ISBN
979-607-640-002-9
Fecha de publicación
19-06-2025
Licencia
D. R. © Copyright 2025. Ma. Antonia Miramontes Arteaga, Karla Castillo Villapudua, Karla Ruiz Mendoza, Diana Denisse Merchant Ley.
Av. Álvaro Obregón y Julián Carrillo s/n, Col. Nueva. C. P. 21100.
Mexicali, B. C., México
Karla Karina Ruiz Mendoza
Universidad Autónoma de Baja california
0000-0001-8978-8364
Ma. Antonia Miramontes Arteaga
Universidad Autónoma de Baja california
0000-0002-0550-0309
Karla Castillo Villapudua
Universidad Autónoma de Baja california
0000-0002-3693-6420
Acerca de
La inteligencia artificial generativa (IAG) representa una de las innovaciones tecnológicas más prometedoras y disruptivas de los últimos dos años. Esta tecnología tiene la capacidad de producir contenido creativo, desde arte visual hasta literatura, música y programación de software, sin intervención humana directa, habiendo hoy en día herramientas de creación de texto como Chat-GPT, u otros como creación de imágenes Mid Journey o el propio GPT potenciado con Dall-e (Guerrero y Ballester, 2023), e incluso creadores de presentaciones como PopAi. Aunque estas capacidades ofrecen oportunidades sin precedentes para la innovación y la creatividad, también plantean una serie de conflictos éticos y sociales complejos, sobre todo en las universidades, donde existen retos y beneficios como la personalización del aprendizaje y la generación de recursos educativos, lo que también representa desafíos en cuanto a confiabilidad y validez (Gallent et al., 2023). En este capítulo, se exploran estos conflictos, analizando cómo la IAG desafía nuestras nociones tradicionales de autoría, propiedad intelectual, privacidad y justicia social, y cómo podemos abordar estos problemas desde una perspectiva ética, reflexionando sobre la IAG como un propio cuerpo rizomático.
La tecnoética es una rama de la ética que se ocupa de las implicaciones morales y éticas de la tecnología en la sociedad, lo que puede incluir los cuerpos, el transhumanismo (Llamas-Covarrubias, 2020), o bien sobre el bien común y el bienestar de la sociedad en su conjunto (Berendt, 2019), así como la reflexión moral sobre las aplicaciones tecnológicas (Massini-Correas, 2019). Ante esto, uno de los conceptos abordados ante la difusión de Chat GPT fue la creatividad humana, esta ha sido históricamente considerada ilimitada, impulsada por la capacidad de imaginar y crear nuevas formas, ideas y conceptos que siempre dependen de los conocimientos previos, pero también de las sensaciones percibidas.
Roland Barthes, por ejemplo, argumentó sobre la muerte del autor, es decir, ningún texto le pertenece al autor, sino al lector, a la sociedad que lo hace propio (Barthes, 1977), sugiriendo que la creatividad es una construcción colectiva más que una obra individual. Sin embargo, en el contexto actual, reconocer y proteger los derechos de los creadores es un tema importante para fomentar la innovación y la creatividad. Esto incluye abordar los desafíos que plantea la inteligencia artificial generativa (IAG), que puede producir obras creativas sin intervención humana directa. ¿Quién es el propietario de estas obras? ¿El creador del algoritmo el usuario que lo emplea, o la propia máquina?
Referencias
Barthes, R. (1977). La muerte del autor. En R. Barthes, Imagen, música, texto (pp. 142-148). Ediciones Siglo XXI.
Bateson, G. (1980). Vers une écologie de l’esprit. Paris: Le Seuil.
Berendt, B. (2019). AI for the common good?! Pitfalls, challenges, and ethics Pen-Testing. Paladyn. Journal of behavioral robotics, 10(1), 44-65. https://doi.org/10.1515/pjbr-2019-0004
Deleuze, G. y Guattari, F. (1980). Mille plateaux: Capitalisme et schizophrénie 2. Les Editions de Minuit.
Doe, J. (2021). Data privacy and public databases in AI development. International Journal of Data Ethics, 10(3), 45-60.
Dossieres EsF. (2023). Transformación digital de la economía: efectos sobre el trabajo. Economistas sin Fronteras, Otoño 2023, 4-66.
Gallent-Torres, C., Zapata-González, A.y Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: una mirada desde la ética y la integridad académica. RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2), art. M5. https://doi.org/10.30827/relieve.v29i2.29134
Galtung, J. (2008). Form and Content of Peace Education. In M. Bajaj (Ed.), Encyclopedia of Peace Education (pp. 49-58). Information Age Publishing.
Guattari, F. (1989). Les trois écologies. Galilée.
Guattari, F. (1990). Cartographies schizoanalytiques. Galilée.
Guerrero-Solé, F. y Ballester, C. (2023). El impacto de la Inteligencia Artificial Generativa en la disciplina de la comunicación. Hipertext. net, (26), 1-3. https://doi.org/10.31009/hipertext.net.2023.i26.01
Habermas, J. (1981). Theorie des kommunikativen Handelns. Frankfurt: Suhrkamp.
Habermas, J. (1987). The Theory of Communicative Action: Lifeworld and System: A Critique of Functionalist Reason. Beacon Press.
Llamas-Covarrubias, J. Z. (2020). Derechos humanos, transhumanismo y posthumanismo: una mejora tecnológica humana. Derechos fundamentales a debate, 12(1), 85-104. Comisión Estatal de Derechos Humanos Jalisco.
Marshall, C. C. (1998). Toward an ecology of hypertext annotation. Proceedings of the Ninth ACM Conference on Hypertext and Hypermedia: Links, Objects, Time and Space. Structure in Hypermedia Systems: HT ’98, 40-49.
Massini-Correas, C. (2019). Alternativas a la ética contemporánea. Constructivismo y realismo ético. RIALP.
Ricoeur, P. (1984). Time and Narrative. Chicago: University of Chicago Press.
Ricoeur, P. (1996). Sí mismo como otro. Siglo XXI Editores.
Ruiz Mendoza, K. K., Pedroza Zúñiga, L. H., López Harcía, A. Y. (31 de mayo de 2024). Criação e julgamento de itens: ChatGPT como designer e juiz. Texto Livre, 17, p. e51222, 2024. DOI: 10.1590/1983-3652.2024.51222. https://periodicos.ufmg.br/index.php/textolivre/article/view/51222.
Sattele, V., Reyes, M., & Fonseca, A. (2023). La Inteligencia Artificial Generativa en el Proceso Creativo y en el Desarrollo de Conceptos de Diseño. UMÁTICA. Revista Sobre Creación y Análisis de la Imagen, 5(6), 53-73. https://doi.org/10.24310/umatica.2023.v5i6.17153
Smith, J., & Jones, A. (2022). Rhizomatic learning in deep neural networks. Journal of Artificial Intelligence Research, 67, 123-145.
Stengers, I. (2018). Another Science is Possible: A Manifesto for Slow Science. Polity Press.