La revista CEO World publicó el 28 de agosto un ensayo de Margot Cairnes. Plantea una pregunta incómoda: cuando la inteligencia artificial aprende qué es pensar bien, ¿de quién es la tradición que aprende? La respuesta de la autora es que la herencia masculina de la inteligencia artificial no es un accidente del entrenamiento. Es la consecuencia de siglos en que instituciones con autoridad masculina definieron qué conocimiento merecía registrarse y conservarse.
Cairnes parte de un dato simple. Los modelos se entrenan con libros, leyes, artículos, archivos y registros profesionales acumulados. Esa acumulación ocurrió en una civilización donde los hombres controlaron durante siglos universidades, gobiernos, empresas, medicina y ciencia. El problema no es solo que los sistemas reproduzcan estereotipos de género visibles. Es que hereden la jerarquía de qué formas de conocimiento se consideran autorizadas y cuáles quedan fuera de esa categoría.
La herencia masculina de la inteligencia artificial se nota en la jerarquía de saberes que el modelo trata como rigurosos. Abstracción, medición, argumento explícito y categorización pesan más que la percepción encarnada, el saber tácito o la experiencia vivida. La autora insiste en que esas formas de conocimiento no son exclusivas de ningún género. La diferencia es histórica: quién definió el marco autorizado y qué capacidades humanas premió ese marco.
La herencia masculina de la inteligencia artificial
El ensayo cita evidencia concreta. Un estudio de UNESCO de 2024 asoció nombres femeninos con roles domésticos y palabras como hogar y familia. Los nombres masculinos se asociaron con negocios, salarios y carreras. Cairnes añade un ejemplo propio. Le dijo a un sistema que había percibido resentimiento en otra persona. La respuesta fue que no podía saberlo con certeza. Técnicamente era defendible. También era revelador. La máquina exigía que su percepción pasara por el mismo portón de evidencia que descartó saberes no formalizados.
La autora cruza a la historia para mostrar continuidad. La persecución de brujas europea no fue solo teología. Fue un sistema de acusación que decidía qué experiencia merecía ser escuchada y cuál se descartaba antes de empezar. El punto no es comparar la IA con un juicio digital de brujas. Es notar que la política del conocimiento se repite. El poder decide qué pregunta es admisible, qué voz suena creíble y qué experiencia entra al registro.
Qué conocimiento entra al modelo
La paradoja que plantea el ensayo es doble. La IA democratiza el acceso a conocimiento codificado. Al mismo tiempo, vuelve más dominante ese conocimiento. El mundo puede volverse más informado y menos perceptivo a la vez. Los saberes que históricamente se transmitieron por práctica, memoria comunitaria o experiencia directa entran al registro digital de forma desigual. Si el modelo se entrena sobre lo que las instituciones escribieron y conservaron, aprende mejor las formas de saber que esas instituciones premiaron.
Hay también un dato de representación. UNESCO reportó en 2024 que las mujeres son cerca del 30% de los profesionales de IA, con menor presencia en posiciones de liderazgo. Cairnes advierte que sumar más mujeres a los equipos no resuelve el problema si todas deben pensar dentro de la misma epistemología estrecha. La pregunta no es solo quién construye. Es qué maneras humanas de conocer están representadas en el sistema.
El cierre propone una alfabetización nueva para quien usa IA. Cuestionar no solo la respuesta, sino el marco que la produce. Cuando el sistema pide evidencia, conviene preguntar si la evidencia es necesaria en esa etapa. O si la conversación todavía está en la fase de notar. Cuando califica algo de subjetivo, conviene preguntar si la subjetividad es irrelevante o es parte del dato. La propuesta final no es rechazar la tecnología. Es integrar más saberes: análisis e intuición, medición y relación, experiencia individual y memoria colectiva. La inteligencia artificial funciona como un espejo. La pregunta es qué haremos al reconocer el reflejo.
