“Más rápido no es mejor: IA, eficiencia e impacto real”
Laura Benbenaste y Silvana Contreras
LIAA – Laboratorio de Inteligencia Artificial Aplicada
Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires
Hay una pregunta que recorre el debate global sobre inteligencia artificial y organizaciones sociales, y que rara vez se formula con precisión: ¿cuándo la IA genera impacto real, y cuándo solo genera eficiencia? La diferencia importa. No es semántica. Es la diferencia entre productividad y calidad de vida.
En el LIAA trabajamos en la intersección entre la investigación en IA aplicada y el mundo real. Desde esa posición, observamos algo que se repite: organizaciones que adoptan herramientas de IA para reducir costos, automatizar procesos o gestionar datos y que llaman a eso impacto. Pero no siempre lo es.
Dos acepciones de impacto que no deberían confundirse
La literatura académica distingue con claridad dos sentidos del término. En el uso coloquial -y en buena parte del discurso del sector social-, el impacto significa transformaciones sociales positivas deseadas: más personas vacunadas, más chicos escolarizados, menos violencia. En el sentido técnico-evaluativo, el impacto es algo más exigente: el cambio causalmente atribuible a una intervención específica, descontando lo que hubiera ocurrido de todas formas. Esta segunda acepción obliga a una pregunta incómoda: ¿impacto medido cómo, para quién, en qué plazo, y comparado con qué alternativa?
Cowls, Tsamados, Taddeo y Floridi (2021), en su artículo fundacional publicado en Nature Machine Intelligence, ofrecen la definición más precisa disponible: AI for Social Good (AI4SG) es “IA que ayuda a prevenir o resolver problemas que afectan la vida humana o el medioambiente”. Simple en apariencia, pero operacionalmente exigente: requiere poder demostrar que eso ocurre.
Tomašev et al. (2020), en Nature Communications, proponen que el impacto en IA para el bien social requiere tres condiciones simultáneas: alcance (a quién llega la intervención), profundidad (cuánto cambia la condición de vida de quienes reciben la intervención) y sostenibilidad (si el cambio persiste una vez retirada la intervención). Una herramienta que mejora la gestión interna de una organización puede puntuar muy alto en eficiencia y muy bajo en estas tres dimensiones.
Un ejemplo de eficiencia operativa que no necesariamente genera impacto podría ser este: una fundación educativa implementa un sistema de IA para procesar y clasificar automáticamente las postulaciones a sus becas: lee CVs, puntúa perfiles, prioriza candidatos. El equipo reduce a la mitad el tiempo administrativo de selección. Ahora bien, ¿esa herramienta amplió el acceso a la beca hacia jóvenes que antes no llegaban al programa? ¿Algún chico de una escuela rural o de un barrio sin conectividad que antes quedaba afuera ahora tiene más chances de ser seleccionado? Si mañana el sistema se apaga, ¿qué se pierde realmente: horas de trabajo del equipo, o algo en la trayectoria concreta de alguien?
Eficiencia ≠ impacto
Luciano Floridi, uno de los filósofos de la IA más influyentes del mundo, traza una distinción entre la IA como herramienta de eficiencia -reducir fricción en procesos existentes- e IA como herramienta de agencia -ampliar la capacidad de actuar de comunidades vulnerables. Son vectores distintos que pueden apuntar en direcciones opuestas.
Optimizar los procesos internos de una organización social no equivale a transformar las vidas de las personas para las que esa organización trabaja. Puede ser un paso necesario pero no es suficiente para generar impacto. Una organización social que usa IA para gestionar mejor sus fondos es, en el mejor caso, una organización más eficiente. El impacto, en el sentido preciso del término, solo aparece cuando esa eficiencia se traduce en cambios verificables en la vida de comunidades reales.
Cuando la pregunta se vuelve acción
A escala global, algunas iniciativas llevan años trabajando en la tensión propia de la búsqueda de construir real impacto con IA, más allá de la eficiencia operativa.
La plataforma AI for Good, impulsada por la Unión Internacional de Telecomunicaciones de la ONU desde 2017, es el espacio multilateral de mayor referencia, AI for Good no se queda en declaraciones: su programa Innovate for Impact recibe y evalúa cientos de casos de uso de docenas de países cada año, con foco en salud, clima, educación e inclusión digital. El premio AI for Good fue para Chatbot Sophia, una herramienta desarrollada por la ONG suiza Spring ACT junto a Microsoft. Sophia asiste a sobrevivientes de violencia doméstica las 24 horas, en 25 idiomas, de forma completamente anónima y sin dejar rastro digital: ayuda a recopilar evidencia, entender derechos y dar el primer paso para pedir ayuda. Hasta julio de 2025 había sostenido más de 42.000 conversaciones en 172 países. Rhiana Spring, su fundadora, describió la herramienta con una frase que vale más que cualquier definición técnica: “Sophia no es mejor que un humano. Llena un vacío.” No reemplaza a los equipos de apoyo a víctimas que siguen siendo insuficientes y subfinanciados en casi todo el mundo, sino que amplía su alcance hacia personas que, sin este canal, no habrían podido acceder a ningún tipo de ayuda. Eso es agencia. Eso es impacto.
Otras iniciativas trabajan en un plano distinto, pero igualmente necesario. AI4People (Atomium/EISMD, 2018) construyó desde Europa el marco conceptual que hoy permite juzgar qué significa “buena IA” antes de medir su impacto: cinco principios —beneficencia, no maleficencia, autonomía, justicia, explicabilidad— que definen el piso ético desde el cual recién tiene sentido hablar de impacto real. La Partnership on AI (2016), que reúne más de cien organizaciones de academia, sociedad civil e industria, lleva años documentando tensiones reales entre el discurso del bien común y los intereses de las empresas que lo financian: una tensión que no invalida el trabajo, pero que obliga a tener en cuenta este aspecto. Y el Google.org Accelerator: Generative AI (2024) representa el modelo más operativo: organizaciones sociales de todo el mundo reciben financiamiento, asistencia técnica y créditos en la nube para construir soluciones concretas con IA generativa. Es concreto y mensurable. Y también es la pregunta más difícil en forma de iniciativa: cuando la infraestructura que sostiene el impacto social pertenece a una empresa con intereses comerciales, ¿quién garantiza la sostenibilidad del cambio?
En la región, Ashoka Cono Sur impulsa desde su iniciativa AI Com una apuesta que nombra con precisión la tensión que estamos describiendo: convocar a organizaciones latinoamericanas a alinear eficiencia con justicia, velocidad con responsabilidad. No es una declaración menor. Uno de los casos que promueve ilustra exactamente la diferencia entre las dos acepciones de impacto: IA que optimiza rutas de distribución de vacunas y stock en hospitales —eficiencia operativa real y necesaria— combinada con IA que identifica comunidades con mayor vulnerabilidad y adapta campañas de vacunación de manera participativa. El primero puede existir sin el segundo. El segundo transforma. La distinción que AI Com pone en el centro es la misma que este artículo busca sostener.
La pregunta que no puede faltar
Desde el LIAA creemos que la IA tiene potencial real para contribuir a resolver problemas sociales urgentes. También creemos que ese potencial se desperdicia cuando se mide con las métricas equivocadas.
Las preguntas correctas frente a la implementación de innovación con IA en el campo de las organizaciones sociales son las que la literatura y las iniciativas globales más serias han aprendido a formular: ¿a quién llega esta intervención? ¿Cuánto cambia su situación? ¿Ese cambio persiste? ¿Cómo sabemos que ese cambio fue generado por esta herramienta y no por otra cosa?
Eficiencia sin impacto es el problema disfrazado de solución. El desafío no es solamente hacer más rápido lo que ya hacemos. Es asegurarnos de que lo que hacemos cambia algo que importa, para quienes más lo necesitan.
Referencias bibliográficas
Cowls, J., Tsamados, A., Taddeo, M., & Floridi, L. (2021). “A definition, benchmark and database of AI for social good initiatives”. Nature Machine Intelligence, 3, 111–115.
Floridi, L., Cowls, J., King, T. C., & Taddeo, M. (2020). “How to design AI for social good: Seven essential factors”. Science and Engineering Ethics, 26, 1771–1796.
Floridi, L., Cowls, J., Beltrametti, M., et al. (2018). “AI4People-An Ethical Framework for a Good AI Society”. Minds and Machines, 28(4), 689–707.Tomašev, N., Cornebise, J., Hutter, F., et al. (2020). “AI for social good: unlocking the opportunity for positive impact”. Nature Communications, 11, 2468.