Detrás de cada modelo de inteligencia artificial que procesa datos científicos hay una cadena de decisiones humanas que los algoritmos no pueden reemplazar. Esa es la tesis central que Sabina Leonelli, filósofa de la ciencia y profesora de la Universidad de Munich, ha defendido públicamente: la teoría científica no desaparece con la automatización, sino que se desplaza hacia etapas menos visibles del proceso de investigación.
Leonelli argumenta que la teoría está presente desde antes de que se recopile un solo dato: en la elección de qué observar, cómo diseñar los experimentos y qué evidencias se consideran válidas. A medida que la ciencia ha evolucionado —desde las primeras clasificaciones de fenómenos naturales hasta las simulaciones actuales impulsadas por satélites y bases de datos masivas— la automatización ha ampliado la escala del análisis, pero no ha eliminado la necesidad de interpretación.
El problema de los datos que parecen neutrales
Uno de los argumentos más relevantes para quienes toman decisiones basadas en modelos de datos es la advertencia sobre la distribución desigual de la información. Leonelli señala que la cobertura digital del mundo no es uniforme: la concentración de estaciones meteorológicas, el acceso a internet y la representación de distintas comunidades en bases de datos generan sesgos estructurales que los modelos de IA heredan sin cuestionarlos.
A esto se suma el fenómeno de los llamados "datos zombi": información obsoleta o mal documentada que los sistemas de inteligencia artificial pueden procesar como si fuera válida, sin mecanismos internos para evaluar su fiabilidad. Este riesgo no es teórico; afecta directamente la calidad de las conclusiones que se extraen de cualquier sistema entrenado con datos históricos sin auditoría rigurosa.
Automatización sin supervisión: el riesgo de invisibilizar contextos
La propuesta de Leonelli no es rechazar la inteligencia artificial, sino redefinir el rol humano dentro de los procesos que esta automatiza. Su concepto de "inteligencia ambiental" plantea que la capacidad de generar conocimiento no reside en individuos o máquinas de forma aislada, sino en la interacción entre personas, tecnologías y contextos específicos.
Esta perspectiva tiene implicaciones directas para cualquier organización que dependa de modelos predictivos o sistemas de análisis automatizado: la estandarización tecnológica puede desplazar conocimientos locales y hacer invisibles a comunidades subrepresentadas en los datos de entrenamiento. El resultado son modelos que funcionan bien en promedio, pero fallan de forma sistemática en los segmentos que más importa comprender.
Mantener a personas con criterio analítico dentro del ciclo de validación de datos no es un freno a la eficiencia; es la condición para que los resultados sean confiables. La producción de conocimiento útil —científico o empresarial— sigue siendo un esfuerzo que requiere juicio, contexto y responsabilidad sobre las interpretaciones que se integran en cada sistema.
