El giro algorítmico y la mirada sociocrítica: La reconfiguración del conocimiento social y el trabajo en la era de la inteligencia artificial
¿El problema de tu investigación es teórico o es metodológico? Esta pregunta, que suele rondar los pasillos de las facultades de ciencias sociales como un fantasma persistente, adquiere hoy una urgencia inédita. No se trata simplemente de elegir entre una entrevista o una encuesta, ni de decidir si el marco de referencia será Bourdieu o Foucault. En la era de la inteligencia artificial y el Big Data, la tensión se ha desplazado hacia la raíz misma de nuestra capacidad para conocer lo social. Estamos ante un escenario donde la promesa de una objetividad algorítmica definitiva parece amenazar con desplazar la labor hermenéutica del investigador. Sin embargo, en esta aparente victoria de los datos masivos sobre la interpretación profunda, surge una paradoja fundamental: mientras más algoritmos pueblan nuestro mundo, más imperativa se vuelve la necesidad de un pensamiento crítico y, sobre todo, situado.
La metamorfosis de la investigación social: Entre la eficiencia y la opacidad
La irrupción de la inteligencia artificial (IA) en las ciencias sociales ha sido descrita como una fuerza transformadora de doble filo. Por un lado, la capacidad de procesar volúmenes ingentes de información permite identificar patrones y tendencias que antes eran invisibles para el ojo humano, facilitando el análisis del comportamiento electoral o el impacto de políticas públicas en tiempo real.1 Por otro lado, esta adopción tecnológica plantea desafíos éticos y metodológicos que cuestionan la transparencia de los procesos de producción de conocimiento.1
Aproximadamente el 72% de los investigadores que han integrado herramientas de IA en su labor reportan un impacto positivo en la eficiencia del análisis de datos.1 No obstante, esta ganancia en velocidad a menudo se paga con una pérdida de interpretabilidad. El 50% de estos mismos profesionales manifiesta preocupaciones significativas sobre los sesgos algorítmicos y la privacidad de los datos personales.1 Esta tensión entre la "precisión" técnica y la "responsabilidad" social es el campo de batalla de la metodología contemporánea.
Cuadro 1: Percepción del impacto de la IA en la práctica investigativa
Fuente: Elaboración propia a partir de datos recopilados en investigaciones sobre el impacto de la IA en ciencias sociales.1
El desplazamiento hacia una investigación "datificada" —donde diversos aspectos de la vida social se convierten en registros cuantitativos— ha impulsado discursos radicales como el de "el fin de la teoría". Esta postura sostiene que, ante la inmensidad de los datasets, ya no es necesario construir hipótesis; basta con que los algoritmos encuentren correlaciones.3 Sin embargo, desde una mirada sociocrítica, esta visión es un revival del positivismo que ignora que los datos son, en realidad, una construcción humana, condicionados por el lugar, la lengua y la ideología de quienes intervienen en su recolección.4
Epistemologías de la parcialidad: La vigencia del conocimiento situado
Frente a la pretensión de una objetividad universal que a menudo oculta una perspectiva blanca, masculina y nor-céntrica, la teoría del conocimiento situado de Donna Haraway emerge como una brújula indispensable. Haraway propone que el saber no puede ser desligado de sus contextos materiales y discursivos.5 En la era del Big Data, esto significa reconocer que el algoritmo no es una herramienta neutral, sino un "nodo de experiencias" y decisiones humanas codificadas.5
La objetividad no debería ser la ausencia de perspectiva, sino una "objetividad responsable" que reflexione sobre las condiciones que hacen posible nuestro saber.5 Esta postura rompe con la desigualdad histórica entre quienes pueden conocer y quienes son conocidos, proponiendo la investigación como una forma de "difracción" —que complejiza la teoría— en lugar de una simple "reflexión" que pretende representar la realidad de forma estática.6
De la epistemología a la ontología relacional
El debate actual no es solo sobre cómo conocemos, sino sobre qué existe en un mundo mediado por máquinas. La ontología relacional sugiere que el sujeto y el objeto de estudio se enriquecen y determinan mutuamente en un juego de marcas parciales.7 Los datos no son entidades preexistentes que la IA "descubre", sino que son productos de prácticas académicas y técnicas que deben ser interrogadas de manera crítica.4
Importa qué materias usamos para pensar otras materias e importa qué historias contamos para contar otras historias.7 En este sentido, la investigación social contemporánea tiene la tarea de "situar" el Big Data, devolviéndole la carnadura social que los procesos de normalización y estandarización le quitan para hacerlo procesable por una máquina.9
El desafío de la "caja negra" y los monstruos de la razón
Uno de los conceptos más críticos en la sociología de los algoritmos es la "caja negra". Muchos sistemas de IA operan de forma opaca, donde se conoce la entrada y la salida, pero no la lógica interna exacta que lleva al resultado.10 Esta falta de transparencia se justifica a menudo bajo el secreto empresarial, pero en la práctica permite que se escondan discriminaciones basadas en etnia, sexo o religión.10
Dar por buenos los datos procesados por la IA sin someterlos a escrutinio crítico es, en palabras de Julio César Guanche, un "sueño de la razón que produce monstruos sin cesar".11 Los algoritmos no son racistas por sí mismos, pero producen resultados racistas porque codifican la exclusión histórica inscrita en los datos con los que se entrenan.11
Cuadro 2: Fallos algorítmicos documentados por falta de perspectiva sociocrítica
Fuente: Recopilación de casos sobre sesgo y opacidad algorítmica.10
Estos ejemplos demuestran que el "solucionismo tecnológico" —la creencia de que la tecnología por sí sola puede resolver problemas sociales complejos— a menudo termina agravándolos.11 La IA, lejos de ser una inteligencia autónoma, es un reflejo de nuestras estructuras sociales; si estas son desiguales, la IA será una máquina de producción de desigualdad a escala.11
Big Data necesita Thick Data: El retorno de la etnografía
En el ámbito industrial y tecnológico, se ha hecho evidente que el Big Data es insuficiente para tomar decisiones conscientes. Tricia Wang acuñó el término "Thick Data" (datos densos) para referirse a la información cualitativa que proporciona profundidad de significado y contexto emocional.9 Mientras el Big Data identifica patrones a gran escala aislando variables, el Thick Data revela el contexto social y las conexiones entre esos puntos de datos.9
El Big Data produce tanta información que necesita algo más para revelar los vacíos de conocimiento. Las organizaciones que ignoran el Thick Data corren el riesgo de optimizar métricas vacías, olvidando la experiencia real de las personas.9 Casos históricos como el de Nokia, que subestimó el auge de los smartphones por confiar excesivamente en datos cuantitativos de ventas tradicionales, demuestran que los números solos no pueden predecir el futuro si no comprenden el cambio en el modelo del mundo de los usuarios.8
Cuadro 3: Comparativa metodológica: Big Data vs. Thick Data
Fuente: Elaboración basada en la propuesta de Tricia Wang sobre integración de métodos.9
La integración de ambos enfoques permite que las organizaciones y los investigadores fundamenten sus preguntas de negocio o de investigación en preguntas humanas.15 El Thick Data es el mejor método para mapear territorio desconocido; cuando no sabemos lo que no sabemos, necesitamos historias, no solo frecuencias.9
El futuro del trabajo: ¿Habilidades blandas o análisis social?
El auge de la IA está reconfigurando el mercado laboral global. Se estima que para el año 2030, aproximadamente 92 millones de roles serán desplazados, pero surgirán 97 millones de nuevos empleos que requieren una combinación vital de habilidades técnicas y humanas.16 En este contexto, las llamadas "habilidades blandas" (soft skills) están siendo revalorizadas como "habilidades de poder" (power skills).16
Sin embargo, desde una perspectiva metodológica, es necesario problematizar el término "blando". Lo que el mercado laboral demanda hoy bajo nombres como "pensamiento crítico", "empatía" o "comunicación efectiva" son, en realidad, habilidades de análisis social.19 La capacidad de entender un contexto socio-cultural para minimizar conflictos o plantear soluciones viables es la herramienta definitiva en un mundo saturado de algoritmos.20
La sociología y la antropología como ventajas competitivas
A medida que las máquinas se encargan de la ejecución técnica, la labor de interpretación y el juicio ético se vuelven indispensables. Los profesionales de las ciencias sociales no solo son expertos en el pasado o en la teoría abstracta; son los arquitectos de la comprensión humana en entornos tecnológicos.21 La capacidad de aprender, desaprender y volver a aprender se convierte en la habilidad central para navegar la incertidumbre laboral.23
La combinación efectiva de habilidades duras y sociales permite resolver situaciones críticas que los algoritmos no pueden procesar por sí solos, como la negociación, el liderazgo basado en valores y la responsabilidad ante las consecuencias de los actos.19 En definitiva, a más IA, más necesitamos de la mirada situada del científico social para asegurar que la tecnología esté al servicio de la vida y no al revés.25
La investigación social en Chile: Desafíos para académicos y tesistas
En Chile, la Política Nacional de Inteligencia Artificial ha marcado una hoja de ruta para insertar al país en la transformación tecnológica, con un fuerte énfasis en la ética y la gobernanza.27 La actualización de esta política al 2024 subraya la importancia de formar talentos con pensamiento crítico, capaces de analizar no solo el funcionamiento técnico de la IA, sino también su impacto en los derechos fundamentales y la cohesión social.27
Para académicos y tesistas, esto implica un cambio de paradigma en la forma de concebir la tesis y la investigación. La IA no es solo un objeto de estudio, sino una herramienta que irrumpe en la práctica misma de la investigación.30 El uso de modelos de lenguaje (LLMs) para asistir en la codificación cualitativa es un ejemplo de este cambio, ofreciendo eficiencia y consistencia, pero planteando el reto de no perder el control humano sobre la interpretación crítica.31
El papel de la academia y la ética pública
La Universidad de Chile y otros centros de pensamiento nacionales están liderando discusiones sobre cómo la IA interactúa con las desigualdades sociales preexistentes.12 Existe un consenso en que el desarrollo tecnológico no es neutral y que se requieren políticas inclusivas para evitar que la IA aumente la brecha de pobreza o exclusión.12
La formación de nuevos investigadores debe contemplar:
Alfabetización algorítmica: Entender cómo se construyen los datos y los modelos.27
Vigilancia ética: Identificar riesgos de discriminación en el uso de IA en sectores como salud, justicia o educación.26
Metodologías híbridas: Combinar el análisis masivo de datos con la profundidad etnográfica para evitar el "solucionismo".36
Hacia una metodología de la responsabilidad
La investigación social hoy se encuentra en una encrucijada. No podemos ignorar la potencia de la inteligencia artificial, pero tampoco podemos permitir que la fascinación por el dato desplace la responsabilidad del pensamiento crítico. El conocimiento siempre ha sido y seguirá siendo parcial y situado; la diferencia es que ahora nuestros instrumentos de observación son tan complejos que a menudo olvidamos que fuimos nosotros quienes los calibramos.
El futuro del trabajo y de la ciencia social no depende de competir con las máquinas en términos de procesamiento de información, sino de superarlas en términos de análisis de significado. Una investigación es una toma de posición política que busca desestabilizar verdades absolutas y abrir espacios para nuevas narrativas.7 En un mundo cada vez más tecnológico, la antropología y la sociología no son reliquias del pasado, sino las herramientas definitivas para entender las profundas transformaciones que la IA está operando en nuestra forma de amar, trabajar y decidir.
¿Estamos dispuestos a someter nuestros algoritmos al mismo rigor crítico con el que interrogamos nuestras teorías? La respuesta a esta pregunta definirá la credibilidad y el impacto de la investigación social en las décadas por venir.
Obras citadas
Vista de El Reto de la Inteligencia Artificial ante la Investigación en Ciencias Sociales | Revista Científica Hallazgos21, fecha de acceso: marzo 31, 2026, https://revistas.pucese.edu.ec/hallazgos21/article/view/688/731
El impacto de la Inteligencia Artificial en la Sociedad: Una Revisión Sistemática de su Influencia en Ámbitos Sociales, Económicos y Tecnológicos | Ciencia Latina Revista Científica Multidisciplinar, fecha de acceso: marzo 31, 2026, https://ciencialatina.org/index.php/cienciala/article/view/16468
Hacia un análisis de los marcos epistémicos del big data - Redalyc, fecha de acceso: marzo 31, 2026, https://www.redalyc.org/journal/101/10174918005/html/
BIG DATA EN LAS HUMANIDADES DIGITALES. NUEVAS CONVERSACIONES EN EL CONTEXTO ACADÉMICO GLOBAL - Acción Cultural Española, fecha de acceso: marzo 31, 2026, https://www.accioncultural.es/media/Default%20Files/activ/2017/ebook/anuario/4BigDataHumamidades_AntonioRojas.pdf
Situated knowledge: Donna Haraway. - YouTube, fecha de acceso: marzo 31, 2026, https://www.youtube.com/watch?v=H2c-1cKBZfE
Conocimiento situado - Wikipedia, la enciclopedia libre, fecha de acceso: marzo 31, 2026, https://es.wikipedia.org/wiki/Conocimiento_situado
La teoría de Haraway del conocimiento situado y su vínculo con la ontología relacional de Barad y el análisis de prácticas - Dialnet, fecha de acceso: marzo 31, 2026, https://dialnet.unirioja.es/descarga/articulo/9342015.pdf
Big Data needs Thick Data - ResearchGate, fecha de acceso: marzo 31, 2026, https://www.researchgate.net/publication/259823416_Big_Data_needs_Thick_Data
Why Big Data Needs Thick Data. Integrating Qualitative and… | by Tricia Wang | Ethnography Matters | Medium, fecha de acceso: marzo 31, 2026, https://medium.com/ethnography-matters/why-big-data-needs-thick-data-b4b3e75e3d7
Todo lo que necesitas saber sobre los algoritmos de caja negra | IEBS Business School, fecha de acceso: marzo 31, 2026, https://www.iebschool.com/hub/todo-lo-que-necesitas-saber-sobre-los-algoritmos-de-caja-negra/
La historia del algoritmo. Los “fallos” de la Inteligencia Artificial, fecha de acceso: marzo 31, 2026, https://www.unesco.org/es/articles/la-historia-del-algoritmo-los-fallos-de-la-inteligencia-artificial
LA INTELIGENCIA ARTIFICIAL EN SOCIOLOGÍA - I Congreso Internacional FUTUREDUCA 2024, fecha de acceso: marzo 31, 2026, https://2024.futureduca.org/ponencia/la-inteligencia-artificial-en-sociologia/
What is Thick Data vs Big Data? | UserTesting Glossary, fecha de acceso: marzo 31, 2026, https://www.usertesting.com/glossary/t/thick-databig-data
Big Data Needs Thick Data | Ethnography Matters - WordPress.com, fecha de acceso: marzo 31, 2026, https://ethnographymatters.wordpress.com/2013/05/13/big-data-needs-thick-data/
Thick Data and Big Data: Both Are Needed | UserTesting Blog, fecha de acceso: marzo 31, 2026, https://www.usertesting.com/blog/thick-data-vs-big-data
El futuro del trabajo y las competencias laborales: blandas, duras y digitales., fecha de acceso: marzo 31, 2026, https://www.administracion.usmp.edu.pe/revista-digital-usmp/entrada_6/el-futuro-del-trabajo-y-las-competencias-laborales-blandas-duras-y-digitales/
Cuáles son los empleos del futuro y las habilidades que necesitas para conseguirlos, fecha de acceso: marzo 31, 2026, https://es.weforum.org/stories/2025/01/informe-sobre-el-futuro-del-empleo-2025-los-empleos-del-futuro-y-las-habilidades-necesarias-para-conseguirlos/
Habilidades blandas: las más valoradas en el mercado laboral - TecScience, fecha de acceso: marzo 31, 2026, https://tecscience.tec.mx/es/humano-social/habilidades-blandas-en-el-mercado-laboral/
Supervisión Efectiva de Equipos de Trabajo | PDF | Liderazgo | Business - Scribd, fecha de acceso: marzo 31, 2026, https://es.scribd.com/document/575645464/Sence
PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ FACULTAD DE CIENCIAS SOCIALES LA VALORACIÓN DE LOS DIFERENTES ACTORES EN RELACIÓN A - Tesis PUCP, fecha de acceso: marzo 31, 2026, https://tesis.pucp.edu.pe/bitstreams/e07d7e38-5d02-4001-a5b2-9b15d41f7f8c/download
Habilidades para el futuro laboral. Un modelo basado en pensamiento crítico en estudiantes de Formación Profesional - Dialnet, fecha de acceso: marzo 31, 2026, https://dialnet.unirioja.es/descarga/articulo/9950224.pdf
El desafío tecnológico desde una mirada antropológica - Telos Fundación Teléfonica, fecha de acceso: marzo 31, 2026, https://telos.fundaciontelefonica.com/el-desafio-tecnologico-desde-una-mirada-antropologica/
Efecto de la inteligencia artificial en la sociedad: impactos reales, dilemas y caminos posibles - Andrea Iorio, fecha de acceso: marzo 31, 2026, https://andreaiorio.com/es/blog/efecto-de-la-inteligencia-artificial-en-la-sociedad/
Revista Electrónica de Investigación Educativa Sonorense | RED-IES, fecha de acceso: marzo 31, 2026, https://rediesonorense.files.wordpress.com/2012/09/redies-12_final1.pdf
Encuentro Nacional de Ciencias Sociales y Humanas: Los mundos posibles de la Inteligencia Artificial - YouTube, fecha de acceso: marzo 31, 2026, https://www.youtube.com/watch?v=n0YdzRM70-Y
Principios éticos para una inteligencia artificial antropocéntrica: consensos actuales desde una perspectiva global y regional. | Montreal AI Ethics Institute, fecha de acceso: marzo 31, 2026, https://montrealethics.ai/principios-eticos-para-una-inteligencia-artificial-antropocentrica-consensos-actuales-desde-una-perspectiva-global-y-regional/
Ley Chile - Decreto 12 (28-ene-2025) M. de Ciencia, Tecnología, Conocimiento e Innovación - BCN, fecha de acceso: marzo 31, 2026, https://www.bcn.cl/leychile/navegar?idNorma=1210664
Chile actualiza su Política Nacional de Inteligencia Artificial para ..., fecha de acceso: marzo 31, 2026, https://ia.udp.cl/chile-actualiza-su-politica-nacional-de-inteligencia-artificial-para-impulsar-un-desarrollo-etico-y-sostenible/
Inteligencia Artificial - MinCiencia, fecha de acceso: marzo 31, 2026, https://www.minciencia.gob.cl/areas/inteligencia-artificial/Inteligencia-Artificial/
3.2 La etnografía frente a los desafíos de la tecnología - YouTube, fecha de acceso: marzo 31, 2026, https://www.youtube.com/watch?v=--Hmxaqd6iA
Vista de Los LLM y la codificación en la investigación cualitativa ..., fecha de acceso: marzo 31, 2026, https://centracs.es/revista/article/view/176/226
Los desafíos éticos del avance de la IA y la tecnología y el rol de la academia, fecha de acceso: marzo 31, 2026, https://uchile.cl/noticias/232751/los-desafios-eticos-del-avance-de-la-ia-y-la-tecnologia-
Desafíos éticos y metodológicos de la inteligencia artificial generativa en educación superior: Revisión bibliométrica | Revista Reflexiones de la Sociedad y Economía, fecha de acceso: marzo 31, 2026, https://revistareflexiones.org/index.php/rse/article/view/13
TECNOLOGÍA Y SOCIEDAD - Factec Usach, fecha de acceso: marzo 31, 2026, https://factec.usach.cl/sites/tecnologica/files/paginas/5to_libro_de_investigacion_factec-nov-2025-9_6_0.pdf
Inteligencia Artificial archivos - CIPER Chile, fecha de acceso: marzo 31, 2026, https://www.ciperchile.cl/tag/inteligencia-artificial/
Big Data y su aplicación a las decisiones judiciales automatizadas - Repositorio Académico - Universidad de Chile, fecha de acceso: marzo 31, 2026, https://repositorio.uchile.cl/bitstream/handle/2250/187183/Big-Data-y-su-aplicacion-a-las-decisiones-judiciales-automatizadas.pdf?sequence=1
El uso de datos masivos y sus técnicas analíticas para el diseño e implementación de políticas públicas en Latinoamérica - IADB Publications, fecha de acceso: marzo 31, 2026, https://publications.iadb.org/publications/spanish/document/El-uso-de-datos-masivos-y-sus-t%C3%A9cnicas-anal%C3%ADticas-para-el-dise%C3%B1o-e-implementaci%C3%B3n-de-pol%C3%ADticas-p%C3%BAblicas-en-Latinoam%C3%A9rica-y-el-Caribe.pdf
El pensamiento crítico de Donna Haraway: complejidad, ecofeminismo y cosmopolítica, fecha de acceso: marzo 31, 2026, https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1870-57662020000200147
Comentarios
Publicar un comentario