Los usuarios de inteligencia artificial declaran en encuestas que desconfían de los modelos de lenguaje, les preocupan sus sesgos y sienten incomodidad ante sus respuestas homogéneas. Y aun así, los usan cada vez más. Esta contradicción no es un detalle anecdótico: es la tensión central que define el momento regulatorio y de diseño de sistemas de IA en 2026.
El fenómeno tiene nombre en la industria: “self-loathing AI”, una expresión que circula entre desarrolladores para describir productos que reconocen sus propias limitaciones como parte del argumento de venta. La startup Springboards, que construye un modelo de lenguaje orientado a generar respuestas más diversas que las de sus competidores principales, usa esa frase para describirse a sí misma, según informó su CEO a MIT Technology Review. El planteo no es menor: si la crítica a la IA ya está integrada al pitch de los propios proveedores, el debate sobre qué significa “confiar” en un sistema automatizado se vuelve mucho más complejo.
Adopción masiva con confianza en mínimos históricos
El patrón de adopción de herramientas de IA generativa replica, con variaciones, lo que ocurrió con las redes sociales en la década anterior: crecimiento sostenido en el uso simultáneo con percepciones negativas estables o en aumento. Las personas usan aquello que les resulta funcionalmente útil aunque no lo aprueben como tecnología, como empresa o como fenómeno cultural. El uso no implica legitimidad; la fricción cotidiana no detiene la adopción. Para el campo del derecho y la regulación, esto plantea una pregunta concreta: ¿es suficiente el “consentimiento informado” cuando el contexto práctico hace muy difícil optar por no usar estas herramientas?
En términos de política pública, la paradoja tensiona los modelos regulatorios que asumen que el usuario puede ejercer opciones reales. El AI Act de la Unión Europea, vigente desde 2024 y con plazos de cumplimiento escalonados hasta 2027, construye buena parte de su arquitectura sobre la idea de que los usuarios de sistemas de alto riesgo deben recibir información suficiente para tomar decisiones. Pero si la aversión declarada no se traduce en comportamiento de rechazo, el modelo de “usuario racional informado” pierde eficacia como supuesto de diseño regulatorio.
Cuándo aplica la paradoja / cuándo NO
Esta dinámica es especialmente relevante en contextos donde el uso de IA no es completamente voluntario: plataformas laborales que incorporan scoring automatizado, servicios públicos que procesan solicitudes con asistencia algorítmica, o entornos educativos donde el acceso a recursos depende de herramientas de IA. En esos escenarios, la distancia entre “odiar la IA” y “no poder prescindir de ella” no refleja preferencia genuina sino ausencia de alternativa. Por el contrario, la paradoja pierde relevancia cuando el uso es deliberado y existe competencia real: un usuario que elige entre cinco herramientas y opta por la que menos le gusta tiene opciones concretas de salida.
En América Latina, el fenómeno se amplifica por la concentración de la oferta. La mayor parte de los usuarios de la región interactúa con un puñado de modelos desarrollados fuera del continente, sin acceso a alternativas locales con capacidades equivalentes. Iniciativas como el ecosistema de IA impulsado por el gobierno brasileño o los lineamientos de la Comisión de Inteligencia Artificial del Ecuador apuntan a generar soberanía tecnológica, pero el mercado de modelos de lenguaje de uso masivo sigue siendo oligopólico. Eso refuerza la asimetría: la aversión no tiene adónde ir.
Implicancias para marcos legales en la región
La paradoja de uso versus rechazo es relevante para los marcos regulatorios de IA que varios países latinoamericanos tienen en desarrollo. El proyecto de ley de IA de Brasil, en discusión en el Congreso federal durante 2025 y 2026, plantea obligaciones de transparencia e información para proveedores de sistemas de IA. Pero si la información no cambia el comportamiento de adopción, la transparencia como herramienta de empoderamiento individual requiere ser complementada con otras palancas: interoperabilidad, portabilidad, estándares de diversidad algorítmica. Colombia, cuya Política Nacional de Inteligencia Artificial fue actualizada en 2024, incorpora el concepto de “IA confiable” sin definir mecanismos de medición que capturen esta brecha entre percepción y uso.
Desde la perspectiva del diseño de sistemas, la propuesta de Springboards —mayor variedad de respuestas como diferenciador— apunta a una crítica real: los modelos de lenguaje dominantes tienden a la homogeneización, lo que reduce el valor epistémico de sus outputs y genera respuestas previsibles. Si la diversidad de respuestas se convierte en un criterio de evaluación de sistemas de IA, los marcos regulatorios deberían incluirla como dimensión de calidad, junto con precisión, equidad y explicabilidad.
El autoconocimiento como argumento de mercado
Que un proveedor de IA se defina a sí mismo como “con autoconciencia crítica” revela cuánto ha madurado el discurso del sector. Ya no alcanza con prometer precisión o velocidad. El mercado —al menos en el segmento más sofisticado— empieza a valorar la honestidad sobre las limitaciones. Eso es, en sí mismo, un dato regulatorio: si los propios proveedores asumen que sus modelos tienen fallas estructurales, el argumento de que la supervisión humana es suficiente para mitigar riesgos se debilita considerablemente.
Para los reguladores latinoamericanos que diseñan marcos de IA en este momento, la pregunta no es si la gente confía en estos sistemas. La pregunta es qué hacer cuando la desconfianza no basta para frenar la dependencia. Una referencia útil para profundizar es el AI Act de la UE (Reglamento 2024/1689), disponible en el Diario Oficial de la Unión Europea, que ofrece el marco más detallado vigente sobre obligaciones de transparencia y supervisión humana en sistemas de alto riesgo.
