Cómo una universidad chilena se convirtió en laboratorio vivo de inteligencia artificial

Mientras las grandes tecnológicas globales acaparan titulares con sus modelos de lenguaje y sistemas generativos, una transformación silenciosa pero profunda está ocurriendo en América Latina. En Santiago de Chile, la Pontificia Universidad Católica no solo enseña sobre inteligencia artificial: la está construyendo, aplicando y democratizando en un ecosistema que combina investigación de frontera con soluciones para desafíos locales urgentes. La pregunta no es si Chile participará en la revolución de la IA, sino cómo instituciones académicas como la UC están definiendo los términos de esa participación.

La apuesta de la UC por la inteligencia artificial no es reciente, pero ha cobrado una dimensión sin precedentes en los últimos años. La universidad ha tejido una red de iniciativas que abarcan desde la formación de nuevas generaciones de especialistas hasta la creación de herramientas que ya están impactando sectores críticos como la salud pública, la educación y la gestión urbana. Este enfoque integral convierte al campus en un microcosmos donde la IA no es solo objeto de estudio, sino una realidad operativa que transforma procesos, genera conocimiento y plantea preguntas éticas fundamentales para sociedades en desarrollo.

Un ecosistema institucional para la IA

El Centro Nacional de Inteligencia Artificial (CENIA) representa la columna vertebral de este ecosistema. Creado como un centro de excelencia que reúne a investigadores de diversas institucaciones chilenas, con la UC como uno de sus principales nodos, CENIA funciona como catalizador de proyectos que van desde el procesamiento de lenguaje natural en español hasta sistemas de visión computacional aplicados a la minería y la agricultura. La particularidad de este centro radica en su enfoque deliberadamente interdisciplinario: no se trata solo de ingenieros desarrollando algoritmos, sino de equipos donde convergen economistas, médicos, sociólogos y especialistas en ética para abordar la IA desde múltiples dimensiones.

Paralelamente, la universidad ha establecido laboratorios especializados que funcionan como espacios de experimentación y desarrollo. El Instituto de Ingeniería Matemática y Computacional (IMC) alberga grupos de investigación dedicados a machine learning, optimización y análisis de datos masivos. Estos espacios no operan en aislamiento académico: mantienen vínculos activos con el sector productivo, permitiendo que investigaciones teóricas encuentren aplicaciones concretas en plazos relativamente cortos. Esta porosidad entre academia e industria ha generado spin-offs tecnológicos y colaboraciones que posicionan a la UC como interlocutor relevante para empresas que buscan incorporar IA a sus operaciones.

La formación de capital humano constituye otro pilar fundamental. La UC ha expandido su oferta académica con programas de postgrado especializados en ciencia de datos e inteligencia artificial, atrayendo estudiantes no solo de Chile sino de toda la región. Estos programas combinan rigor matemático con entrenamiento en herramientas de última generación, preparando profesionales capaces de navegar tanto los aspectos técnicos como las implicaciones sociales de la IA. La demanda por estos programas refleja una tendencia más amplia: la necesidad urgente de América Latina de formar especialistas locales que puedan adaptar tecnologías globales a contextos regionales específicos.

Aplicaciones que transforman sectores críticos

Más allá de la investigación fundamental, la UC ha impulsado proyectos de IA con impacto directo en desafíos sociales concretos. En el ámbito de la salud, equipos multidisciplinarios han desarrollado sistemas de apoyo diagnóstico que utilizan visión computacional para detectar patologías en imágenes médicas. Estos sistemas, entrenados con datos locales, ofrecen una ventaja crucial: están calibrados para las características epidemiológicas y demográficas de la población chilena, superando las limitaciones de modelos desarrollados exclusivamente con datos de países desarrollados. La diferencia puede ser determinante en precisión diagnóstica y, en última instancia, en vidas salvadas.

En educación, la universidad ha experimentado con sistemas de tutoría inteligente y plataformas adaptativas que personalizan el aprendizaje según el ritmo y estilo de cada estudiante. Estos desarrollos cobraron particular relevancia durante la pandemia, cuando la educación remota expuso brutalmente las desigualdades de acceso y calidad. Las herramientas de IA desarrolladas en la UC buscan mitigar estas brechas, identificando tempranamente estudiantes en riesgo de deserción y sugiriendo intervenciones pedagógicas específicas. El desafío no es meramente técnico: implica repensar la relación entre tecnología y pedagogía, entre automatización y toque humano en el proceso educativo.

La verdadera innovación no consiste en importar tecnología de frontera, sino en desarrollar capacidades locales que permitan adaptar, cuestionar y rediseñar esas tecnologías según las necesidades y valores de nuestras sociedades.

El trabajo en procesamiento de lenguaje natural merece mención especial. La UC participa activamente en el desarrollo de modelos de lenguaje optimizados para el español chileno, con sus particularidades léxicas y sintácticas. Este esfuerzo responde a una realidad incómoda: los grandes modelos de lenguaje están predominantemente entrenados con inglés, y sus versiones en español suelen tener un desempeño inferior, especialmente con variantes regionales. Desarrollar modelos que comprendan genuinamente el español de América Latina no es solo una cuestión de orgullo lingüístico, sino de soberanía tecnológica y efectividad práctica en aplicaciones que van desde asistentes virtuales hasta análisis de sentimiento en redes sociales.

Desafíos éticos y gobernanza de la IA

La UC no ha eludido las dimensiones éticas y sociales que la IA plantea. El Centro de Ética y Reflexión Social ha establecido líneas de trabajo dedicadas específicamente a la gobernanza algorítmica, la privacidad de datos y los sesgos en sistemas de IA. Esta preocupación no es meramente académica: Chile ha sido escenario de controversias sobre el uso de reconocimiento facial en espacios públicos y la aplicación de algoritmos en decisiones que afectan derechos fundamentales. La universidad ha asumido un rol de interlocutor crítico, contribuyendo al debate público con análisis técnicamente informados pero accesibles a audiencias no especializadas.

Uno de los aspectos más complejos es el de los sesgos algorítmicos. Investigadores de la UC han documentado cómo sistemas de IA pueden perpetuar y amplificar discriminaciones existentes cuando se entrenan con datos históricos que reflejan desigualdades sociales. El trabajo consiste no solo en identificar estos sesgos, sino en desarrollar metodologías para mitigarlos sin comprometer el desempeño de los modelos. Esta investigación tiene implicaciones directas para sectores como el financiero, donde algoritmos de evaluación crediticia pueden inadvertidamente discriminar contra poblaciones vulnerables, o el judicial, donde sistemas de predicción de reincidencia pueden reproducir prejuicios raciales o socioeconómicos.

La universidad también ha promovido espacios de diálogo entre desarrolladores de IA, reguladores, sociedad civil y ciudadanía. Estos foros abordan preguntas fundamentales: ¿Quién debe decidir qué aplicaciones de IA son aceptables? ¿Cómo balancear innovación con protección de derechos? ¿Qué mecanismos de rendición de cuentas son necesarios cuando algoritmos toman decisiones que afectan vidas humanas? La participación de la UC en estas conversaciones refleja un entendimiento maduro de que la tecnología no es neutral, y que su desarrollo requiere deliberación democrática, no solo expertise técnico.

Contexto clave

Aprendizaje automático supervisado vs. no supervisado: El aprendizaje automático, núcleo de muchas aplicaciones de IA, se divide en modalidades según cómo los algoritmos aprenden de los datos. En el aprendizaje supervisado, el sistema se entrena con ejemplos etiquetados (por ejemplo, miles de imágenes de radiografías marcadas como "normales" o "con patología"), aprendiendo a reconocer patrones que le permiten clasificar nuevos casos. En el aprendizaje no supervisado, el algoritmo explora datos sin etiquetas previas, identificando estructuras ocultas o agrupaciones naturales. La elección entre estas modalidades depende del problema específico y de la disponibilidad de datos etiquetados, que suelen requerir trabajo humano experto y costoso.

Procesamiento de lenguaje natural (NLP): Esta rama de la IA se dedica a que las máquinas comprendan, interpreten y generen lenguaje humano. Los avances recientes, impulsados por arquitecturas de redes neuronales llamadas transformers, han permitido crear sistemas capaces de traducir idiomas, resumir textos, responder preguntas e incluso generar contenido original. Sin embargo, estos sistemas requieren enormes cantidades de texto para entrenamiento, y su desempeño varía significativamente según el idioma y la disponibilidad de corpus textuales de calidad. Para idiomas menos representados digitalmente, como variantes regionales del español, desarrollar modelos efectivos sigue siendo un desafío técnico y lingüístico considerable.

Sesgo algorítmico: Los algoritmos de IA aprenden de datos históricos que reflejan las sociedades que los generaron, incluyendo sus desigualdades y prejuicios. Si un sistema de selección de personal se entrena con datos de contrataciones pasadas en una empresa que históricamente favoreció a hombres para puestos directivos, el algoritmo puede aprender y perpetuar ese sesgo, discriminando contra candidatas mujeres. El sesgo algorítmico es especialmente problemático porque opera a escala masiva y con apariencia de objetividad técnica, lo que puede hacer más difícil su detección y cuestionamiento. Mitigarlo requiere intervenciones técnicas (como balanceo de datos o ajustes en funciones de pérdida) y organizacionales (auditorías, diversidad en equipos de desarrollo, mecanismos de apelación).

Para profundizar

• Soberanía de datos en América Latina — La dependencia de infraestructuras cloud controladas por empresas extranjeras plantea interrogantes sobre autonomía tecnológica. ¿Pueden países latinoamericanos desarrollar capacidades propias de almacenamiento y procesamiento de datos sensibles, o estarán permanentemente subordinados a ecosistemas tecnológicos externos?
• IA y cambio climático en Chile — El país enfrenta desafíos ambientales urgentes, desde la megasequía hasta incendios forestales. ¿Cómo pueden sistemas de IA contribuir a modelar escenarios climáticos, optimizar uso de recursos hídricos o predecir riesgos ambientales con la especificidad geográfica y climática que Chile requiere?
• Formación técnica vs. formación crítica en IA — Existe tensión entre entrenar especialistas que dominen herramientas de última generación y formar profesionales capaces de cuestionar críticamente las tecnologías que desarrollan. ¿Cómo equilibrar competencia técnica con reflexión ética y social en currículos académicos cada vez más demandantes?