Como venimos desarrollando en este espacio de los Teóricos, las tecnologías no pueden analizarse únicamente a partir de sus resultados visibles. Una imagen, una publicación, una pieza generada por inteligencia artificial o una escena de streaming no se comprenden plenamente si solo se observa aquello que aparece en pantalla. Es necesario reconstruir los procesos que hacen posible esa aparición: los datos que la alimentan, las decisiones técnicas que la modelan, los archivos culturales que activa, los formatos que organizan su circulación y los efectos afectivos, éticos y políticos que produce.

La inteligencia artificial generativa profundiza esta pregunta porque ya no interviene solamente en tareas de cálculo, clasificación o predicción. Produce textos, imágenes, relatos, estilos, escenas y formas visuales que circulan como cultura. Por eso, el problema no puede reducirse a si un sistema genera un resultado técnicamente eficaz, visualmente atractivo o formalmente correcto. La pregunta decisiva es otra: qué interpreta ese sistema, qué mundo cultural reproduce, qué relaciones vuelve visibles, qué ambigüedades aplana y qué responsabilidades humanas quedan implicadas en su uso.

El informe Doing AI Differently permite nombrar este desplazamiento como un giro cualitativo. La IA contemporánea, especialmente los modelos generativos, trabaja con insumos y resultados profundamente arraigados en contextos culturales y sociales: lenguaje, imágenes, narrativas, estilos y formas expresivas. El informe señala que los sistemas actuales enfrentan una limitación fundamental cuando son evaluados mediante métricas operativas estrechas, incapaces de dar cuenta de la diversidad, la ambigüedad y la riqueza de la experiencia humana.

Desde esta perspectiva, la IA no debe pensarse solo como una tecnología que “resuelve” problemas, sino como una tecnología que participa en la producción de sentido. Este punto resulta central para las humanidades, las artes y las ciencias sociales cualitativas, porque muchos de los dominios donde la IA empieza a intervenir no tienen una única respuesta correcta ni una verdad de referencia claramente establecida. Interpretar una imagen, leer una escena cultural, evaluar una narrativa o comprender una forma de circulación política exige juicio contextual, sensibilidad histórica, lectura de matices y reconocimiento de perspectivas múltiples.

En ese marco, Doing AI Differently propone distinguir entre una IA explicable o interpretable en términos técnicos y una IA verdaderamente interpretativa. La primera busca hacer comprensible cómo opera un sistema: qué variables pondera, cómo toma una decisión, qué proceso interno puede ser transparentado. La segunda exige otra pregunta: qué significa aquello que el sistema produce o encuentra dentro de un contexto humano, cultural, histórico y social. La diferencia es decisiva: no alcanza con saber cómo funciona un modelo; también es necesario comprender qué mundo simbólico organiza cuando produce lenguaje, imágenes o clasificaciones.

La noción de tecnologías interpretativas permite profundizar este problema. Como venimos señalando, el término no refiere simplemente a sistemas más transparentes o explicables desde el punto de vista técnico, sino a formas de IA capaces de trabajar con pluralidad, ambigüedad del sentido y significado contextual. Un sistema interpretativo no debería producir resultados monolíticos ni presentar sus respuestas como si surgieran desde un punto de vista universal, neutral o descontextualizado. Por el contrario, debería poder representar perspectivas múltiples, reconocer la dependencia del sentido respecto del contexto y sostener la incertidumbre allí donde no existe una única respuesta correcta. Esto no implica sustituir la agencia interpretativa humana, sino reconocer que los métodos humanísticos —análisis narrativo, lectura cultural, razonamiento contextual y sensibilidad estética y ética— pueden orientar el diseño, el entrenamiento y la evaluación de sistemas de IA.

Sin embargo, la noción de IA interpretativa debe usarse con cautela. No se trata de convertirla en una categoría capaz de explicar todo aquello que ocurre entre inteligencia artificial, cultura y producción de sentido. Cuando un término se utiliza para explicar cualquier fenómeno, pierde capacidad analítica. Su fuerza conceptual depende de su poder de diferenciación: debe permitir distinguir procesos, establecer límites, reconocer tensiones y precisar aquello que no puede explicar. Si una noción sirve para nombrarlo todo, deja de ayudar a comprender algo en particular.

La IA interpretativa, en este marco, no nombra cualquier uso cultural de la inteligencia artificial, sino una exigencia específica: diseñar, evaluar y utilizar sistemas capaces de trabajar con ambigüedad, pluralidad, contexto y responsabilidad, sin sustituir la agencia interpretativa humana ni presentar sus resultados como verdades neutrales o universales.

El caso de Kawayoku Inception, de Noura Tafeche, permite volver concreta esta discusión. El proyecto reúne y analiza un archivo visual digital en expansión donde se entrelazan estéticas cute o kawaii, imaginarios militares, gaming, hipersexualización, armas, propaganda y violencia. Tafeche define Kawayoku como una combinación imperfecta entre kawaii —lo tierno, lo adorable— y bōryoku —violencia—, y presenta el proyecto como una investigación sobre la sublimación contemporánea de la violencia en la percepción visual digital.

La potencia del caso está en que estas imágenes no pueden comprenderse mediante una simple suma de elementos: “anime”, “rosa”, “arma”, “meme”, “uniforme”, “gaming”. El problema no es solo la presencia de signos violentos junto a signos tiernos, sino la relación cultural que se produce entre ellos. Una misma imagen puede ser formalmente amable y culturalmente violenta; puede presentarse como juego, ironía o estética de plataforma, y al mismo tiempo participar de procesos de militarización, objetificación o normalización de la violencia. Por eso, la pregunta analítica no es únicamente qué violencia se muestra, sino cómo esa violencia se vuelve visualmente atractiva, tolerable o consumible.

Kawayoku Inception funciona entonces como un caso límite para pensar la IA interpretativa. Una IA clasificatoria podría identificar objetos, colores, estilos o categorías visuales. Sin embargo, difícilmente podría comprender por sí sola el espesor cultural de la escena: las subculturas que convoca, las formas de humor que activa, los imaginarios políticos que atraviesa, las jerarquías de género que reproduce o los efectos afectivos que produce la repetición algorítmica de esas imágenes. Allí se vuelve evidente el giro cualitativo: cuando la IA trabaja con imágenes culturales, el desafío no es solo detectar patrones, sino interpretar relaciones.

El texto de Domestic Data Streamers introduce otra dimensión del mismo problema: la responsabilidad ética en la creación generativa. Su punto de partida no es la fascinación acrítica por la herramienta ni su rechazo absoluto. El texto reconoce que la IA generativa está asociada con prácticas predatorias y violaciones éticas, especialmente por el uso de grandes datasets de imágenes, textos y videos, muchos de ellos pertenecientes a artistas vivos que no dieron consentimiento. Pero también sostiene que no involucrarse con estas tecnologías impide comprenderlas y disputar cómo deben ser definidas y utilizadas.

Esa posición resulta especialmente productiva porque una práctica crítica con IA no empieza después de generar una imagen, sino antes. Empieza en la elección del modelo, en la procedencia de los datos, en el tipo de prompt, en las referencias visuales utilizadas, en el consentimiento de los artistas, en la posibilidad de remuneración y en la responsabilidad sobre los imaginarios que se ponen en circulación. Domestic Data Streamers propone trabajar con modelos más justos, evitar el uso de nombres de artistas vivos sin consentimiento, construir modelos propios mediante materiales curados, desarrollar formas de licencia o remuneración y proteger las obras frente al scraping mediante mecanismos de opt-out, Glaze, Nightshade u otras herramientas.

El aporte central de este texto es que desplaza la ética de la IA desde el resultado hacia el proceso. No se trata solo de preguntar si una imagen generada es “bella”, “original” o “útil”. Se trata de preguntar qué materiales la hicieron posible, qué trabajo humano quedó incorporado sin reconocimiento, qué estilos fueron apropiados, qué formas de autoría fueron debilitadas y qué tipo de economía cultural se consolida cuando la producción visual se automatiza. La ética, entonces, no es una capa posterior de corrección: forma parte de la práctica misma de creación.

Esta discusión permite volver sobre Kawayoku Inception desde una pregunta más amplia. La responsabilidad en el uso de IA generativa no se limita al copyright o al consentimiento, aunque estas dimensiones sean centrales. También involucra los imaginarios que se reproducen. Un prompt que solicita una imagen “cute”, “militar”, “anime”, “futurista” o “gamificada” puede parecer formalmente inocente, pero activar archivos visuales complejos: propaganda, erotización, infantilización, violencia, consumo algorítmico y cultura de guerra. El problema ético no está solamente en si la imagen infringe derechos de autor, sino en qué sensibilidad ayuda a normalizar.

El caso complementario de Carajo Stream permite extender esta matriz analítica a otro tipo de material cultural. No se trata de equiparar fenómenos distintos ni de confundir violencia física con discurso político. El punto es observar una operación formal común: cómo determinados formatos pueden modificar la recepción de un contenido. En Kawayoku Inception, la estética cute puede volver más consumible una forma de violencia visual. En CarajoStream, el streaming, el humor, la chicana, los recortes para redes y los códigos de comunidad pueden volver más compartible una forma de antagonismo político.

La pregunta, nuevamente, no es solo qué se dice, sino cómo se organiza la escena de enunciación. En el streaming político, la posición ideológica importa, pero también importa la forma que la vuelve experiencia: reacción en vivo, gestualidad, risa, insulto, apodo, meme, clip, frase breve, circulación en X, identificación comunitaria. La enemistad política no aparece necesariamente como un llamado directo a la violencia, sino como entretenimiento, código de pertenencia o espectáculo compartible. En ese desplazamiento, ciertas formas de agresividad discursiva pueden adquirir un tono lúdico, familiar o celebratorio.

Este caso permite mostrar por qué una IA interpretativa no puede limitarse a detectar palabras o clasificar sentimientos. Una IA podría reconocer insultos, términos políticos, polaridad emocional o marcas de agresividad. Pero el sentido de una publicación no reside en una palabra aislada. Aparece en la relación entre léxico, ironía, coyuntura, interlocutores, gestos, comunidad de referencia y formato de circulación. Interpretar exige reconstruir una escena cultural completa: quién enuncia, a quién nombra, cómo lo hace, en qué contexto, con qué recursos y qué relación social produce.

Así, Kawayoku y CarajoStream pueden leerse desde una misma matriz: forma, percepción, afecto y circulación. En ambos casos, la forma no opera como un simple envoltorio del contenido. La forma organiza la percepción. Define qué se vuelve visible, qué se vuelve familiar, qué se comparte, qué se celebra y qué deja de producir distancia crítica. La estética cute, el meme, el streaming, la chicana o el clip no son meros recursos expresivos: son dispositivos culturales que modulan la recepción.

Esta perspectiva permite articular los materiales del recorrido. Doing AI Differently ofrece el marco conceptual: la IA generativa participa en dominios culturales que requieren interpretación, no solo medición. Kawayoku Inception ofrece un caso de visualidad ambigua donde la violencia se vuelve difícil de clasificar porque aparece atravesada por códigos de ternura, juego y deseo. Domestic Data Streamers ofrece una orientación ética para pensar cómo producir con IA generativa sin desentenderse de los datos, los estilos, el consentimiento, la autoría y los efectos culturales. CarajoStream, como caso complementario, permite trasladar la misma pregunta hacia el campo de la comunicación política digital.

Desde esta perspectiva, la IA generativa no inaugura solamente una nueva capacidad técnica de producción, sino una disputa por la interpretación. Cuando un sistema produce imágenes, textos o narrativas, no genera desde la nada: recompone archivos culturales, estabiliza patrones, reproduce estilos, jerarquiza formas de representación y participa en la organización de sensibilidades. Por eso, hacer IA de otro modo no significa simplemente utilizar herramientas más sofisticadas, sino transformar las preguntas desde las cuales se las diseña, se las emplea y se las evalúa.

La pregunta ya no puede limitarse a qué puede producir la IA. Debe desplazarse hacia interrogantes más complejos: qué mundo interpreta, qué archivos culturales activa, qué relaciones simplifica, qué formas de violencia vuelve tolerables, qué estilos toma sin consentimiento, qué voces deja fuera, qué capacidades humanas amplía y cuáles desplaza. En ese desplazamiento, la eficiencia deja de ser un criterio suficiente. Una imagen puede ser técnicamente eficaz y éticamente problemática; un texto puede ser fluido y culturalmente pobre; una clasificación puede ser operativamente correcta y socialmente insuficiente.

La interpretación introduce una pausa crítica frente a la lógica de la velocidad, la automatización y la escala. Obliga a reconstruir relaciones, contextos, efectos y responsabilidades. Allí reside uno de los aportes centrales de las humanidades, las artes y las ciencias sociales cualitativas: no como complemento externo de la innovación técnica, sino como saberes capaces de intervenir en la comprensión misma de aquello que la IA produce, reproduce y transforma.

Kawayoku Inception permite advertir que una imagen no se agota en sus elementos visibles. Su sentido emerge de las relaciones que establece entre códigos estéticos, archivos culturales, afectos y condiciones de circulación. CarajoStream, desde otro registro, permite observar cómo el formato también modela la recepción: el streaming, la chicana, el humor y la pertenencia comunitaria pueden volver más consumible una forma de antagonismo político. En ambos casos, la forma no es un envoltorio del contenido; es una operación cultural que organiza percepción, afecto y circulación.

Domestic Data Streamers permite ampliar esta discusión hacia la responsabilidad de la creación generativa. El problema ético no comienza cuando la imagen ya fue producida, sino antes: en el modelo elegido, en los datos utilizados, en los estilos invocados, en las referencias tomadas, en el consentimiento de quienes produjeron esos materiales y en los imaginarios que se contribuye a estabilizar. La responsabilidad no es una capa posterior de corrección, sino una condición constitutiva de toda práctica creativa con IA.

Hacer IA de otro modo implica, entonces, sostener tres dimensiones de manera simultánea: interpretación, responsabilidad y agencia. Interpretación, porque los sistemas trabajan con sentidos culturalmente situados. Responsabilidad, porque toda producción generativa implica decisiones sobre datos, autoría, consentimiento, representación y circulación. Agencia, porque el desafío no debería ser reemplazar la creación humana ni reducir a las personas a usuarias pasivas de sistemas automatizados, sino preservar su capacidad de decidir, orientar, revisar, disputar y transformar aquello que la IA produce. En este sentido, la agencia nombra la posibilidad de intervenir con juicio crítico en el proceso técnico y cultural, construyendo formas de colaboración que amplíen la capacidad de leer, imaginar y producir mundos sin delegar completamente la interpretación en la máquina.

La cuestión central no es si la inteligencia artificial puede producir imágenes, textos o narrativas cada vez más convincentes. La cuestión es qué formas de sensibilidad, de autoridad cultural y de relación social se consolidan cuando esas producciones se integran a la vida cotidiana como si fueran neutrales, automáticas o inevitables. Allí se juega el núcleo político de una IA interpretativa: no una tecnología que simplemente clasifica mejor, sino una práctica sociotécnica capaz de reconocer que toda imagen, todo texto y toda narrativa participan en una disputa por el sentido.

En definitiva, hacer IA de otro modo supone abandonar la idea de que la técnica puede separarse de la cultura. Toda producción generativa interviene sobre modos de ver, de narrar, de representar y de imaginar. Por eso, la pregunta final no es solo qué puede hacer la IA, sino qué mundo ayuda a hacer visible, bajo qué condiciones, con qué costos y con qué responsabilidades.

Compartimos el slide que confeccionamos para la clase presencial