
Entrevista a Natsumi Shokida1 y Diego Kozlowski2
Cada semana se anuncia que la inteligencia artificial acabará con el empleo o que inaugurará una nueva era de la humanidad. Esos anuncios, repetidos con las mismas cifras y las mismas promesas, dejan fuera lo que más importa para quienes buscamos transformar la sociedad regida por las lógicas del capital: quién controla estas tecnologías, a quién benefician y qué cambian en las condiciones en que trabajamos y nos organizamos. Para levantar un proyecto socialista, necesitamos entender cómo se reorganiza hoy la producción, dónde se concentra el poder y qué capacidades de lucha se abren o se cierran. Con esa pregunta política conversamos con Natsumi Shokida y Diego Kozlowski, investigadores de la Universidad de Montreal, que estudian la IA con las herramientas de la economía política marxista.
La entrevista parte precisando qué es realmente la IA y en qué se distingue de la automatización y la robotización que ya conocíamos. Desde ahí se pregunta si estamos ante un cambio en la base técnica de la producción o ante una extensión potente de tendencias previas, y qué lugar ocupa la IA entre el conocimiento práctico, el científico y el tecnológico que Marx reunía en el intelecto general. Después, aborda dónde se está usando hoy, con la hipótesis de que su impacto se concentra más en la circulación y el control de los procesos económicos que en la fábrica, y por qué los grandes modelos generativos son solo la parte más visible de un fenómeno mucho más amplio.
El centro del debate es la pregunta por el valor. ¿Crea valor la IA o es trabajo muerto que transfiere el que ya contiene? ¿Las ganancias de las grandes tecnológicas son una renta, como sostienen las tesis del tecnofeudalismo, o una captura de ganancia extraordinaria dentro de la ley del valor? ¿Qué ocurre con la tasa de ganancia si el trabajo vivo es su única fuente? ¿Y cómo pensar el trabajo no remunerado que realizamos cuando usamos redes y aplicaciones? Las respuestas son discutibles y los propios entrevistados dicen que buscan abrir un debate. Pero las implicancias son claras: concentración del capital, Estados que no logran regular a empresas más grandes que ellos, usos bélicos y de vigilancia que golpean la organización política. De ahí su conclusión, que invitamos a leer y discutir: la tarea más urgente es reconstruir nuestra capacidad de organización, con lazos de solidaridad internacional e intersectorial.
I. Qué es la IA: precisiones técnicas y conceptuales
En términos técnicos, ¿qué es efectivamente la IA y qué diferencia hay con lo que históricamente se entendió por automatización o robotización de procesos productivos?
La expresión inteligencia artificial (IA) es, en realidad, una categoría bastante imprecisa y cambiante: no designa una única técnica ni una arquitectura específica. Históricamente, se utilizó para referirse a distintos sistemas diseñados para realizar tareas que asociamos con capacidades humanas, como razonar, clasificar, predecir o tomar decisiones. Dentro de ese campo se desarrollaron, por un lado, los llamados sistemas expertos, en los que las reglas de decisión eran programadas explícitamente; y, por otro, los sistemas de aprendizaje automático (machine learning), en los que esas reglas no se especifican de antemano, sino que el sistema aprende patrones a partir de datos. En estos últimos, la capacidad predictiva o inferencial del modelo es, en buena medida, el resultado del proceso de entrenamiento.
Con el tiempo, los métodos de aprendizaje automático demostraron ser particularmente eficaces para una gran variedad de tareas y pasaron a ocupar un lugar central dentro de lo que hoy llamamos IA. El aprendizaje automático, sin embargo, es un campo mucho más amplio que las tecnologías que actualmente asociamos con la IA generativa: incluye desde modelos relativamente simples, como la regresión lineal, hasta arquitecturas mucho más complejas, como el más avanzado de los modelos de Anthropic.
Dentro del aprendizaje automático existe un subconjunto basado en redes neuronales artificiales. A diferencia de, por ejemplo, una regresión lineal, una red neuronal está compuesta por múltiples funciones interconectadas y organizadas en una determinada arquitectura. Durante el entrenamiento, el modelo ajusta los parámetros o pesos de esas conexiones en función de los datos disponibles. Una característica importante de estas redes es que pueden funcionar como aproximadores universales: con suficientes datos y parámetros pueden aproximar con gran precisión una amplia clase de funciones complejas, incluso cuando no conocemos de antemano la forma exacta de la relación que queremos modelar. Esto permite que el modelo aprenda regularidades a partir de los datos sin que tengamos que especificar explícitamente todas las reglas que gobiernan el fenómeno.

De allí surge el concepto de aprendizaje profundo (deep learning): en términos simples, se refiere al uso de redes neuronales con múltiples capas de procesamiento. Los avances recientes en capacidad de cómputo, disponibilidad de datos y técnicas de entrenamiento, hicieron que estos modelos alcanzaran resultados superiores en numerosas tareas, y por eso hoy el término IA suele estar fuertemente asociado al aprendizaje profundo. Dentro de este universo se encuentran los modelos de lenguaje, incluidos los grandes modelos de lenguaje (large language models, o LLMs), que son redes neuronales entrenadas sobre grandes cantidades de texto para modelar y generar lenguaje.
En este sentido, más que una tecnología única, la IA contemporánea puede entenderse como un conjunto de técnicas de aprendizaje automático —y, particularmente, de aprendizaje profundo— capaces de realizar tareas que anteriormente requerían mayor intervención o decisión humana.
Por otra parte, automatización y robotización son conceptos de otra índole. La automatización se refiere, en términos generales, al reemplazo de una tarea o intervención humana por un sistema técnico. No necesariamente implica IA: por ejemplo, un programa que transfiere automáticamente datos de una planilla a otra siguiendo reglas preestablecidas es una forma de automatización, aunque no utilice ningún sistema de aprendizaje automático.
La robotización es un caso más específico: implica automatizar tareas mediante sistemas que, además del componente algorítmico, cuentan con un soporte físico capaz de interactuar con el entorno. Una línea industrial en la que un brazo robótico toma una pieza, la coloca en otra posición y repite esa operación automáticamente es un ejemplo de robotización. Tradicionalmente, estos sistemas podían funcionar mediante reglas completamente programadas, sin necesidad de IA.
La diferencia es especialmente importante porque buena parte de la automatización que hoy habilita la IA no implica necesariamente una robotización. Un modelo puede, por ejemplo, leer y clasificar automáticamente miles de documentos, responder consultas, traducir textos o procesar solicitudes administrativas. En estos casos, la IA reemplaza o reduce trabajo humano que ya se realizaba utilizando computadoras, pero no necesita interactuar físicamente con el entorno. Por eso, podemos decir que la robotización es una forma de automatización, mientras que la automatización puede existir sin robotización y, cada vez más, también puede incorporar IA sin involucrar reemplazo de trabajo físico.
¿Implica entonces la IA un salto cualitativo respecto de la automatización que ya conocíamos?
Para responder esta pregunta, primero es necesario precisar qué entendemos por “salto cualitativo”. Si por ello nos referimos a la capacidad de automatizar tareas que solemos considerar intelectuales y no sólo tareas manuales, entonces es evidente que la IA introduce una novedad importante: permite automatizar actividades que solemos asociar con capacidades cognitivas, como clasificar información, realizar deducciones lógicas, traducir textos, reconocer patrones, redactar documentos o responder consultas. ¿No es eso un salto cualitativo?
Sin embargo, la distinción entre trabajo manual y trabajo intelectual nunca fue absoluta. Matteo Pasquinelli (2023), por ejemplo, señala que incluso tareas consideradas típicamente manuales incorporan componentes cognitivos complejos. Conducir un camión exige interpretar el entorno, anticipar situaciones, coordinar movimientos, adaptarse a los cambios y tomar decisiones, incluyendo algunas de tipo ético o moral. Paradójicamente, algunos de esos procesos cognitivos resultan hoy más difíciles de automatizar que otras tareas que solemos considerar altamente intelectuales, como clasificar grandes volúmenes de información, resumir documentos o generar textos. Del mismo modo, el trabajo intelectual siempre supone una dimensión material: experimentar, encontrarse con otros, discutir, sentarse a escribir, son también actividades que involucran prácticas, herramientas e interacciones motrices.
Desde el punto de vista técnico, la novedad de la IA contemporánea no reside tanto en que automatice “el pensamiento” en sentido general, sino en que amplía considerablemente el conjunto de tareas cognitivas susceptibles de ser automatizadas. Si los sistemas basados en aprendizaje automático y modelos de lenguaje pueden también producir textos, imágenes o código, y asistir en procesos de decisión, la IA extiende hacia nuevas áreas una lógica histórica del capitalismo: la transformación de conocimientos y capacidades humanas en procedimientos técnicos reproducibles y escalables.

La pregunta más compleja es si esta expansión constituye un cambio en la base técnica de la producción. Entendemos por base técnica un conjunto relativamente estable de tecnologías, infraestructuras, formas de organización del trabajo, fuentes de energía y conocimientos que estructuran un determinado período de acumulación. La máquina de vapor, la electrificación o la línea de montaje fordista fueron transformaciones de la base técnica porque reorganizaron profundamente los procesos productivos, la división del trabajo y las relaciones económicas.
Probablemente sea muy pronto para saber si la IA tendrá un alcance comparable. Además, la IA no opera de forma aislada, sino que forma parte de un ecosistema tecnológico más amplio, que incluye centros de datos, algoritmos de segmentación, recomendación y marketing, y las infraestructuras de procesamiento y almacenamiento en la nube (Rikap, 2026). Los modelos generativos, como ChatGPT, son la expresión más visible de ese proceso porque poseen bajas barreras de acceso (cualquiera con conexión a internet puede hacerle una pregunta), pero la transformación productiva depende de una infraestructura técnica mucho más extensa.
Al mismo tiempo, también es necesario considerar la dimensión económica y financiera de esta expansión. Durante las últimas décadas, una tasa baja de ganancia y la búsqueda de nuevas áreas de rentabilidad impulsaron al capital sobrante a realizar fuertes inversiones en sectores de mayor riesgo, entre ellos tecnologías digitales e IA (Benanav, 2020). La competencia entre capitales por el dominio de un mercado altamente concentrado lleva, en muchos casos, a reducir márgenes de ganancia o incluso operar a pérdida con el objetivo de conquistar posiciones de ventaja (Durand, 2026). Esto puede generar una percepción exagerada o ilusoria sobre las potencias reales de la tecnología.
En última instancia, la automatización depende de una cuestión económica, la ecuación de reemplazo: para que un capitalista reemplace a un obrero con una máquina, o para que un sistema de IA reemplace trabajo humano, el costo total de esa sustitución debe ser inferior al costo del trabajo que reemplaza. Mientras la competencia y las estrategias de mercado mantengan artificialmente bajos algunos costos asociados a la IA, puede parecer que sus posibilidades de sustitución son mayores de lo que efectivamente serán a largo plazo. Cuando estas tecnologías alcancen una situación más estable podremos evaluar con mayor precisión qué tareas pueden automatizarse realmente y si estamos, efectivamente, ante una transformación profunda de la base técnica de la producción, o ante una extensión, particularmente potente, de tendencias previas de mecanización e informatización.

En un artículo3 ustedes se refieren a los tres componentes del intelecto general: conocimiento práctico, conocimiento científico y desarrollo tecnológico. ¿Qué lugar ocupa la IA entre esos componentes? ¿Es principalmente ciencia, tecnología o algo que tensiona esa distinción?
Para responder esta pregunta, primero es necesario precisar qué entendemos por general intellect. La categoría es tomada de Marx, quien la utiliza en los Grundrisse, particularmente en el llamado “Fragmento sobre las máquinas”. Allí Marx analiza cómo el conocimiento social general se convierte progresivamente en una fuerza productiva directa. Siguiendo esta formulación, utilizamos la categoría para referirnos al conocimiento social general que se objetiva. En nuestro análisis distinguimos tres dimensiones de ese conocimiento: el conocimiento práctico, vinculado a la experiencia y al trabajo; el conocimiento científico, producido y organizado en instituciones especializadas; y los desarrollos tecnológicos, que objetivan conocimiento en medios de producción. No son esferas completamente independientes, sino distintas formas en las que el conocimiento social se produce, circula y se materializa.
Desde esta perspectiva, es difícil ubicar a la IA exclusivamente en una de ellas. Si observamos su construcción, la IA en tanto amplio abanico de técnicas de aprendizaje automático, se desarrolla en buena medida dentro del campo científico. Si observamos su implementación, si la vemos en tanto producto, y especialmente en el caso de los grandes modelos generativos, estamos claramente ante una tecnología: los modelos son productos técnicos que requieren enormes infraestructuras de computación, almacenamiento y procesamiento, y que se despliegan en centros de datos. Pero si observamos el conocimiento que estos sistemas procesan, el conocimiento que codifican en su interior, la distinción entre ciencia, tecnología y conocimiento práctico se vuelve mucho menos clara.
Los modelos generativos de propósito general se entrenan sobre enormes cantidades de datos: buena parte de ellos provenientes de internet, aunque también se incorporan libros, archivos y otros repositorios de información (recientemente ha pasado a ser de público conocimiento que se escanean toneladas de libros a estos fines, y luego se destruyen). Todo ese material contiene artículos y libros científicos, documentación técnica, manuales, código, pero también conversaciones, experiencias, instrucciones y otras formas de conocimiento práctico que circulan socialmente. Por supuesto, esto no significa que un modelo capture directamente todo el conocimiento práctico: una parte importante de ese conocimiento es tácita y está incorporada en la propia actividad humana. Pero sí significa que una cantidad cada vez mayor de sus expresiones y objetivaciones puede ser recopilada, procesada y sistematizada algorítmicamente.
En este sentido, una de las características más interesantes de los modelos de propósito general es precisamente su pretensión de trabajar transversalmente sobre estas distintas formas de conocimiento. No se trata simplemente de automatizar una tarea específica, sino de construir sistemas capaces de procesar información proveniente de dominios muy diferentes mediante una misma arquitectura. Por eso, podemos pensar estos modelos como una forma particularmente avanzada de objetivación del general intellect: no porque contengan literalmente todo el conocimiento social, sino porque buscan construir una representación computacional generalizable de una parte cada vez mayor de ese conocimiento y convertirla en una herramienta productiva.
Esto también permite entender por qué los llamados modelos de propósito general (general-purpose models) ocupan un lugar tan importante en el desarrollo actual de la IA. La idea de fondo es que, en lugar de desarrollar un sistema independiente para cada tarea, puede construirse una infraestructura general capaz de ser reutilizada en una enorme variedad de aplicaciones. La investigación reciente en IA discute precisamente hasta qué punto esta generalidad constituye una característica técnicamente necesaria o una dirección particular del desarrollo de la disciplina (Hernandez-Garcia et al., 2025).
No debemos perder de vista que, detrás de la pretensión de codificar todo ese conocimiento social, hay objetivos ideológicos y económicos. Las empresas de IA promueven la idea de la artificial general intelligence (AGI), entendida como el hipotético punto en el que un sistema artificial podría superar a los seres humanos en prácticamente todas las tareas intelectuales. Independientemente de la viabilidad técnica de esa idea, su circulación cumple también una función ideológica: construye una imagen de la IA hecha a la medida de los objetivos de atraer inversiones, justificar políticas públicas y movilizar enormes cantidades de recursos hacia un sector altamente concentrado.
Existe también una razón económica para privilegiar los modelos de propósito general. Si una empresa consigue desarrollar un modelo que pueda utilizarse como infraestructura para una gran variedad de aplicaciones, puede concentrar sus recursos de investigación y desarrollo en ese modelo y dejar que otras empresas desarrollen aplicaciones específicas sobre esa infraestructura. Esto genera una posición estratégica muy particular: quien controla el modelo de propósito general puede convertirse en proveedor de una infraestructura cognitiva utilizada por múltiples sectores.
Entonces, la pregunta no es si la IA es simplemente ciencia o simplemente tecnología. Es más interesante entenderla como una tecnología que intenta apropiarse, objetivar y poner a trabajar productivamente distintas formas del conocimiento social que constituyen el general intellect. Y justamente por eso tensiona las fronteras entre ciencia, tecnología y conocimiento práctico que tradicionalmente utilizamos para distinguir cómo se produce y circula el conocimiento.
Al mismo tiempo, esto no significa que los modelos de propósito general sean necesariamente la forma técnicamente superior de resolver cualquier problema. Un modelo especializado puede ser más eficiente o preciso para una tarea determinada. Que los modelos de propósito general se hayan convertido en la frontera visible del desarrollo de la IA responde también a una determinada orientación económica del desarrollo tecnológico: la posibilidad de convertir una infraestructura general en una plataforma sobre la cual puedan organizarse múltiples mercados y aplicaciones. En ese sentido, la forma que adopta actualmente la IA no puede separarse de las relaciones económicas que orientan qué tecnologías se investigan, financian y desarrollan.

II. Usos productivos de la IA
Si gran parte del impacto real de la inteligencia artificial se concentra en la esfera de la circulación, la gestión invisible y el control algorítmico de los procesos económicos, ¿cómo redefine esto nuestra comprensión de la IA como fuerza productiva? ¿Estamos ante una transformación directa de los procesos materiales de producción o ante una reconfiguración de los circuitos de valorización y control del capital?
No tenemos todavía elementos suficientes para ofrecer un inventario exhaustivo de todos los usos de la IA en la producción. Sin embargo, podemos identificar algunas tendencias. Para las tecnologías digitales anteriores a la expansión de los modelos generativos, Platform Capitalism propone una clasificación de las empresas de plataforma que incluye, entre otras, plataformas vinculadas directamente con la producción de bienes (Srnicek, 2019). Más recientemente, Rikap plantea que las infraestructuras de computación en la nube y los modelos de IA que se ofrecen a través de ellas forman parte, cada vez más, de las cadenas productivas de prácticamente todos los sectores (Rikap, 2026).
Una primera cuestión importante es que la robotización —es decir, la automatización de tareas mediante sistemas físicos que interactúan con el entorno— suele requerir inversiones más elevadas y específicas que la automatización de tareas realizadas a través de computadoras. Reemplazar una operación industrial particular mediante un brazo robótico, por ejemplo, puede exigir adquirir maquinaria específica, adaptar las instalaciones y reorganizar toda una línea de producción. En cambio, automatizar una tarea administrativa, de gestión o de procesamiento de información puede requerir únicamente incorporar un nuevo sistema informático. Si volvemos a la ecuación de reemplazo que mencionábamos anteriormente, esto ayuda a explicar por qué muchas de las aplicaciones actuales de IA se concentran en tareas mediadas por computadoras, antes que en la sustitución directa de trabajo manual en las fábricas. En esta ecuación también se consideran los diferenciales de salario entre trabajadores asociados a cada tipo de trabajo y herramienta utilizada.
En relación con esto, Mularoni y Dyer-Witheford, en The Cybernetic Circulation Complex, proponen pensar el desarrollo de estas tecnologías a partir de su intervención en los circuitos de circulación del capital. Para entender el argumento, conviene recordar brevemente la distinción marxiana entre los circuitos M-D, M-D-M y D-D’. El primero representa la circulación de mercancías: una mercancía se vende a cambio de dinero (M-D), y ese dinero se utiliza posteriormente para adquirir otra mercancía (D-M). Es decir, se trata del circuito mediante el cual se realizan las compraventas y se conectan los distintos momentos del intercambio. El segundo, D-D’, representa el movimiento del capital dinerario que busca incrementarse: el dinero se invierte con la expectativa de obtener una suma mayor. Es el circuito que expresa el proceso de valorización del capital y que, en su forma más desarrollada, se vincula con la financiarización.
La tesis de estos autores es que las tecnologías digitales y algorítmicas contemporáneas aceleran y reorganizan estos circuitos. Por ejemplo, las tecnologías publicitarias (adtech) de Google y Meta permiten segmentar consumidores y acelerar la conversión de mercancías en dinero (M-D); plataformas como Amazon facilitan las transacciones comerciales y registran sistemáticamente los intercambios (M-D-M); los sistemas de gestión y las plataformas de trabajo, como Uber, aceleran y reorganizan la contratación de fuerza de trabajo; y las infraestructuras financieras digitales contribuyen a acelerar los movimientos de capital y su valorización (D-D’) (Dyer-Witheford & Mularoni, 2025).
Si seguimos este argumento, una parte importante del impacto de las tecnologías digitales —y, cada vez más, de la IA— se encuentra en la esfera de la circulación, antes que en la transformación directa de los procesos materiales de producción. Pero el ámbito de la producción no queda al margen de estos cambios. De hecho, los avances en automatización industrial también comienzan a incorporar estas tecnologías, por ejemplo, para calibrar maquinaria, detectar anomalías, anticipar fallas, controlar la calidad o adaptar automáticamente determinados procesos productivos. En todo caso, la distinción entre producción y circulación permite identificar dónde se concentran las aplicaciones.
Por último, hay una cuestión fundamental para entender estos usos: no debemos confundir la IA con los grandes modelos generativos de propósito general. Estos modelos requieren enormes capacidades de procesamiento y, por lo tanto, su utilización puede resultar muy costosa. Aunque son la expresión más visible de la IA para el público general, no necesariamente constituyen la herramienta más eficiente para automatizar cada tarea productiva. En muchos casos, resultará más conveniente desarrollar o utilizar modelos especializados, entrenados para resolver problemas específicos. Es probable que una parte sustancial de la automatización productiva mediante IA no adopte la forma de un trabajador que interactúa con ChatGPT o Gemini, sino la de sistemas especializados que operan de manera relativamente invisible dentro de las infraestructuras digitales de las empresas. En ese sentido, para comprender el impacto efectivo de la IA en la producción, es necesario mirar más allá de los productos que llegan al consumidor y observar cómo estas tecnologías se incorporan a la organización, la coordinación y el control de los procesos económicos.

- Natsumi S. Shokida es doctorandx en la École de Bibliothéconomie et des Sciences de l’Information (EBSI) de la Université de Montréal, formando parte de la Cátedra UNESCO sobre Ciencia Abierta. Estudió Economía en la Universidad de Buenos Aires (UBA), y es magister en Información y Ciencias de la Computación por la Universidad de Luxemburgo. Forma parte de la organización feminista argentina Ecofeminita, y del Grupo de Lecturas Transfronterizas del Capital. ↩︎
- Diego Kozlowski es investigador posdoctoral en la École de bibliothéconomie et des sciences de l’information (EBSI) de la Université de Montréal, donde forma parte de la Cátedra UNESCO sobre Ciencia Abierta. Estudió Economía y Ciencia de Datos en la Universidad de Buenos Aires y es doctor en Ciencias Sociales Computacionales por la Universidad de Luxemburgo. Su trabajo se sitúa en la intersección entre la economía política de la ciencia, la bibliometría y los estudios críticos de la tecnología. Investiga las desigualdades en la producción de conocimiento científico, las relaciones entre ciencia, mercado y poder, y el papel de la inteligencia artificial en la transformación de los sistemas de producción y circulación del conocimiento. ↩︎
- Science As a Battlefield: Knowledge, Capital Accumulation and Class Struggle.Science for the People, Vol. 27, No. 2 (The Political Economy of Science) ↩︎

