AI Literacy

La alfabetización en IA es la capacidad de comprender, utilizar y evaluar de forma crítica la inteligencia artificial, reconociendo sus limitaciones y las responsabilidades que conlleva. Tener conocimientos sobre IA significa saber lo suficiente para elegir una herramienta adecuada, cuestionar sus resultados, proteger la información confidencial y decidir cuándo es necesario el criterio humano. No hace falta convertirse en ingeniero de IA: el objetivo es participar con conocimiento de causa, no dominar todos los algoritmos.

Esta habilidad se aplica a los chatbots, los sistemas de recomendación, los modelos predictivos y la visión artificial, que analiza imágenes y vídeos. En todas estas aplicaciones, la pregunta clave es la misma: ¿qué pruebas justifican confiar en este sistema para esta tarea?

Competencias básicas de alfabetización en IA#

Un buen punto de partida es la combinación de comprensión, evaluación y uso responsable que describe el marco de alfabetización en IA de Digital Promise. Estas capacidades se refuerzan entre sí.

Comprender implica reconocer que el aprendizaje automático aprende patrones a partir de datos, en lugar de limitarse a seguir reglas programadas explícitamente. Un modelo es un programa entrenado para hacer predicciones o generar contenido. Tal como explica la introducción al aprendizaje automático de Google, los distintos enfoques de aprendizaje sirven para diferentes tareas. El entrenamiento desarrolla el modelo; la inferencia lo aplica a nuevas entradas.

Evaluar significa comprobar si los resultados son precisos y adecuados para el contexto en el que se van a utilizar. Una redacción fluida no demuestra que algo sea cierto, y una predicción segura no es una garantía. Hay que preguntarse si los datos de evaluación se parecen al entorno en el que funcionará el sistema.

El uso responsable plantea además cuestiones sobre privacidad, equidad y rendición de cuentas. ¿A quién podría perjudicar un error? ¿Qué información debe seguir siendo privada? ¿Quién revisa las decisiones importantes? El Marco de gestión de riesgos de IA del NIST ofrece una base estructurada para tener en cuenta estos riesgos.

La alfabetización en IA y conceptos relacionados#

La alfabetización en IA se solapa con la alfabetización digital, que trata sobre el uso y la evaluación de las tecnologías digitales en general. La alfabetización en datos se centra más concretamente en interpretar datos, estadísticas y pruebas. La alfabetización en IA relaciona estas habilidades con sistemas que hacen predicciones, generan contenido o ayudan a tomar decisiones.

La ingeniería de prompts, es decir, diseñar instrucciones para un modelo de IA, es una habilidad práctica dentro de la alfabetización en IA, no un sustituto de esta. Alguien puede escribir prompts eficaces y, aun así, pasar por alto respuestas inexactas o el uso compartido inadecuado de datos.

Del mismo modo, la ética de la IA estudia principios como la equidad y la rendición de cuentas; la alfabetización en IA ayuda a aplicar esos principios en las interacciones cotidianas. La explicación de la alfabetización en IA de Stanford destaca que utilizar herramientas y evaluar sus implicaciones éticas son capacidades distintas y complementarias.

Aplicaciones en el mundo real#

Inspección en fabricación: Imagina un sistema de detección de defectos basado en cámaras que comprueba si los productos tienen grietas. Un operario con conocimientos de IA distingue entre falsos positivos —productos aceptables marcados como defectuosos— y falsos negativos —defectos que el sistema no detecta—. Los primeros provocan rechazos innecesarios; los segundos dejan pasar fallos en la inspección. Comprender la precisión y la exhaustividad ayuda al equipo a evaluar ambos errores: la precisión mide cuántos de los defectos marcados son reales, mientras que la exhaustividad mide cuántos de los defectos reales se detectan.

Apoyo en el aula: Un estudiante utiliza un chatbot para que le explique un tema de ciencias. Un estudiante con conocimientos de IA considera la respuesta un punto de partida, contrasta las afirmaciones factuales con el material del curso y evita compartir información personal. El profesor pide a los estudiantes que expliquen las correcciones y declaren cuándo han recibido ayuda. Así, el uso de herramientas se convierte en una práctica de verificación y razonamiento independiente, acorde con el enfoque centrado en las personas del marco de competencias en IA para estudiantes de la UNESCO.

Ejercicio práctico de visión artificial#

La inspección práctica permite apreciar claramente la diferencia entre una predicción y la realidad. Instala el paquete con pip install -U ultralytics, siguiendo la guía de instalación de Ultralytics.

Este ejemplo utiliza Ultralytics YOLO con un modelo de detección YOLO26 preentrenado y el flujo de trabajo de predicción documentado:

from ultralytics import YOLO

# Carga un modelo de detección de objetos preentrenado.
model = YOLO("yolo26n.pt")

# Ejecuta la inferencia en una imagen de muestra pública.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Guarda las predicciones etiquetadas para inspeccionarlas visualmente.
result.save(filename="ai_literacy_example.jpg")

La imagen guardada muestra las etiquetas y los recuadros de los objetos predichos. Compáralos con lo que puedes ver realmente: ¿se han pasado por alto objetos, se han etiquetado mal o se han localizado de forma imprecisa? Este ejercicio desarrolla la capacidad de evaluación crítica; que el resultado sea correcto en una imagen no demuestra que el sistema sea fiable en otros entornos.

Desarrollar y evaluar la alfabetización en IA#

Empieza con una tarea conocida, identifica cómo sería un resultado correcto y decide qué errores importan. Compara los resultados con pruebas independientes y documenta las limitaciones antes de ampliar el uso.

En el caso de los niños, utiliza actividades adecuadas para su edad que permitan observar los errores sin exigir conocimientos avanzados de programación. Las lecciones de alfabetización en IA de Common Sense Education ayudan a abordar cuestiones como los sesgos, la calidad de la información y la participación responsable.

Evalúa la alfabetización mediante el criterio demostrado, no solo por la familiaridad con las herramientas. ¿Puede el estudiante explicar las limitaciones de un resultado, verificar una afirmación, proteger los datos privados y justificar cuándo no debe utilizar la IA? Estas habilidades sirven para distintas herramientas y aplicaciones.