.

🌐 Para cerrar

Les cuento que mi sesión plenaria sobre Abrimos.info y TeseoETL desembocó en una serie de debates muy afilados sobre la la preservación de la integridad de los datos públicos en un contexto de retroceso institucional y la importancia cada vez más crucial del soporte tecnológico para el periodismo de datos.

Estoy convencido de que nuestra comunidad tiene el poder para demostrar cuánto podemos impactar a la sociedad si nos coordinamos para evidenciar socialmente los beneficios de nuestro trabajo. Nuestro acceso a la información es crucial para forjar un futuro más justo y equitativo, y este evento me hizo reconectar con ese propósito colectivo.

🚀 Agradezco a mySociety por promover que profundicemos el intercambio de experiencias y las acciones coordinadas.

La inteligencia artificial generativa y las elecciones de 2024 en México

2025-02-24T03:01:00Z

La inteligencia artificial generativa ya ha transformado la manera en que se desarrollan las elecciones en México y el mundo. Asistí al evento organizado por Friedrich Naumann Foundation for Freedom (de México) y German Council on Foreign Relations donde se presentó el informe del Eon Institute y se discutió su impacto en las elecciones de 2024 y lo que esto significa para la democracia.

Comparto algunas reflexiones sobre los riesgos que implica el uso de modelos comerciales de IA en procesos electorales y de gobernanza:

🔹 No se trata de impedir la innovación, sino de garantizar que se respeten los derechos de los ciudadanos

Las grandes tecnológicas han tomado sin permiso contenidos generados por usuarios para entrenar sus grandes modelos de lenguaje (LLM, también llamados IA). No podemos seguir dependiendo de modelos extranjeros que no respetan las leyes de sus países de origen y mucho menos las nuestras. México tiene la capacidad de desarrollar modelos de IA soberanos y necesitamos aumentar la inversión pública y privada en ellos. También falta mucha más divulgación sobre el funcionamiento de estas tecnologías.

🔹 Manipulación electoral: el plomo es más barato que ChatGPT

Las elecciones de 2024 fueron las más violentas en la historia de México. La violencia sigue siendo la principal amenaza contra la democracia, pero la manipulación algorítmica es una nueva capa de riesgo. ¿Cómo aseguramos que el software de conteo de votos siga siendo confiable? Se ha demostrado la capacidad de los modelos de IA para insertar vulnerabilidades difíciles de detectar, y también que consistentemente los desarrolladores de software son quienes más utilizan los modelos de IA como ayuda para realizar su trabajo. Está por verse el rol que los institutos electorales tomarán en la investigación de estos temas para garantizar la transparencia en futuros procesos.

🔹 La manipulación de imágenes en campañas políticas

En nuestro proyecto gobernantes.info tomamos la perspectiva de la pigmentocracia para analizar cómo se modifican las imágenes de los candidatos para influir en la percepción del electorado durante las elecciones del año pasado. De hecho esto se hace sin usar IA, pero encontramos patrones claros: candidatos que aclaran su tono de piel y partidos que ajustan los colores para alinearse con su identidad visual (candidatos con color de piel anaranjado o verdoso, según su bandera). Este tipo de estrategias, aunque sutiles, pueden generar un sesgo en la percepción pública que influye en la intención de voto.

Conclusión

Entonces, ¿por qué la estrategia debería limitarse a intentar coordinar con empresas extranjeras cada vez más esquivas a la regulación? Si queremos proteger nuestra democracia, la transparencia y la soberanía tecnológica deben ser prioridad.

Iniciativa de la Alianza de Periodismo en la Nube (JCA) - Resúmen

2025-01-27T15:20:00Z

1. Introducción

Este documento resume los hallazgos y recomendaciones clave del "Informe de Auditoría de Tecnología y Servicios en la Nube – Resumen Ejecutivo" de la Alianza de Periodismo en la Nube (JCA). Participé cómo co-autor, realizando entrevistas y análisis de datos para el informe, que analiza las necesidades y desafíos de las organizaciones de periodismo de investigación, rendición de cuentas y datos, así como de algunas organizaciones de la sociedad civil (OSC), en relación con la infraestructura en la nube. El objetivo es evaluar la viabilidad de una "Nube de Periodismo" compartida.

2. Sobre la Alianza de Periodismo en la Nube (JCA)

La JCA fue fundada por el Foro Global para el Desarrollo de Medios (GFMD) y el Proyecto de Reportajes sobre Crimen Organizado y Corrupción (OCCRP) e incluye decenas de medios y organizaciones. Busca hacer el almacenamiento y procesamiento de datos más accesible, seguro y asequible para las organizaciones periodísticas. La JCA cuenta con una amplia red de socios en el sector del periodismo de investigación, así como con organizaciones filantrópicas. La alianza se lanzó el 17 de abril de 2024 en el Festival Internacional de Periodismo en Perugia, Italia.

3. Metodología

El estudio involucró a 24 organizaciones, incluyendo miembros de la JCA y no miembros, así como OSCs y organizaciones de periodismo de investigación. La recopilación de datos combinó cuestionarios cuantitativos (hojas de cálculo de servicios en la nube) con entrevistas cualitativas (semiestructuradas y no estructuradas).

Uno de los aportes de la investigación es la clasificación de organizaciones de periodismo de datos, para esto se utilizó una metáfora de la industria musical, según la cual las organizaciones fueron clasificadas en cinco grupos principales:

"Las Bandas Indie": Pequeñas, activas, con pocos recursos.
"Las Bandas de la Casa": Departamentos de datos en grandes medios.
"Las Grandes Bandas": Organizaciones grandes y establecidas.
"Las Bandas de Apoyo": Proveedores de servicios técnicos.
"Los Organizadores de Festivales": Creadores de espacios y redes.

4. Principales Hallazgos

Crecimiento de la Infraestructura: La mayoría de las organizaciones anticipan un crecimiento significativo en sus necesidades de infraestructura, especialmente en almacenamiento de audio y video.
Costos Elevados: Los costos de la infraestructura en la nube son una gran preocupación, con gastos que aumentan rápidamente.
Adopción de IA: Existe una adopción pragmática de herramientas de inteligencia artificial (IA) para tareas como análisis de documentos y adaptación de contenido.
Seguridad e Independencia: La seguridad y la independencia son preocupaciones primordiales, tanto para la situación actual como para la implementación de una infraestructura en la nube compartida.
Presupuesto para Tecnología: Las organizaciones destinan entre el 15% y el 20% de sus presupuestos a tecnología, incluyendo infraestructura, personal y herramientas.
Dificultad en la Financiación: Los donantes suelen preferir nuevos proyectos en lugar del mantenimiento de la infraestructura.

5. La Iniciativa en la Nube

Existe un gran interés en una infraestructura compartida, especialmente para democratizar el acceso a herramientas y datos costosos. La Iniciativa en la Nube es un concepto aún por definir. El reporte sugiere algunas "Áreas de Servicio" que se podrían proveer y serían atractivas para los miembros de la alianza:

Créditos en la Nube: Acceso subvencionado o pro bono a servicios SaaS y PaaS comunes. Negociación colectiva para acceso a bajo costo a servicios comunes (almacenamiento S3, VPS, IA generativa).
Servicios Gestionados: Configuración y mantenimiento de herramientas complejas como plataformas de filtración y servidores de autenticación. Soporte en implementación y gestión.
Soporte Especializado: Soporte en tecnología, infraestructura, diseño, legal, recuperación de datos para complementar la capacidad organizacional.
Intercambio en la Nube: Plataforma e intermediario financiero para acceder a la infraestructura en la nube de terceros.
Infraestructura Propia: Desarrollo de infraestructura independiente como alternativa segura a las opciones existentes.

6. Perspectivas y Previsiones

Crecimiento Esperado: Se espera un crecimiento lineal en almacenamiento de datos, procesamiento y uso de servicios. Se proyecta un crecimiento entre el 5% y el 20% anual durante los próximos 5 años.
Adopción de IA: Se prevé una mayor adopción de IA para diversas tareas, lo que incrementará la demanda de recursos informáticos.
Audio y Video: La adopción de audio y video podría duplicar o triplicar los volúmenes de datos de las organizaciones que los incorporen.
Consolidación de Organizaciones: La consolidación de organizaciones pequeñas podría llevar a proyectos más grandes y adopción de nuevas tecnologías.
Nuevas Tecnologías: Las nuevas tecnologías podrían requerir más almacenamiento y capacidad de cómputo para las organizaciones periodísticas.

7. Gobernanza Impulsada por el Propósito

La confianza y la fiabilidad son valores centrales. Antes de cualquier actividad, se debe definir una estructura de gobernanza. Se recomienda explorar un modelo de propiedad de administrador (steward-ownership), que equilibra la flexibilidad comercial con el propósito. Se desaconseja una estructura comercial como una corporación B, ya que no ofrece suficientes garantías contra adquisiciones.

8. Propuestas de Valor Únicas

Confianza: Plataforma basada en valores con credenciales comprobadas.
Soporte Personalizado: Soporte de alta calidad, a diferencia de los proveedores habituales.
Modelo de Negocio Impulsado por el Propósito: Prioriza el propósito sobre los beneficios, con protección contra adquisiciones.
Agnosticismo Tecnológico: Apoya a periodistas con sus necesidades de infraestructura, sin promover un producto específico.

9. Requisitos Clave

Longevidad: Asegurar disponibilidad y fiabilidad a largo plazo.
Experiencia de Usuario: Plataforma fácil de usar, desde el nombre hasta la interfaz.
"Mejor que Google": Ofrecer un servicio al menos igual de bueno, accesible y confiable que las opciones existentes.

Conclusión

Este informe proporciona una hoja de ruta clara para la implementación de la Iniciativa en la Nube. Al abordar las necesidades y preocupaciones de las organizaciones periodísticas, la iniciativa tiene el potencial de crear una infraestructura más sostenible y democrática para el periodismo de investigación. La JCA debe priorizar la definición de su gobernanza, la implementación de servicios básicos como los créditos en la nube y un intercambio de servicios, y realizar un seguimiento continuo de las necesidades de sus miembros.

Resúmen generado utilizando NotebookLM con ediciones posteriores. Fue mi primera publicación en redes utilizando IA.

Nota del autor (2025): Este post fue generado con asistencia de IA (NotebookLM). Reconozco que esto puede parecer contradictorio con mi crítica al uso no autorizado de contenido para entrenar IA. Para mi postura completa sobre el uso ético de IA y los criterios que uso para distinguir entre usos problemáticos y legítimos, ver mi post dedicado sobre este tema.

La colaboración digital y los modelos de IA

2025-01-14T20:27:59Z

Durante años, desde algunas comunidades digitales hemos defendido la importancia de compartir conocimiento, datos abiertos y software libre, para democratizar el acceso a la información. Sin embargo, el uso de estos contenidos para entrenar modelos de lenguaje nos presenta un dilema fascinante sobre el futuro de la propiedad intelectual.

El espíritu original vs. la realidad actual

El espíritu original de compartir conocimiento buscaba crear un ecosistema abierto y descentralizado. En contraste, el entrenamiento de grandes modelos de lenguaje está consolidando este conocimiento en sistemas propietarios que, además de sus importantes requisitos computacionales, plantean preguntas sobre transparencia y accesibilidad.

Es verdad que existen conjuntos de datos libres de problemas de copyright, pero los actores más grandes nos han engañado, usando contenido que no había sido compartido para ese fin.

Una invitación a la reflexión

Esta situación nos invita a reflexionar: ¿Cómo podemos balancear la innovación tecnológica con el respeto a la propiedad intelectual? ¿Qué principios deberían guiar el uso ético de contenido digital en el desarrollo de IA?

Como profesionales del sector tecnológico, tenemos la responsabilidad de impulsar un diálogo constructivo sobre estos temas. ¿Qué opinan? ¿Cómo podemos construir un futuro donde la innovación tecnológica y el respeto por la propiedad intelectual coexistan?

Nota del autor (2025): Este post critica el uso no autorizado de contenido para entrenar modelos de IA. Sin embargo, también he usado herramientas de IA para generar contenido (como mencioné en mi post sobre JCA). Para mi postura completa sobre el uso ético de IA y cómo distingo entre usos problemáticos y legítimos, ver mi post dedicado sobre este tema.

Construyendo con propósito: Análisis de datos a gran escala con Node.js

2024-02-09T20:08:44Z

En Abrimos.info no construimos software para presumir. Hacemos preguntas incómodas. Y a veces, cuando encontramos que no existe una respuesta, construimos la herramienta que la hace posible.

📊 ¿Por qué no podemos ver los contratos públicos con más claridad? 🧭 ¿Esta persona ha sido funcionaria pública antes? 💸 ¿Y si la gente pudiera rastrear presupuestos en tiempo real?

Así es como construimos. Con curiosidad, con frustración, y con la necesidad de entender qué está moldeando nuestras vidas. Sí, con código. Pero primero, con propósito.

Este artículo cuenta la historia de una de esas preguntas incómodas que se convirtió en un sistema real: ¿podemos detectar riesgos de corrupción automáticamente en millones de contratos públicos?

El desafío: 2 millones de contratos y una pregunta

A principios de 2023 me enfrenté a un reto específico para Abrimos.info: construir un sistema de evaluación de contratos públicos. La fuente de datos contenía 2 millones de contratos en formato JSON, siguiendo el esquema OCDS Record (Open Contracting Data Standard).

Si has trabajado con este estándar, sabrás que estos documentos representan todos los procesos de compra pública de un país y tienen una estructura compleja: arrays de objetos anidados que, aunque sigan el mismo esquema, siempre presentan problemas de consistencia.

Ya había construido sistemas similares antes, pero esta vez quería algo diferente. No quería crear otro evaluador que solo funcionara para un país específico. Junto con Fernando Matzdorf, decidimos hacer un sistema configurable que pudiera adaptarse a diferentes contextos.

Así nació flagfetti

Diseñamos flagfetti, nuestro evaluador de banderas rojas, como un sistema configurable vía YAML. La idea era simple pero poderosa: definir las reglas de evaluación (las "banderas rojas" que indican posibles riesgos de corrupción) en archivos de configuración, separadas del código que las ejecuta.

Para cada uno de los dos millones de documentos, el sistema debe:

Leer el contrato en formato original
Parsear el JSON (este paso resultó ser crítico, como veremos)
Descubrir qué reglas aplican según el tipo de contrato
Obtener los valores específicos del documento para cada regla
Aplicar los módulos de evaluación correspondientes
Recolectar los resultados
Generar el documento de evaluación final

Para un sistema así, la performance no es un lujo, es una necesidad.

La elección técnica: ¿Por qué Node.js?

En Abrimos.info somos uno de los pocos equipos que construyen pipelines de análisis de datos en Node.js. Este intérprete de JavaScript que corre en el servidor (no confundir con Java) no es la opción obvia cuando la mayoría usa Python para ciencia de datos.

La verdad es simple: nos queda cómodo el lenguaje. No es que nos dé miedo Python, simplemente nos gusta JavaScript y conocemos bien su ecosistema.

Pero cuando corrimos la primera versión del sistema de flagfetti sobre los 2 millones de contratos, nos encontramos con un problema: el proceso tardó más de 12 horas en completarse.

El cuello de botella: parsear JSON

El problema estaba en Node.js versión 18, que tiene un parser nativo de JSON que es, francamente, bastante lento. Cuando tu pipeline tiene que parsear millones de documentos JSON complejos, esa lentitud se multiplica exponencialmente.

La solución llegó cuando cambiamos a simdjson, una librería que usa código en C optimizado para parsear JSON a velocidades increíbles. El resultado fue dramático: aceleramos el proceso unas 10 veces.

Con varias optimizaciones adicionales, logramos reducir el tiempo de ejecución total a menos de 15 minutos.

Por qué la velocidad importa (más allá de lo obvio)

En producción, este proceso corre una vez a la semana. Podrías pensar: "¿Qué más da que tarde 12 horas o 15 minutos si solo se ejecuta una vez por semana?"

Pero la velocidad nos dio algo mucho más valioso que ahorros energéticos: la capacidad de iterar.

Al poder correr el proceso decenas de veces por día durante el desarrollo, pudimos:

Refinar el sistema probando diferentes enfoques rápidamente
Ajustar las reglas de detección con ciclos de retroalimentación inmediatos
Participar en hackatones donde el tiempo es crítico, aportando mucho valor con poco esfuerzo
Responder a nuevas preguntas de nuestros usuarios sin hacerlos esperar

La velocidad se convirtió en una herramienta de aprendizaje.

Del experimento a la infraestructura

Hoy, flagfetti ya no es un experimento. Es parte de TeseoETL, nuestra oferta de procesamiento de datos, y lo hemos implementado para analizar procesos de contratación en más de 7 países.

Cada implementación nos enseñó algo nuevo:

Diferentes países tienen diferentes patrones de riesgo
Las reglas deben ser culturalmente sensibles
La configurabilidad no es opcional, es esencial

Este caso ilustra algo que creemos profundamente en Abrimos.info: las mejores herramientas cívicas nacen de preguntas reales, se construyen con decisiones técnicas pragmáticas, y se refinan con uso real en contextos diversos.

De la pregunta a la acción

Empezamos con una pregunta: ¿podemos detectar riesgos de corrupción automáticamente?

Esa pregunta nos llevó a construir flagfetti. La necesidad de velocidad nos llevó a optimizar Node.js de formas poco convencionales. Y la voluntad de servir a múltiples contextos nos llevó a crear una arquitectura configurable.

Todo esto es posible porque empezamos con propósito, no con tecnología.

La velocidad técnica no es solo eficiencia computacional. Es la capacidad de aprender más rápido, de servir mejor, y de hacer más preguntas incómodas.

Si te interesa hablar sobre performance en JavaScript, procesamiento de datos, o necesitas implementar un proyecto de ETL, escríbeme o contacta a Abrimos.info.

Código abierto: Puedes revisar el repositorio de flagfetti aquí: https://github.com/Abrimos-info/flagfetti-ecuador-ocds/