En medio del tsunami generativo, donde cada semana nace un nuevo modelo prometiendo revolucionar el trabajo, la educación y hasta el sentido de la vida, una voz disidente suena con la contundencia de quien no necesita gritar para ser escuchada. Tarika Barrett, CEO de Girls Who Code, plantea una idea incómoda: el escepticismo ante la inteligencia artificial no es una debilidad. Es, de hecho, una fortaleza estratégica que el sector tecnológico debería aprender a escuchar antes de correr a integrar la IA en cada línea de código.
La organización sin fines de lucro, pionera en cerrar la brecha de género en las carreras STEM, no llega a esta conclusión desde la nostalgia o el miedo al cambio. Lo hace desde los datos. La brecha de uso de IA entre hombres y mujeres es cada vez más pronunciada: mientras los estudios de McKinsey y Pew Research sitúan a las mujeres como usuarias menos propensas a adoptar herramientas generativas en el entorno laboral, Barrett reinterpreta esa distancia. No se trata de un rezago tecnológico, sino de una lectura más crítica sobre riesgos, sesgos y la calidad de los datos de entrenamiento.
Este escepticismo constructivo —ese que cuestiona antes de automatizar— podría ser el antídoto perfecto contra el hype descontrolado que domina el ecosistema tech. En un año donde los inversores han inyectado decenas de miles de millones en startups de IA, la presión por moverse rápido y romper cosas ha vuelto con una intensidad casi paródica. Barrett advierte que, precisamente, las jóvenes que integran los programas de Girls Who Code no llegan con la ansiedad de quien debe rendirle culto a la tecnología, sino con la pregunta incómoda: ¿para quién funciona esto y quién queda excluido?
Esa pregunta es oro en un mercado obsesionado con la eficiencia. La ansiedad estudiantil ante la IA es real y creciente. Los campus se llenan de jóvenes que temen que sus carreras sean obsoletas antes de graduarse, víctimas de una narrativa apocalíptica que confunde la automatización de tareas con la extinción de profesiones. Barrett propone un giro pedagógico: en lugar de enseñar a las estudiantes a temerle a la IA o a usarla ciegamente, hay que entrenarlas en el pensamiento crítico computacional. Es decir, la capacidad de auditar algoritmos, detectar alucinaciones en modelos de lenguaje y entender los límites técnicos de los sistemas de machine learning.
El panorama hispanohablante no es ajeno a esta tensión. En Latinoamérica y España, la adopción de IA corporativa crece a ritmos vertiginosos, pero la diversidad en los equipos de datos sigue siendo una asignatura pendiente. Los prompt engineers y arquitectos de large language models reproducen, muchas veces sin querer, sesgos culturales locales que quedan invisibilizados cuando la mesa de diseño es homogénea. Barrett insinúa algo que los líderes tech deberían tatuarse en el stack: la inclusión no es un acto de caridad corporativa, es una ventaja competitiva para construir modelos menos tóxicos y más robustos.
Leer con desconfianza los outputs de un chatbot o exigir transparencia en los datasets de entrenamiento no es ser anti-tecnología. Es ejercer una ciudadanía digital madura. En la medida en que regulaciones como la Ley de IA de la Unión Europea o los decretos de fomento en América Latina comiencen a tomar forma, las voces escépticas serán las mejor equipadas para diseñar los guardarraíles éticos. El sector necesita menos evangelistas y más ingenieras capaces de decir que algo no debería construirse así.
Para el profesional tech hispanohablante, la lección es clara. La próxima vez que un vendor le venda la IA como la solución mágica a todos los cuellos de botella operativos, convoque a la sala a quienes tienen más preguntas que respuestas. Es probable que desde esa fricción surja el producto realmente innovador. El futuro de la inteligencia artificial no lo escribirán quienes la aplaudieron sin reservas, sino quienes tuvieron el rigor de ponerle nombre a sus defectos antes de que fueran costos irreparables.
