Implicaciones Éticas de la Inteligencia Artificial: Desarrollo, Impacto y Desafíos en la Sociedad Actual
Ethical Implications of Artificial Intelligence: Development, Impact and Challenges in Today's Society
DOI:
https://doi.org/10.29394/Scientific.issn.2542-2987.2025.10.E1.0.10-24Palabras clave:
inteligencia artificial, ética de la tecnología, toma de decisiones, protección de datos, justicia socialResumen
Esta investigación analiza las implicaciones éticas de la Inteligencia Artificial (IA) en la sociedad contemporánea desde cuatro principios fundamentales: beneficencia, no maleficencia, autonomía y justicia. El estudio argumenta que el desarrollo tecnológico debe subordinarse al bienestar humano, estableciendo un equilibrio entre innovación y responsabilidad ética. Como señala Floridi y Cowls (2019); estos principios, complementados por explicabilidad y rendición de cuentas, constituyen un marco conceptual para evaluar el impacto ético de la IA. De acuerdo con Mitchell, et al. (2019); proponen documentación estandarizada mediante “Model Cards” para garantizar transparencia, mientras Barreto (2012); enfatiza la importancia de métricas rigurosas para evaluar el desarrollo social. La investigación examina desafíos críticos como privacidad, decisiones automatizadas y sesgos algorítmicos, evidenciando que estos no son meros problemas técnicos sino manifestaciones de desigualdades estructurales. Según expone Rendón-Macías, Villasís-Keever y Miranda-Novales (2016); aportan metodologías sistemáticas aplicables a evaluaciones éticas, para sustentar lo anterior, Rojas (2014); ofrece perspectivas para estructurar gobernanza equitativa. El estudio concluye que el éxito de la IA no radica en su sofisticación técnica sino en su capacidad para enriquecer la experiencia humana, ampliar libertades y fortalecer la cohesión social.
Descargas
Citas
Barreto, A. (2012). El progreso de la Estadística y su utilidad en la evaluación del desarrollo. Papeles de Población, 18(73), 1-31, e-ISSN: 1405-7425. México: Universidad Autónoma del Estado de México.
Corvalán, J. (2011). El Esquema Cruzado como forma de Análisis Cualitativo en Ciencias Sociales. Cinta de Moebio, (42), 243-260, e-ISSN: 0717-554X. Recuperado de: http://dx.doi.org/10.4067/S0717-554X2011000300002
Floridi, L., & Cowls, J. (2019). A Unified Framework of Five Principles for AI in Society. Harvard Data Science Review, 1(1), 1-14, e-ISSN: 2644-2353. Retrieved from: https://doi.org/10.1162/99608f92.8cd550d1
Mitchell, M., Wu, S., Zaldivar, A., Barnes, P., Vasserman, L., Hutchinson, B., … Gebru, T. (2019). Model Cards for Model Reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency, 220-229. ISBN: 978-1-4503-6125-5. United States: Association for Computing Machinery.
Naranjo, M. (2009). Motivación: perspectivas teóricas y algunas consideraciones de su importancia en el ámbito educativo. Revista de Educación, 33(2), 153-170, e-ISSN: 0379-7082. Recuperado de: https://doi.org/10.15517/revedu.v33i2.510
Rendón-Macías, M., Villasís-Keever, M., & Miranda-Novales, M. (2016). Estadística descriptiva. Ram. Revista Alergia México, 63(4), 397-407, e-ISSN: 0002-5151. México: Colegio Mexicano de Inmunología Clínica y Alergia, A.C.
Rojas, B. (2014). Investigación Cualitativa: Fundamentos y praxis. ISBN: 980-273-471-3. Caracas, Venezuela: Fondo Editorial de la Universidad Pedagógica Experimental Libertador - FEDUPEL.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 INDTEC, C.A.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
El contenido de las revistas de este sitio, están bajo una Licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.
