La inteligencia artificial y su impacto en el

mundo

Profesora: Cinthya Moreno

Alumno: Joaquín Zapata
Curso: 5to año
Colegio: ITCO (instituto técnico cristo obrero)
Introducción:
La inteligencia artificial (IA) ha surgido como una de las tecnologías más revolucionarias de
las últimas décadas. Su capacidad para aprender, adaptarse y realizar tareas que anteriormente
requerían intervención humana ha generado transformaciones significativas en varios
sectores, incluidos la salud, la manufactura, el transporte y, por supuesto, el mercado laboral.
Este informe tiene como objetivo analizar cómo la IA está impactando el empleo global,
destacando las oportunidades que ofrece, los desafíos que plantea, y las posibles soluciones
que pueden utilizarse para borrar los efectos negativos.
¿Qué es la inteligencia artificial?
La inteligencia artificial (IA) es la disciplina de la informática que busca desarrollar sistemas
y tecnologías capaces de emular y ejecutar tareas que requieren procesos cognitivos humanos,
como:
El aprendizaje.
La adaptación.
El razonamiento.
La toma de decisiones.
Estos sistemas utilizan algoritmos y modelos matemáticos para analizar datos, identificar
patrones y mejorar su desempeño a lo largo del tiempo, permitiendo así la automatización y
optimización de diversas actividades en diversos campos industriales y científicos.
La inteligencia artificial (IA) actúa cuando las computadoras aprenden a hacer cosas que
normalmente haríamos las personas, como pensar, aprender y tomar decisiones. Se trata de
hacer que las máquinas sean inteligentes de una manera parecida a cómo lo somos nosotros.

pág. 1
 Desarrollo:
Inteligencia Artificial (IA):
La inteligencia artificial (IA) es una rama de la informática que busca diseñar y construir
sistemas capaces de realizar tareas que normalmente requieren inteligencia humana. Estas
tareas incluyen la resolución de problemas, el reconocimiento de patrones, el procesamiento
del lenguaje natural, la comprensión de imágenes y la toma de decisiones. La IA tiene el
potencial de transformar múltiples industrias, desde la medicina hasta la educación y los
negocios, y se ha convertido en uno de los avances tecnológicos más importantes del siglo
XXI.

Tipos de Inteligencia Artificial

1. IA débil o IA específica:
La IA débil, también llamada IA estrecha o específica, se refiere a sistemas de IA diseñados
para realizar una tarea particular. Estos sistemas son capaces de ejecutar acciones de manera
autónoma, pero solo dentro de un dominio limitado o predeterminado. Ejemplos de IA débil
incluyen asistentes virtuales como Siri, Alexa o Google Assistant, los sistemas de
recomendación de Netflix y Amazon, y los chatbots. Aunque son eficientes en las tareas para
las que están diseñados, no tienen capacidad para adaptarse fuera de sus áreas específicas de
acción.

2. IA fuerte o IA general:
La IA fuerte, también conocida como IA general, es un concepto más teórico que representa
un sistema de inteligencia artificial capaz de realizar cualquier tarea cognitiva humana, sin
limitaciones. Este tipo de IA podría comprender, aprender y aplicar conocimiento en múltiples
dominios, al igual que una persona. Aunque aún no existe una IA fuerte completamente
funcional, este es un objetivo a largo plazo de muchos investigadores en el campo.

3. IA Superinteligente:
es un tipo de IA que superaría la inteligencia humana en todos los aspectos. Este nivel de IA
sería capaz de comprender el mundo de una manera que está más allá de la capacidad
humana, y sería capaz de resolver problemas complejos a una velocidad y eficiencia que los
seres humanos no pueden alcanzar. Es una forma teórica de IA que aún no ha sido
desarrollada en la práctica.

Principales Técnicas de Inteligencia Artificial:

pág. 2
 Aprendizaje Automático:
El aprendizaje automático es un subconjunto de la IA que se basa en la idea de que las
máquinas pueden aprender de los datos sin ser explícitamente programadas para cada tarea.
En lugar de seguir instrucciones rígidas, los sistemas de aprendizaje automático identifican
patrones y hacen predicciones o decisiones basadas en la información que procesan.

El aprendizaje automático utiliza varios algoritmos, entre los cuales destacan:

1. Algoritmos supervisados: En estos algoritmos, el modelo es entrenado con un
conjunto de datos etiquetado, es decir, con ejemplos que ya incluyen la respuesta
correcta. El objetivo es que, una vez entrenado, el sistema pueda hacer predicciones
precisas sobre nuevos datos.
2. Algoritmos no supervisados: En este caso, el sistema trabaja con datos no
etiquetados y trata de identificar patrones o estructuras subyacentes sin conocer de
antemano los resultados esperados.
3. Aprendizaje por refuerzo: Un tipo de aprendizaje en el que un agente toma acciones
en un entorno con el objetivo de maximizar una recompensa acumulada a lo largo del
tiempo.

Aprendizaje profundo:
El aprendizaje profundo una subcategoría del aprendizaje automático que emplea redes
neuronales artificiales con muchas capas (también conocidas como redes neuronales
profundas). Estas redes se inspiran en la estructura y el funcionamiento del cerebro humano.
Cuantas más capas tiene una red neuronal, más compleja puede ser la tarea que es capaz de
aprender. Las redes neuronales profundas son especialmente eficaces en el reconocimiento de
patrones complejos en grandes cantidades de datos, y se utilizan en aplicaciones como el
reconocimiento de voz, la visión por computadora y la traducción automática.

Procesamiento del lenguaje natural:

El procesamiento del lenguaje natural (NLP) es el campo de la IA que se centra en la
interacción entre las computadoras y el lenguaje humano. El objetivo es permitir que las
máquinas comprendan, interpreten y generen lenguaje humano de manera efectiva. Ejemplos
de aplicaciones de NLP incluyen asistentes de voz, traductores automáticos, chatbots y
sistemas de análisis de sentimiento. Este tipo de IA se basa en técnicas como el análisis
sintáctico, la semántica y la traducción automática.

pág. 3
 Aplicaciones de la Inteligencia Artificial:
1. Asistentes virtuales y chatbots:
Uno de los ejemplos más conocidos de IA son los asistentes virtuales, como Siri, Alexa y
Google Assistant. Estos sistemas emplean procesamiento de lenguaje natural para comprender
las solicitudes de los usuarios y realizar acciones como enviar mensajes, buscar información
en internet o controlar dispositivos en el hogar. Los chatbots también utilizan IA para
interactuar con usuarios de manera automática y eficiente en diversas plataformas de servicio
al cliente.

2. Reconocimiento de imágenes y voz:

Los sistemas de reconocimiento de imágenes y voz se han desarrollado gracias a la IA,
específicamente utilizando técnicas de aprendizaje profundo. El reconocimiento facial en los
teléfonos móviles, los sistemas de seguridad basados en imágenes y las aplicaciones de
reconocimiento de voz, como Google Voice o los sistemas de transcripción automática, son
algunos ejemplos de estas tecnologías. Estos sistemas permiten que las máquinas interpreten
señales visuales y auditivas de manera similar a los humanos.

3. Vehículos autónomos:
Los vehículos autónomos o autos sin conductor son una de las áreas más avanzadas de
aplicación de la IA. Estos vehículos utilizan una combinación de sensores, algoritmos de
aprendizaje automático y redes neuronales para percibir su entorno y tomar decisiones de
conducción sin intervención humana. Empresas como Tesla y Waymo están a la vanguardia
en el desarrollo de esta tecnología.

4. Medicina y diagnóstico:
La IA está revolucionando el campo de la medicina, donde se utiliza para mejorar la precisión
de los diagnósticos, analizar imágenes médicas, predecir resultados clínicos y diseñar planes
de tratamiento personalizados. La IA también ha jugado un papel importante en el
descubrimiento de nuevos fármacos, acelerando los procesos de investigación y desarrollo.

5. Finanzas:
En el sector financiero, la IA es ampliamente utilizada para análisis de riesgo, determinación
de precios y detección de fraudes. Los algoritmos de aprendizaje automático permiten a los
bancos y otras instituciones financieras analizar grandes volúmenes de datos para identificar
comportamientos sospechosos en transacciones y mejorar la seguridad.

pág. 4
 6. Desafíos y Consideraciones Éticas:
A medida que la IA avanza y se integra más en la sociedad, también surgen importantes
desafíos éticos y sociales. Algunos de los más destacados incluyen:

7. Privacidad y seguridad:
La IA puede procesar grandes cantidades de datos personales, lo que genera preocupaciones
sobre la privacidad y la seguridad. Los sistemas de vigilancia y reconocimiento facial, por
ejemplo, han sido criticados por su potencial para invadir la privacidad de las personas y ser
utilizados con fines de control social.

Desempleo tecnológico:
A medida que la IA automatiza más tareas, especialmente en industrias como la manufactura
y los servicios, existe un temor creciente de que los trabajos humanos sean reemplazados por
máquinas. Esto plantea preguntas sobre el futuro del trabajo y la necesidad de desarrollar
políticas que apoyen la reconversión laboral y la educación continua.

Toma de decisiones automática:

Otro desafío importante es la transparencia y responsabilidad en la toma de decisiones
automática. Muchos sistemas de IA funcionan como cajas negras, lo que significa que es
difícil entender cómo llegan a ciertas decisiones. Esto es problemático cuando las decisiones
impactan directamente en las vidas de las personas, como en sistemas judiciales o de salud.

Bias o sesgo:
Los sistemas de IA pueden perpetuar sesgos si se entrenan con datos que reflejan prejuicios
existentes en la sociedad. Por ejemplo, los algoritmos de contratación o los sistemas de
reconocimiento facial pueden discriminar a ciertas poblaciones si los datos utilizados para
entrenarlos no son representativos o justos.

Historia y evolución de la inteligencia artificial:

La inteligencia artificial no es un concepto nuevo. Desde los primeros estudios sobre
máquinas pensantes en los años 50 por pioneros como Alan Turing, la IA ha recorrido un
largo camino. Sin embargo, fue en las últimas dos décadas cuando los avances en

pág. 5
 computación y el acceso a grandes volúmenes de datos permitieron el desarrollo de
algoritmos de aprendizaje automático el corazón de muchas aplicaciones actuales de la IA.

El desarrollo de redes neuronales profundas, capaces de procesar datos complejos y aprender

de manera autónoma, ha llevado a la IA a ser aplicada en sectores tan diversos como la
atención médica (diagnóstico de enfermedades), las finanzas (análisis predictivo), la
educación (tutores inteligentes) y la manufactura (automatización de procesos). Estas
aplicaciones han cambiado radicalmente la forma en que las empresas operan y han
comenzado a influir directamente en la dinámica del empleo.

Automatización de tareas y su efecto en el empleo:

Uno de los impactos más evidentes de la IA en el mercado laboral es la automatización de
tareas repetitivas. Este fenómeno no es completamente nuevo; la automatización ha sido una
constante desde la Revolución Industrial. Sin embargo, la IA lleva este proceso a un nuevo
nivel al poder automatizar no solo tareas físicas, sino también tareas cognitivas. Por ejemplo,
en el sector manufacturero, los robots industriales ya están realizando tareas de ensamblaje
que antes requerían mano de obra humana.

El sector de servicios también ha sido testigo de la irrupción de la IA. Los chatbots, por
ejemplo, se están utilizando para atender a clientes en tiempo real, reduciendo la necesidad de
operadores humanos. Esta tecnología no solo mejora la eficiencia, sino que también ofrece
servicios más rápidos y personalizados. No obstante, la automatización puede tener
consecuencias negativas, especialmente para los trabajadores poco especializados, quienes
podrían ver sus empleos eliminados por la tecnología.

Casos de estudio en diferentes sectores:

1. Sector manufacturero: La industria automotriz ha adoptado ampliamente la IA para
la fabricación de vehículos autónomos y la optimización de líneas de producción.
Empresas como Tesla han logrado reducir costos mediante la automatización de tareas
repetitivas, pero a costa de disminuir la necesidad de trabajadores manuales.

2. Sector servicios: Los avances en IA han permitido que las empresas de servicios
financieros implementen algoritmos para el análisis de riesgo crediticio y detección de
fraude, reduciendo la intervención humana y mejorando la precisión en la toma de
decisiones.

pág. 6
 Desplazamiento de empleos y la brecha de habilidades:
Aunque la IA presenta muchas oportunidades, también plantea el riesgo de desplazamiento
laboral, particularmente en los trabajos rutinarios. Según un informe del Foro Económico
Mundial, se espera que alrededor de 85 millones de empleos desaparezcan para 2025 debido a
la automatización y la IA. Los sectores más vulnerables incluyen manufactura, transporte y
atención al cliente.

El desafío, sin embargo, no radica solo en el desplazamiento de empleos, sino en la brecha de

habilidades que surge como consecuencia. A medida que la IA se integra en más industrias, la
demanda de profesionales con habilidades técnicas en programación, ciencia de datos y
análisis de data ha aumentado significativamente. Esto crea que por un lado, empleos en
peligro de extinción y, por otro, nuevas oportunidades que requieren competencias que
muchos trabajadores no poseen.

Soluciones propuestas para la brecha de habilidades:

Recapacitación y formación continua: Los programas de capacitación para los trabajadores
desplazados son fundamentales. Gobiernos y empresas deben colaborar para desarrollar
cursos que ayuden a los empleados a adquirir nuevas habilidades, especialmente en áreas
tecnológicas.

Educación STEM: Impulsar la educación en ciencia, tecnología, ingeniería y matemáticas

desde etapas tempranas es esencial para preparar a las futuras generaciones para un mercado
laboral impulsado por la IA.

Nuevas oportunidades laborales generadas por la IA:

A pesar de los riesgos, la IA también crea nuevas oportunidades laborales. La demanda de
especialistas en IA, científicos de datos, ingenieros de software y profesionales en
ciberseguridad está creciendo exponencialmente. Se estima que para 2025 se generarán más
de 97 millones de nuevos empleos relacionados con la IA y la tecnología.

Las empresas tecnológicas no son las únicas que se benefician de este crecimiento. Sectores
tradicionales como el agrícola y la medicina también están experimentando una
transformación impulsada por la IA. En el sector agrícola, por ejemplo, los algoritmos de
aprendizaje automático están optimizando el uso de fertilizantes y pesticidas, mientras que, en
la medicina, la IA está ayudando a diagnosticar enfermedades más rápidamente y con mayor
precisión.

pág. 7
 Desigualdad económica y el papel de las políticas públicas:
Otro de los grandes desafíos es la creciente desigualdad económica que puede acentuar la IA.
Las grandes empresas, con acceso a capital y recursos tecnológicos, están en una posición
privilegiada para implementar IA y mejorar su productividad. Sin embargo, las pequeñas y
medianas empresas a menudo carecen de los recursos necesarios para adoptar estas
tecnologías, lo que podría agravar las desigualdades económicas existentes.

Para mitigar este problema, es esencial que los gobiernos adopten políticas públicas que
fomenten la innovación, pero que también distribuyan los beneficios de la IA de manera más
equitativa. Iniciativas como subsidios a la innovación, incentivos fiscales para la adopción de
IA y programas de apoyo son cruciales para asegurar que la IA no se convierta en una
herramienta que amplifique la desigualdad.

Tipos comunes de redes neuronales artificiales:

Un tipo común de modelo de entrenamiento en la IA es una red neuronal artificial, que se basa
a grandes rasgos en el cerebro humano.

Una red neuronal es un sistema de neuronas artificiales (a veces llamadas perceptrones), que
son nodos de procesamiento que se usan para clasificar y analizar datos. Los datos se ingresan
en la primera capa de una red neuronal, y cada perceptrón toma una decisión y, luego, pasa
esa información a varios nodos de la siguiente capa. Los modelos de entrenamiento con más
de tres capas se denominan "redes neuronales profundas" o "aprendizaje profundo". Algunas
redes neuronales modernas tienen cientos o miles de capas. La salida de los perceptrones
finales permite realizar la tarea impuesta a la red neuronal, como clasificar un objeto o
encontrar patrones en los datos.

Estos son algunos de los tipos más comunes de redes neuronales artificiales que puedes
encontrar:
1. Las redes neuronales prealimentadas (FF) son una de las formas más antiguas de
redes neuronales, ya que los datos fluyen en una dirección a través de capas de
neuronas artificiales hasta que se obtiene el resultado. En la actualidad, la mayoría de
las redes neuronales prealimentadas se consideran "prealimentadas profundas" con
varias capas (y más de una capa "oculta"). Las redes neuronales prealimentadas suelen
vincularse a un algoritmo de corrección de errores llamado "propagación inversa" que,
en términos simples, comienza con el resultado de la red neuronal y realiza el proceso
en sentido inverso para llegar al principio, detectando errores para mejorar la exactitud

pág. 8
 de la red neuronal. Muchas redes neuronales simples, pero potentes, son
prealimentadas profundas.

2. Las redes neuronales recurrentes (RNN) difieren de las redes neuronales

prealimentadas en que suelen usar datos de series temporales o datos que involucran
secuencias. A diferencia de las redes neuronales prealimentadas, que usan
ponderaciones en cada nodo de la red, las redes neuronales recurrentes tienen
“memoria” de lo que sucedió en la capa anterior como contingente a la salida de la
capa actual. Por ejemplo, cuando se realiza procesamiento de lenguaje natural, las
RNN pueden “tener en cuenta” otras palabras usadas en una oración. Las RNN a
menudo se usan para el reconocimiento de voz, la traducción y la generación de
descripciones de imágenes.

3. La memoria a largo/corto plazo (LSTM) es una forma avanzada de RNN que puede
usar memoria para "recordar" lo que sucedió en capas anteriores. La diferencia entre
las RNN y las LTSM es que estas últimas pueden recordar lo que sucedió hace varias
capas mediante el uso de "celdas de memoria". La LSTM suele usarse para el
reconocimiento de voz y la realización de predicciones.

4. Las redes neuronales convolucionales (CNN) incluyen algunas de las redes

neuronales más comunes en la inteligencia artificial moderna. Las CNN suelen usarse
en el reconocimiento de imágenes y emplean varias capas distintas (una capa
convolucional y, luego, una capa de agrupación) que filtran diferentes partes de una
imagen antes de volver a unirla (en la capa completamente conectada). Es posible que
las capas convolucionales anteriores busquen características simples de una imagen,
como colores y bordes, antes de buscar características más complejas en capas
adicionales.

5. En las redes generativas adversarias (GAN), se usan dos redes neuronales que
compiten entre sí en un juego que, en última instancia, mejora la exactitud del
resultado. Una red (el generador) crea ejemplos que la otra red (el discriminante) juzga
como verdaderos o falsos. Las GAN se han usado para crear imágenes realistas y hasta
hacer arte.

La IA se divide en dos escuelas de pensamiento:

 La inteligencia artificial convencional.

 La inteligencia computacional.

pág. 9
 Inteligencia artificial convencional:
Se conoce también como IA simbólica-deductiva. Está basada en el análisis formal y
estadístico del comportamiento humano ante diferentes problemas:

1. Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven

ciertos problemas concretos y, aparte de que son muy importantes, requieren de
un buen funcionamiento.
2. Sistemas expertos: Infieren una solución a través del conocimiento previo del
contexto en que se aplica y utiliza ciertas reglas o relaciones.

3. Redes bayesianas: Propone soluciones mediante inferencia probabilística.26

Inteligencia artificial basada en comportamientos: Esta inteligencia contiene autonomía,
es decir, puede auto-regularse y controlarse para mejorar.

4. Smart process management: Facilita la toma de decisiones complejas,

proponiendo una solución a un determinado problema al igual que lo haría un
especialista en dicha actividad.

Inteligencia artificial computacional:

Inteligencia computacional:
La inteligencia computacional (también conocida como IA subsimbólica-inductiva)
implica desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de
los parámetros en sistemas de conexiones). El aprendizaje se realiza basándose en datos
empíricos.

La inteligencia computacional tiene una doble finalidad. Por un lado, su objetivo

científico es comprender los principios que posibilitan el comportamiento inteligente (ya
sea en sistemas naturales o artificiales) y, por otro, su objetivo tecnológico consiste en
especificar los métodos para diseñar sistemas inteligentes.

Cómo las empresas usan la IA

Las empresas utilizan la IA principalmente para:

Detectar y disuadir intrusiones de seguridad (44%)

Resolver problemas tecnológicos de los usuarios (41%)
Reducir el trabajo de la gestión de producción (34%)

pág. 10
 Medir el cumplimiento interno en el uso de proveedores aprobados (34%)

Conclusión:
La Inteligencia Artificial es una herramienta sumamente poderosa y necesaria para ayudarnos
a abordar los inmensos retos que debemos superar como especie. Pero si a la hora de
desarrollarla pasamos por alto los factores sociales, laborales y éticos, la Inteligencia Artificial
puede convertirse en arma a favor de la desigualdad, el control y la destrucción.
La inteligencia artificial es, sin duda, una tecnología transformadora que está redefiniendo el
mercado laboral global. Si bien trae consigo grandes oportunidades en términos de
productividad y la creación de nuevos empleos, también plantea importantes desafíos
relacionados con el desplazamiento laboral y la desigualdad económica. La clave para
maximizar los beneficios de la IA reside en una combinación de políticas públicas efectivas,
educación continua y la colaboración entre los sectores público y privado para garantizar que
los trabajadores puedan adaptarse a esta nueva era.
La inteligencia artificial ofrece muchas promesas para la humanidad, pero también podría
representar una amenaza más peligrosa que la bomba nuclear.
Con su capacidad de aprender y evolucionar de forma autónoma, la IA podría superar algún
día la inteligencia humana. Entonces podría decidir volverse contra sus creadores.
Este oscuro presagio puede parecer sacado directamente de una película de ciencia ficción,
pero es una posibilidad muy real. Destacados expertos como Stephen Hawking, Elon Musk o
Bill Gates ya han dado la voz de alarma sobre la inteligencia artificial.
Según ellos, la IA representa un riesgo inminente e inevitable en los próximos años. Por eso
piden a los gobiernos que regulen este campo para que se desarrolle de forma ética y segura.
Más de un centenar expertos ha pedido también a Naciones Unidas que prohíba los «robots
asesinos» y otras armas militares autónomas.
Sin embargo, otros expertos creen que el futuro de la inteligencia artificial depende
únicamente de cómo decidan utilizarla los humanos. Incluso una IA aparentemente inofensiva
podría manipularse y utilizarse de forma malintencionada. Ya podemos verlo con el
incremento de los «DeepFakes»: vídeos falsos creados mediante Deep Learning para mostrar
a una persona en una situación comprometida.
La inteligencia artificial seguirá desarrollándose a gran velocidad en los próximos años. La
humanidad es quien debe decidir qué dirección tomará su desarrollo.

pág. 11
 Bibliografía
https://www.kiwop.com/blog/todo-lo-que-debes-saber-sobre-la-inteligencia-artificial
https://cloud.google.com/learn/what-is-artificial-intelligence?hl=es-419#benefits-of-ai
https://es.wikipedia.org/wiki/Inteligencia_artificial
https://ellisalicante.org/book/ch6
https://datascientest.com/es/inteligencia-artificial-definicion
https://www.ferrovial.com/es/recursos/inteligencia-artificial/
https://www.repsol.com/es/energia-futuro/tecnologia-innovacion/inteligencia-
artificial/index.cshtml
https://www.argentina.gob.ar/justicia/convosenlaweb/situaciones/que-es-la-inteligencia-
artificial

pág. 12