Inteligencia Artificial con Alma: Modelo Humanista para una Transformación Digital Ética, Confiable y Orientada al Bienestar
DOI:
https://doi.org/10.53485/ret.v5i3.795Palabras clave:
inteligencia artificial humanista, ética algorítmica, gobernanza de IA, bienestar digital, transformación digitalResumen
Objetivo: formular y fundamentar el modelo «Inteligencia Artificial con Alma» como marco humanista de gobernanza, diseño, adopción y evaluación de sistemas de inteligencia artificial en organizaciones y universidades. Metodología: se realizó una investigación teórico-propositiva apoyada en una revisión integradora de literatura sobre inteligencia artificial confiable, ética algorítmica, diseño centrado en el ser humano, sistemas sociotécnicos, bienestar digital, justicia de datos, explicabilidad, supervisión humana y gestión de riesgos. Se compararon marcos regulatorios y técnicos internacionales, entre ellos la Recomendación de UNESCO sobre ética de la IA, el NIST AI Risk Management Framework y el Reglamento Europeo de Inteligencia Artificial. Resultados: se propone un modelo multinivel compuesto por seis principios —propósito legítimo, dignidad y derechos, agencia humana, justicia e inclusión, confiabilidad sociotécnica y bienestar sostenible—, cuatro capas de gobierno —estratégica, organizacional, técnica y relacional— y un ciclo de activación 4A: Aprendizaje, Actitud, Alma y Acción. El artículo aporta una matriz de evaluación, doce proposiciones contrastables, un cuadro de indicadores, una escala preliminar de 36 ítems y una hoja de ruta de implantación. Conclusiones: la IA responsable no puede reducirse al cumplimiento normativo ni a la precisión técnica. Requiere alinear finalidad, datos, arquitectura, decisiones, relaciones de poder y consecuencias humanas. El modelo permite traducir principios éticos en prácticas verificables y ofrece una agenda de investigación para validar su utilidad en distintos sectores y contextos culturales.
Referencias
Allan, B. A., Batz-Barbarich, C., Sterling, H. M., & Tay, L. (2019). Outcomes of meaningful work: A meta-analysis. Journal of Management Studies, 56(3), 500-528.
Amershi, S., Weld, D., Vorvoreanu, M., et al. (2019). Guidelines for human-AI interaction. Proceedings of CHI 2019.
Barocas, S., Hardt, M., & Narayanan, A. (2023). Fairness and machine learning. fairmlbook.org.
Binns, R. (2018). Fairness in machine learning: Lessons from political philosophy. Proceedings of FAT*.
Buolamwini, J., & Gebru, T. (2018). Gender shades. Proceedings of FAT*.
Citron, D. K., & Pasquale, F. (2014). The scored society. Washington Law Review, 89, 1-33.
Crawford, K. (2021). Atlas of AI. Yale University Press.
Deci, E. L., & Ryan, R. M. (2000). The what and why of goal pursuits. Psychological Inquiry, 11(4), 227-268.
Dignum, V. (2019). Responsible artificial intelligence. Springer.
Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv.
Edmondson, A. C. (2019). The fearless organization. Wiley.
European Commission High-Level Expert Group on AI. (2019). Ethics guidelines for trustworthy AI.
European Parliament and Council. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence.
Floridi, L. (2013). The ethics of information. Oxford University Press.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).
Freeman, R. E. (1984). Strategic management: A stakeholder approach. Pitman.
Friedman, B., Kahn, P. H., & Borning, A. (2006). Value sensitive design and information systems. In Human-computer interaction and management information systems.
Gebru, T., Morgenstern, J., Vecchione, B., et al. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86-92.
Green, B. (2022). The flaws of policies requiring human oversight of government algorithms. Computer Law & Security Review, 45.
Hagendorff, T. (2020). The ethics of AI ethics. Minds and Machines, 30, 99-120.
IEEE. (2019). Ethically aligned design. IEEE.
ISO/IEC. (2023). ISO/IEC 42001:2023 Information technology - Artificial intelligence - Management system.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389-399.
Kellogg, K. C., Valentine, M. A., & Christin, A. (2020). Algorithms at work. Academy of Management Annals, 14(1), 366-410.
Kroll, J. A., Huey, J., Barocas, S., et al. (2017). Accountable algorithms. University of Pennsylvania Law Review, 165, 633-705.
Lepri, B., Oliver, N., Letouzé, E., Pentland, A., & Vinck, P. (2018). Fair, transparent, and accountable algorithmic decision-making. Philosophy & Technology, 31, 611-627.
Mitchell, M., Wu, S., Zaldivar, A., et al. (2019). Model cards for model reporting. Proceedings of FAT*.
Mittelstadt, B. D. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1, 501-507.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms. Big Data & Society, 3(2).
National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1.
National Institute of Standards and Technology. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1.
Nissenbaum, H. (2010). Privacy in context. Stanford University Press.
Noble, S. U. (2018). Algorithms of oppression. NYU Press.
OECD. (2019). Recommendation of the Council on Artificial Intelligence.
O'Neil, C. (2016). Weapons of math destruction. Crown.
Parasuraman, R., & Riley, V. (1997). Humans and automation. Human Factors, 39(2), 230-253.
Pasquale, F. (2015). The black box society. Harvard University Press.
Pirson, M. (2017). Humanistic management. Cambridge University Press.
Raji, I. D., Smart, A., White, R. N., et al. (2020). Closing the AI accountability gap. Proceedings of FAT*.
Raji, I. D., & Buolamwini, J. (2019). Actionable auditing. Proceedings of AIES.
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Why should I trust you? Proceedings of KDD.
Russell, S. (2019). Human compatible. Viking.
Sambasivan, N., Kapania, S., Highfill, H., et al. (2021). Everyone wants to do the model work, not the data work. Proceedings of CHI.
Selbst, A. D., Boyd, D., Friedler, S. A., Venkatasubramanian, S., & Vertesi, J. (2019). Fairness and abstraction in sociotechnical systems. Proceedings of FAT*.
Sen, A. (1999). Development as freedom. Oxford University Press.
Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
Suresh, H., & Guttag, J. V. (2021). A framework for understanding sources of harm throughout the machine learning life cycle. Proceedings of EAAMO.
Taddeo, M., & Floridi, L. (2018). How AI can be a force for good. Science, 361(6404), 751-752.
Taylor, L. (2017). What is data justice? Big Data & Society, 4(2).
UNESCO. (2021). Recommendation on the ethics of artificial intelligence.
UNESCO. (2023). Guidance for generative AI in education and research.
van de Poel, I. (2020). Embedding values in artificial intelligence systems. Minds and Machines, 30, 385-409.
Venkatasubramanian, S., & Alfano, M. (2020). The philosophical basis of algorithmic recourse. Proceedings of FAT*.
Wachter, S., Mittelstadt, B., & Russell, C. (2018). Counterfactual explanations without opening the black box. Harvard Journal of Law & Technology, 31(2), 841-887.
World Health Organization. (2021). Ethics and governance of artificial intelligence for health.
Zuboff, S. (2019). The age of surveillance capitalism. PublicAffairs.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor © 2026 Ignacio Bonasa Alzuria
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
