América Latina está ingresando en la transición tecnológica más trascendente del siglo sin la capacidad computacional que necesita y en medio de una profunda crisis educativa. En ese proceso, la región está erosionando la facultad que menos puede permitirse perder: la capacidad de extraer inferencias a partir de la evidencia, razonar de manera independiente ante problemas complejos y convertir el conocimiento en acciones políticas con consecuencias. En conjunto, estos dos déficits corren el riesgo de empujar a América Latina hacia una nueva forma de dependencia: la confianza en sistemas automatizados, predominantemente extranjeros, para que infieran, clasifiquen y, cada vez más, decidan en su nombre.

La inferencia, en su sentido clásico, significa extraer conclusiones a partir de evidencias o premisas. Es la capacidad distintivamente humana de extraer nuevos conocimientos de aquello que ya se conoce u observa. Es central para la ciencia y el juicio práctico. Pero la inferencia también describe lo que producen los sistemas de IA mediante algoritmos estadísticos (Dobriban, 2025): predicciones, clasificaciones y rankings que determinan cada vez más el crédito, la atención sanitaria, el empleo y la atención estatal (Pham, 2025). La capacidad de inferencia de una nación descansa hoy sobre dos pilares: la computación, que industrializa la inferencia, y la educación, que preserva la facultad humana de razonar y, con ella, la posibilidad de independencia política y de desarrollo interno de las capacidades de la IA.

En esta coyuntura histórica, entonces, la erosión de la base educativa de la región no es meramente preocupante; tiene consecuencias estratégicas. En 2022, solo el 27 % de los argentinos de quince años alcanzó el nivel mínimo de competencia en matemática, frente a un promedio del 69 % en la OCDE; casi ninguno llegó al nivel avanzado, en comparación con aproximadamente uno de cada once en el conjunto de la OCDE (Arias Ortiz et al., 2023). Brasil y México permanecen en la misma amplia zona de debilidad; Chile obtiene mejores resultados, pero aun así queda muy por debajo del parámetro de la OCDE. En términos de aprendizaje, la brecha es enorme, mientras que los avances para cerrarla siguen siendo demasiado tímidos y lentos. La ya reducida cohorte de estudiantes de alto desempeño de la cual las sociedades obtienen a sus mejores científicos, ingenieros y reformadores se está contrayendo precisamente cuando se ha convertido en un componente crítico del poder tecnológico.

América Latina está fallando en ambos extremos de la inferencia: el humano y el de la máquina. No puede construir la variante industrial porque esta requiere una base científica que la región está dejando erosionar. Y corre el riesgo de perder el dominio de la variante humana porque, allí donde la capacidad de razonar no está ampliamente distribuida, se fortalece la tentación de ceder el juicio a una máquina.

La inteligencia artificial es la industrialización de la inferencia: la automatización a gran escala del juicio útil, sin que necesariamente produzca comprensión causal (Zečević et al., 2023). La mayoría de los sistemas desplegados en ámbitos de gran trascendencia no establecen si sus premisas son verdaderas: optimizan eficientemente el desempeño respecto de un objetivo predefinido (Dobriban, 2025). No preguntan si un veredicto está justificado, sino si un resultado es estadísticamente adecuado para un objetivo elegido de antemano por otra persona. Cuando esta lógica migra hacia cuestiones controvertidas de política pública, el debate se vacía: el desacuerdo sobre los fines se reformula como una optimización respecto de una función objetivo que define el éxito, no la justicia ni la verdad. Esta misma lógica se está extendiendo ahora a sistemas humanos críticos que, hasta hace poco, se basaban principalmente en el juicio y la responsabilidad humana.

Durante tres siglos, la legitimidad de las instituciones modernas se ha sustentado en la cadena de razones que respalda sus decisiones. Un veredicto, un presupuesto o una sentencia podían ser impugnados porque su razonamiento podía reconstruirse; sus razones podían exigirse, examinarse y revisarse. Un motor de inferencia ofrece algo diferente: un resultado, un puntaje de confianza y, con frecuencia, ninguna explicación inteligible de la estructura causal subyacente. La eficacia desplaza a la comprensión, y las instituciones creadas para deliberar sobre razones comienzan, en cambio, a administrar resultados que no pueden explicar.

Los modelos de IA más avanzados son construidos hoy, en su abrumadora mayoría, por empresas privadas (Maslej et al., 2025). Un puñado de corporaciones, respaldadas por Estados Unidos y China, controla las capas decisivas de la arquitectura tecnológica: la capacidad de cómputo, los datos, los modelos y la distribución. La inversión mundial en centros de datos para IA podría aproximarse a los siete billones de dólares para 2030 (Noffsinger et al., 2025). Este no es un mercado en el sentido corriente. Es un ecosistema en el que el poder financiero y la capacidad técnica están concentrados con tal densidad que los Estados más débiles tienen escaso margen para determinar las condiciones. La inferencia industrializada desplaza el poder institucional hacia los intereses, supuestos e incentivos de una reducida élite computacional y financiera.

Para la periferia, el patrón resulta familiar. Es poco probable que América Latina produzca los modelos que, cada vez más, articularán sus sistemas crediticios y sanitarios, sus mercados laborales, sus escuelas y sus tribunales (Cerutti et al., 2025). Se limitará a consumir los resultados de esos modelos (Kaur, 2025). La antigua división entre centro y periferia se basaba en los bienes manufacturados y las materias primas (Comisión Económica para América Latina y el Caribe [CEPAL], 2023). La nueva asimetría es epistémica (Zuboff, 2020) y corre el riesgo de producir una nueva forma de dependencia epistémica. El centro ya no se limita a exportar productos industriales. Cada vez más, exporta juicios, integrados en sistemas computacionales cuyos objetivos no definimos, pero cuyas consecuencias sufrirán nuestros ciudadanos.

Este es el error que está en el centro de muchas estrategias nacionales de IA de la región (CEPAL, 2025). Los Estados periféricos confunden soberanía con adquisición: compran modelos, alquilan capacidad de cómputo y anuncian marcos éticos. Pero adoptar un sistema no equivale a gobernarlo (Bremmer y Suleyman, 2023). Un modelo de calificación crediticia desplegado en Buenos Aires puede funcionar bien y, aun así, codificar una definición de riesgo calibrada para otra sociedad. La cuestión decisiva no es solo si el modelo funciona, sino con qué fin fue ajustado, sobre qué datos y con qué derecho de apelación. Igualmente trascendente es el creciente abanico de decisiones sociales que estos sistemas están comenzando a automatizar. La soberanía reside menos en poseer la tecnología que en conservar la autoridad sobre los objetivos que esta optimiza (Nolan, 2024). En un orden basado en la IA, el poder se encuentra aguas arriba: en la capacidad de cómputo, la arquitectura de los modelos, la captura de datos y la inferencia estadística a escala planetaria.

La misma lógica se aplica tanto a la inferencia humana como a la de las máquinas. Un país que no puede enseñar matemática a la mayoría de sus estudiantes no puede convertirse por decreto en una potencia de IA. La capacidad en IA descansa sobre una estrecha cadena de formación de talento humano —matemáticos, estadísticos, científicos de la computación, ingenieros e instituciones con alfabetización técnica— sostenida principalmente allí donde la educación básica es sólida y está disponible a gran escala (MacroPolo, 2023).

Por lo tanto, la infraestructura fundacional de la inteligencia artificial no se apoya solo en contratos de computación y servicios en la nube, sino también en docentes que transmiten el pensamiento abstracto, universidades que forman estadísticos e ingenieros, jueces que comprenden los límites de la predicción automatizada y ciudadanos capaces de exigir explicaciones al Estado.

Una potencia intermedia no debería perseguir la fantasía de desarrollar modelos de frontera frente a rivales cuyos recursos son varios órdenes de magnitud mayores. La tarea es institucional: definir los objetivos que optimizan los sistemas de IA en ámbitos donde el Estado todavía conserva autoridad —salud, justicia y educación—; exigir que los sistemas de gran impacto sean auditables en cuanto a sus propósitos, no solo precisos en sus resultados, y tratar el derecho a obtener una explicación como un derecho político.

El expresidente brasileño Fernando Henrique Cardoso entendía la dependencia como una relación, no como un destino (Cardoso y Faletto, 1969). Esa idea debería orientar hoy a América Latina. La industrialización de la inferencia, como toda tecnología poderosa, puede ser necesaria y claramente beneficiosa para la sociedad. Pero no es neutral ni inevitable: es una configuración contingente del poder. Reconocer ese hecho —y luego negociar, condicionar y, en ocasiones, rechazar los términos ofrecidos— es el primer acto de soberanía que aún está al alcance de las naciones periféricas, incluso mientras trabajan para superar las debilidades estructurales que, en primer lugar, hacen posible esa dependencia.