Cómo la IA condiciona el empleo de sectores vulnerables

En Argentina, una convocatoria de Revista Empleo llama la atención. Busca dos perfiles específicos a través de un anuncio: aquellos que sientan que quedan por fuera de los llamados de los reclutadores ya sea por edad o por falta de experiencia. Con esta sola muestra, se vislumbra un fenómeno latente. Los sesgos vinculados al empleo ya están actuando. 

La UNESCO definió que un sesgo es la manera en que un sistema puede reproducir y amplificar una desigualdad social ya existente, en lugar de corregirla. Para la legislación europea, el trabajo en general y los sistemas de selección laboral en particular, son de “alto riesgo“. Y obliga a las empresas a garantizar la transparencia algorítmica, auditar y supervisar antes de decidir sobre un postulante o trabajador. A nivel local hay un vacío regulatorio. Las leyes son previas a estos cambios tecnológicos y requieren interpretaciones para aplicarse al ámbito digital. 

La objetividad matemática de la IA es un mito: la tecnología escala el prejuicio social previo. Por citar un ejemplo emblemático, un estudio de la Universidad de Washington (Wilson & Caliskan, 2024) - que evaluó modelos de lenguaje en más de 3 millones de comparaciones entre currículums y búsquedas laborales- demostró que los algoritmos favorecieron nombres asociados a personas blancas en el 85,1% de los casos, mientras que los nombres asociados a mujeres solo fueron preferidos en el 11,1%. Un sesgo doble: racial y de género.

Además, investigadores de la Universidad del Sur de California dieron cuenta de que Facebook posee un sistema de entrega de anuncios que fue capaz de mostrar diferentes avisos de empleo a mujeres y varones, inclusive cuando estos empleos demandaban idénticas cualificaciones. Lisa y llana discriminación. 

A nivel local, relevamientos de la plataforma Bumeran (Reclutamiento y Postulación Digital 2026) - realizado sobre una muestra regional de 7.305 trabajadores y especialistas de Recursos Humanos de Argentina, Chile, Ecuador, Panamá y Perú- muestra que el 46% de las áreas de RRHH en Argentina ya utiliza herramientas de IA en sus procesos. De ese porcentaje, el 55% la usa para la publicación de ofertas laborales, el 28% la aplica para filtrado de perfiles por palabras clave y requisitos (sistemas ATS). Entre quienes las emplean, un 35% alertan o manifiestan preocupación por los sesgos algorítmicos en los resultados de selección.

“La IA es una matriz con sesgos y esto es tan cultural como técnico. Si vivís en una sociedad desigual, lo que hace el algoritmo es replicar la sociedad desigual“, dice la ingeniera Georgina Sticco, especializada en equidad laboral y cofundadora de Grow, consultora de Género y Trabajo. 

El Foro Económico Mundial se ilusiona con la proyección de 170 millones de empleos nuevos hacia 2030, y apenas 92 millones perdidos en el camino. Un balance de 78 millones de puestos netos, según dice el informe, un 7% de crecimiento. La cifra suena a buena noticia, pero tiene letra chica: desaparecen los administrativos, los cajeros, la carga de datos: un terreno donde históricamente se refugiaron mujeres y franjas sin acceso a formación. El saldo puede ser positivo en la macroeconomía mundial. Pero para quien queda del lado equivocado de esa cuenta es una puerta que se cierra.

Desde la academia no son tan optimistas. La socióloga brasileña Ludmila Abílio define el fenómeno de uberización de la economía para marcar que esa supuesta "vía de acceso" no democratiza el trabajo, generaliza la precariedad. La autora pone la lupa sobre los trabajadores periféricos que se manejan a través de plataformas atravesadas por los algoritmos, atrapados en una "autogestión subordinada" y “una disponibilidad permanente“. Sobre repartidores, mensajeros y choferes pesa el algoritmo como un infinito e invisible mecanismo de control automático y un sistema constante de scoring que deja pocas chances de reclamar a ningún patrón o intermediario, como en cualquier esquema verticalista tradicional. Aunque no son los únicos.

Mónica Sladogna es socióloga del trabajo y directora de proyectos en la sede argentina de la Fundación Friedrich Ebert. Desde su perspectiva, los cambios que trae la IA son una reestructuración de las relaciones de poder, que al desterritorializar el empleo disuelve la identificación y la pertenencia colectivas, coartando en buena medida las capacidades de los sindicatos.

“El sindicalismo es la forma de representación eficiente del capitalismo industrial: empresas de producción masiva, con zonas de pleno empleo. Pero los cambios que traen los algoritmos tienen que ver, sobre todo, con que nos quedamos sin territorio. En realidad es un territorio que se vuelve abstracto y se muda con el trabajador, una ingeniería tecnológica que te sigue 24/7, es la plataformización del trabajo“, conceptualiza. 

Ante este escenario, su pregunta es ¿hablamos realmente de acceso o de la sistematización organizada de la vulnerabilidad laboral? La IA no inventó la crisis de empleo, pero al atravesarla, puede intervenirla para bien o para mal.

La gubernamentalidad algorítmica actúa de manera opaca e invisible. Antoinette Rouvroy y Thomas Berns, filósofos belgas, definen que este sistema no necesita reglas explícitas, ya que “gobiernan“ perfilando y prediciendo. 

En el mercado de trabajo, antes de que una persona logre sentarse a una entrevista laboral o cruzar una puerta de una empresa como candidato, un algoritmo ya procesó y filtró sus datos (como por ejemplo la existencia de baches temporales en su currículum, licencias o código postal de su barrio), construyendo un perfil determinado, un score o “riesgo“ que potencialmente pueda eliminarlo del sistema sin dejar rastro. En caso de pasar los filtros, los algoritmos de cámaras, celulares y aplicaciones lo perfilarán (en base a predictores del comportamiento) y controlarán aún si consigue el trabajo. 

Para saber cómo una ecuación decide sobre personas reales, hay que desarmar cómo se piensa y diseña la IA.

Agustina Brizio, abogada especialista en gobernanza digital y coordinadora de Innovación en Asuntos del Sur, ubica el sesgo algorítmico en las instancias primarias del desarrollo. “El entrenamiento de las IA es humano, no automático“, señala. Para ella, la primera batalla contra los sesgos “no se da en el resultado final, sino antes: en los datos, en el diseño y en las bases con las que opera el sistema". Desde la ingeniería de sistemas, Guido Ivetta desglosa esta arquitectura invisible en tres etapas: el ETL (Extracción, Transformación y Carga de datos), el entrenamiento del modelo (machine learning) y la fase de alineación de últimos ajustes.

“En la transformación de las bases hay una gran llave porque ahí se define cuáles son los datos que se van a usar y cómo se va a hacer el análisis“, explica Luján Araujo, directora de ciberseguridad y data security de KPMG. Por eso resulta indispensable incorporar perfiles diversos, con perspectiva social y de género al momento de trabajar en la normalización de la información. “Si las bases son históricas, para perfilar un alto mando o un trabajo masculinizado como piloto de avión, es probable que soliciten varones porque en el pasado esos puestos fueron solo para hombres, encontrará más casos“. 

Para Ivetta, esa curaduría inicial es una decisión estrictamente política: “Si esa curaduría se ejecuta sobre historias laborales de mercados desiguales, la máquina aprenderá que la masculinidad es una métrica implícita de idoneidad. Si lo hace un grupo de varones técnicos sin formación en equidad, las consecuencias tendrán un impacto directo”. 

Araujo remarca la importancia de lo cultural de estos procedimientos. Aún cuando se curen bien los datos y se diseñe con foco en valores como la no discriminación, hay que seguir atentamente el devenir de este tipo de tecnologías, afirma. "No solo tiene que ver con bases de datos mal curadas, sino con los mismos sesgos que existen en la sociedad allí reflejados". Y lo ilustra así: “Si se entrena un modelo con una muestra tomada en Afganistán, esos datos serían reales, prolijos, de buena calidad y aún así serán sesgados en términos de género, porque esa es la cultura que los produjo. La tecnología no es la protagonista del problema sino el reflejo". 

Por eso importan los estudios locales. Hay un caso de estudio local, con un rigor científico reconocido en el mundo (fue premiado en 2025 por Mozilla Festival como trabajo de mayor impacto): Proyecto EDIA (Estereotipos y Discriminación en Inteligencia Artificial). Se trata de una iniciativa de Fundación Vía Libre, una organización civil que defiende los derechos fundamentales en el entorno digital - liderada por la doctora en Ciencias Sociales Beatriz Busaniche-. Junto a investigadoras de la Universidad Nacional de Córdoba realizó un análisis en profundidad para auditar qué le pasa al código al procesar el lenguaje. 

Creó una herramienta de auditoría abierta para “descajanizar“ la IA, es decir, volver comprensibles para no especialistas los mecanismos que no se ven. Personas que no eran programadores ni expertos en métricas vectoriales sondearon el modelo de lenguaje mediante un método intuitivo denominado “pares mínimos“: cambiar una sola variable en una oración y medir qué opción prefiere la IA. Los resultados, reunidos en el dataset HESEIA (46.499 frases co-creadas por 370 docentes y 5.370 estudiantes de 189 escuelas públicas, alojado en servidores de Córdoba), son contundentes. El software asocia de manera sistemática conceptos de prestigio, mando y remuneración ("líder", "salario", "cirujano") al extremo masculino del espacio vectorial, mientras que las tareas de cuidado ("cuidar", "coser", "enfermera") quedan fijadas al extremo femenino. 

Busaniche sintetiza: “Los sesgos le son inherentes. Por eso, la soberanía no se declara, se programa“.

Para este grupo de expertos, una tecnología situada es otra de las claves. Estos proyectos contaron con servidores locales e infraestructura nacional administrada por Usuarios de Software Libre de Argentina, priorizando el código abierto para garantizar la transparencia del sistema y de sus datos. Por otro lado, los equipos que participaron buscaron ser interdisciplinarios, integrados de forma diversa y con formaciones complementarias, desde las ciencias exactas hasta las sociales.

La alineación, en la que etiquetadores humanos moldean y clasifican las respuestas de la máquina según sus criterios culturales, es quizá la etapa más opaca. La investigó la argentina Milagros Miceli, reconocida por la revista Time como una de las cien personas más influyentes en inteligencia artificial: se trata de trabajadores del Sur Global que cobran centavos por minuto y ordenan respuestas en plataformas como Amazon Mechanical Turk. Sin posturas luditas, para Miceli el problema es el uso indiscriminado de la IA y delegar decisiones en ella, sin ver lo que es: una herramienta que dará outputs de forma sesgada. 

¿Las IA aplicadas al trabajo son un Tinder laboral?

Ni las empresas ni los candidatos están formados para comprender en profundidad estas cuestiones. 

Es importante conocer la distinción técnica entre los sistemas ATS (Applicant Tracking System) y el screening con NLP (Procesamiento del Lenguaje Natural). El ATS tradicional actúa como un match binario, un "Tinder laboral" de palabras clave: si la búsqueda exige "liderazgo" y la postulante escribió "gestión de equipos", el sistema la descarta por falta de coincidencia literal. Pero cuando al proceso se le suma un modelo de Procesamiento de Lenguaje Natural, el software pasa de la simple lectura a la inferencia estadística. En esa capa inferencial, el algoritmo no necesita leer la palabra "mujer" o "maternidad" para ejecutar un descarte, por ejemplo. Le basta con cruzar variables aparentemente neutras - como el código postal o las interrupciones en la antigüedad registrada- para deducir un puntaje de "riesgo de productividad", automatizando la exclusión a gran escala y bajo una superficie de matemática perfecta. 

Por otro lado, Araujo subraya la importancia del impacto posterior al entrenamiento, como igualmente importante. “La curva del sesgo tiende a aplanarse y perpetuarse cuando nadie la corrige. Si quien lee una respuesta sesgada - por ejemplo, la idea de que las mujeres no son buenas para trabajos técnicos- no está capacitado para detectarla y la valida esa confirmación pesa matemáticamente, más que toda la evidencia nueva que podría reentrenar a futuros modelos“. El sesgo se retroalimenta con cada usuario. 

Por su parte, Brizio desconfía del entusiasmo que celebra “el cupo femenino“. Reclamar mujeres sentadas en lugares de decisión “no alcanza si se trata de mujeres que se amoldan a las reglas y no cambian el sistema. Puede haber una ingeniera brillante, pero si no entiende las inequidades lo va a señalar como un valor atípico (outlier) y quizás eso impacte en un descarte". 

Catalina Cirio, investigadora co-coordinadora del Laboratorio de Inteligencia Artificial Feminista de Argentina, Perú y Bolivia arroja una preocupación vinculada a las dos velocidades en juego, que expone una paradoja central en el mercado laboral regional. Mientras la adopción de herramientas digitales crece en las áreas de Recursos Humanos, la información sobre cómo operan se mantiene bajo un hermetismo casi total. “No tenemos un solo caso documentado o judicializado de discriminación algorítmica en selección de personal en Argentina, y esto no significa que no ocurra, sino que las empresas protegen con absoluto celo el funcionamiento de sus filtros, no existe obligación de transparentar esos recursos y tampoco hay regulación específica vigente, más allá de las genéricas leyes contra la discriminación“. 

Desde la Asociación Argentina de Mujeres en Inteligencia Artificial -parte de un ecosistema cada vez más nutrido de organizaciones dedicadas al tema- Analía Tarasiewicz, psicóloga especializada en futuro del trabajo, habla de "barreras históricas" que la IA incorpora. Aún no hay un dato duro, pero percibe lo mismo que adelanta la Revista Empleo en su aviso. Hay un patrón que se repite en su consultorio: mujeres de 50 años o más que sienten que sus CVs no pasan los filtros de las plataformas, y se frustran al estar calificadas para los puestos a los que se postulan. Sienten que el descarte ocurre antes de que ningún humano las vea.

Tarasiewicz advierte sobre la responsabilidad compartida entre empresas, proveedores y el Estado: “Eliminar la variable género no resuelve el problema. Las licencias por cuidado, la disponibilidad horaria, el historial salarial o la residencia funcionan como proxies (indicadores indirectos) que reproducen la misma discriminación. Hay una cadena de evasión: Recursos Humanos culpa al proveedor, el proveedor al algoritmo y nadie se hace cargo. La evaluación de personas no es solamente un problema de ingeniería. Abarca trabajo, derechos, medición, comportamiento organizacional y experiencia humana“. 

Micaela Sánchez Malcolm, presidenta de Géneras, que trabaja en incidencia pública, relata un caso ilustrativo. Durante una búsqueda ejecutiva para Amazon Web Services de la región, una líder notó que el sistema no arrojaba candidatas mujeres. Lejos de asumir una falta de idoneidad en el mercado, exigió auditar los parámetros técnicos. La revisión reveló que el filtro exigía 20 años continuos en cargos jerárquicos, descartando a profesionales que habían hecho pausas corporativas o migrado a la consultoría independiente por tareas de crianza. Al recalibrar la instrucción con criterios equitativos, el software finalmente incorporó postulantes mujeres a la terna de entrevistas.

Para Sánchez Malcolm, esa barrera algorítmica es el reflejo matemático de discriminación previa: la baja representatividad histórica de las mujeres en el sector tech. Los números respaldan esa lectura, según un informe de la organización que preside, las mujeres tienen 1,5 veces más posibilidades que los varones de verse desplazadas de su trabajo por efecto de la automatización, y el 27,6% de los empleos femeninos ya está en riesgo de exposición a la IA generativa (dato de ONU Mujeres, 2026).  “Nos costó mucho ocupar lugares de poder o de decisión“, destaca. El caso también expone una fragilidad: la corrección no vino de un protocolo ni de una exigencia legal, sino de una reacción individual. “Termina siendo una decisión aislada que obedece a querer romper esa estructura“.

Carolina Martínez Elebi, directora del medio DHyTecno, docente de la UBA, especialista en el impacto social de las tecnologías de la información, complejiza más aún: “El sesgo algorítmico se esconde en los datos que el sistema infiere. El riesgo no es el dato explícito como el género, sino el dato inferido o proxy (el barrio, los baches en la carrera, etc.) que le permiten al algoritmo discriminar de forma indirecta sin nombrar la variable protegida. Al amparo del secreto comercial y la propiedad intelectual, esa capa de inferencia es intrínsecamente inauditable. Ni el postulante sabe por qué fue rechazado, ni el propio equipo de selección puede explicitar qué variables indirectas o proxies ponderó el algoritmo. En el caso de Amazon regional, la solicitud para revisar el software se hizo gracias a que la empresa tiene su propio desarrollo, pero muchas veces, éstos - sobre todo en RRHH y gestión del talento- se tercerizan“.

Cuando las empresas u organizaciones delegan la gestión del talento en proveedores privados extranjeros, ceden también el control sobre los criterios de selección.

"El gran problema del sesgo en Argentina es que los datos de entrenamiento de los sistemas de IA no son locales, se importan del Norte Global; no hay soberanía de datos", resume Valeria Milanés, directora ejecutiva de la Asociación por los Derechos Civiles. La mayoría de las pymes y empresas medianas de Argentina no compran tecnología: alquilan una caja negra ajena, sin llave para abrirla ni resto de reclamo posible.

Por otra parte, Elebi advierte: “Los sistemas automatizados de evaluación de liderazgo importan con ellos una noción de buen líder con valores del Norte Global (jerárquica, individualista). Pero esta mirada desconoce y deja afuera las dinámicas colectivas de organización laboral arraigadas en Argentina como la tradición de las cooperativas, las fábricas recuperadas y la gestión comunitaria“. Esa dependencia tecnológica desembarca en un terreno normativo poco desarrollado. En Argentina, la regulación de datos personales (Ley 25.326) data del año 2000 y su artículo 20 sólo limita las decisiones automatizadas sin revisión humana en el ámbito administrativo o judicial, librando el ámbito del reclutamiento privado, por lo menos, a la desprotección. 

Sin el Instituto Nacional contra la Discriminación, la Xenofobia y el Racismo como organismo de referencia - ya disuelto por el actual gobierno - y tras el archivo parlamentario de las iniciativas que buscaron el año pasado desde el Congreso de la Nación exigir auditorías algorítmicas y establecer buenas prácticas éticas, la persona rechazada por el algoritmo está atrapada en una asimetría casi insuperable, además de invisible. 

El proyecto que llegó más lejos en 2025 con media sanción, fue firmado por Daniel Gollán. Buscaba clasificar al reclutamiento como una actividad de alto riesgo e invertir la carga de la prueba a favor del trabajador. Perdió estado parlamentario tras el recambio en legislativo. 

Frente a esta intemperie jurídica, la estrategia planteada por especialistas como Tomás Pomar presidente del Observatorio de Derecho Informático Argentino propone no paralizarse a la espera de una ley perfecta, sino combatir la opacidad del “Mago de Oz algorítmico“ mediante el andamiaje legal ya vigente: encuadrar el despliegue del software como una actividad riesgosa (Art. 1757 del Código Civil y Comercial) para exigir la rendición de cuentas de las empresas tanto en los tribunales como en las mesas de negociación colectiva sindical.

“En materias laborales específicamente el problema es cómo estos sistemas terminan estableciendo un Mago de Oz como el jefe detrás de la máquina, pero al hablar con “Mago de Oz“ no hay contacto con un patrón. Esa opacidad es un problema evidente en términos de la defensa de derechos gremiales“. Pomar sugiere dejar de tratar la protección de datos en el empleo como una abstracción de privacidad individual y llevarla a la mesa de negociación colectiva como un elemento clave de la seguridad e higiene laboral. Esto habilita al sindicato a exigir la auditoría de las herramientas de IA que el empleador pretenda instalar.

No obstante, la dirección en la que se avanza parece la opuesta. Investigadoras, juristas y especialistas en derechos digitales manifiestan preocupación por el rumbo de las políticas públicas actuales. El proyecto de reforma de la Ley de Protección de Datos Personales vigente, impulsado por el Ministerio de Desregulación y Transformación del Estado, introduce figuras como el consentimiento tácito y debilita el principio de finalidad del dato. Como alertan Sticco y Ana Paula Valacco, investigadora del impacto de la IA en los trabajadores de prensa, este cambio afecta garantías fundamentales. La información que es entregada en el contexto confidencial de una postulación laboral, no debería poder ser migrada a infraestructuras internacionales con la posibilidad de ser reutilizada comercialmente para fines ajenos como el perfilado publicitario.  

Para Ana Correa, abogada y autora de Ciberfeminismo, la hora de la acción (Ed. Planeta, 2026), flexibilizar la cesión y comercialización de datos personales en lugar de fortalecer la autodeterminación informativa destruye las pocas garantías que hoy tienen los postulantes, consolidando una grave asimetría previa a cualquier regulación específica sobre inteligencia artificial. Correa cita un ejemplo revelador sobre las trampas del procesamiento de texto: “Cuando le dieron a la inteligencia artificial la selección de currículums de admisión en universidades de EE.UU., tomó solo varones. No por los datos objetivos del candidato, sino por el lenguaje de las cartas de recomendación: las de mujeres incluían atributos blandos (empatía, confianza) que la máquina no puntuaba igual que los atributos duros (firmeza, responsabilidad) de los varones“. 

Correa concluye: “Esto es una vulneración de derechos y es violento, porque una IA programada para hacer un promedio estadístico termina pensando que el rol de la mujer es secundario por ejemplo“. 

Mariana Sánchez Caparrós, subdirectora académica del laboratorio de IA de la Facultad de Derecho de la UBA y autora de la investigación doctoral Inteligencia artificial y discriminación, ofrece la mirada jurídica y constitucional más rigurosa sobre el fenómeno. Recurre a la doctrina de las "categorías sospechosas": cuando una decisión afecta a un grupo históricamente discriminado -el género, entre ellas-, la sospecha de discriminación se presume, y es la parte que decidió quien debe probar lo contrario. Aplicado a un algoritmo de selección, el razonamiento es el mismo: si el sistema descarta sistemáticamente currículums de mujeres, la empresa debería mostrar por qué, no la candidata explicar por qué la rechazaron.

Como formadora de futuros profesionales explica a sus alumnos: “Si yo tengo que definir qué es un buen empleado, es una categoría abstracta. Antes hay que definir cuáles son los datos que nos parecen relevantes para darle forma a ese concepto. Si la ingeniería pondera la presencialidad absoluta o la antigüedad sin interrupciones como métricas de idoneidad, el software penalizará automáticamente a las mujeres en edad reproductiva o con tareas de cuidado, codificando la exclusión en el diseño previo“. 

A diferencia de lo que ocurre en mercados hiper automatizados como el estadounidense, Sánchez Caparrós señala que Argentina atraviesa actualmente una etapa de “daño contenido“. Esta menor escala de automatización masiva en la preselección local no significa que esté exenta de riesgo, sino que representa: “una ventana de oportunidad única“.

La experta puntualiza que “estamos justo a tiempo de intervenir normativamente y adaptar los estándares probatorios antes de que el descarte algorítmico se vuelva una práctica masiva e irreversible“.

Valacco señala: “Los sistemas de IA son bastante menos eficientes en destacar que los datos no existen. La naturaleza agregadora de la IA y la preferencia por la repetición de patrones hace que los matices, la diferencia y las historias históricamente minoritarias o invisibilizadas se pierdan, tendiendo siempre a la homogeneización. Por eso los procesos de reclutamiento terminan yendo por el promedio por default“.

Todo esto opera sobre la histórica crisis económica y laboral argentina. Un informe reciente de CP Consultora (septiembre, 2026) informa que el pluriempleo en Argentina alcanzó el récord histórico y afecta a 2.248.174 personas (el 11,5% de la población ocupada). Los índices confirman un proceso de "sustitución de empleo": el mercado de trabajo destruye puestos formales (protegidos y de mayor calidad) y esa pérdida se compensa con un aumento del cuentapropismo y la informalidad. 

De esta forma, aquellas personas - con frecuencia mujeres y sectores vulnerables- que resultan descartadas o invisibilizadas por los algoritmos en las búsquedas del empleo formal son empujadas hacia la economía de plataformas como choferes, repartidoras o vendedoras independientes por internet. Al ser expulsadas por el software de selección, caen bajo el control de otra capa de gestión algorítmica: la de las apps, que monitorean su tiempo y rendimiento minuto a minuto, pero sin red de contención ni derechos laborales básicos. Por eso los especialistas consultados proponen disputar la tecnología. Esa convicción alimenta un ecosistema regional de tecnología situada con perspectiva género y valores democráticos.

Además de EDIA, se destacan AymurAI de DataGénero, un desarrollo de software libre que anonimiza sentencias sobre violencia de género en la justicia para auditar el desempeño judicial; OlivIA, desarrollado por Ana Correa y Mariana Sánchez Caparrós; SofIA, creado en Chile por Daniela Moyano Dávila; Theodora AI, una herramienta chilena de la abogada María José Martabit, que audita discursos, guiones y contenidos para detectar y mitigar estereotipos de género, raza y diversidad antes de su publicación o aplicación; Furia, de México y Perú, un proyecto semilla que incentiva un sistema con datos específicos de personas trans y travestis para uso en selección laboral; La Independiente, un sistema de recomendación y conexión comunitaria para trabajadoras de plataformas digitales en el Sur Global, entre otros.

La Red Feminista de Inteligencia Artificial de América Latina y el Caribe apoya a varias de estas iniciativas. Para todas ellas, la soberanía digital va más allá de un debate técnico sobre sistemas. Es la condición indispensable para garantizar que la revolución tecnológica no termine de consolidar las viejas desigualdades. 

Como concluyen las voces que configuraron esta radiografía, la arquitectura digital sigue siendo un terreno político de decisiones humanas.

Así lo resume el ingeniero Ariel Garbarz en una conferencia en la Universidad Nacional de Entre Ríos al analizar el avance de lo que llama tecnofeudalismo: “El verdadero problema no está solamente en lo que las máquinas pueden hacer, sino en quién controla esas máquinas, qué datos utilizan y para qué se utilizan”. Vale la pena preguntarse entonces: ¿qué mercado laboral estamos creando?