Hoy hablamos de: Fei-Fei Li, Fortune 2026, y la pregunta que define la era de la IA: ¿para quién se construye esta tecnología?
Lo que Fei-Fei Li nos recuerda: la IA más poderosa es la que pone a la persona en el centro
Su reconocimiento en Fortune 2026 no es solo un honor personal. Es una señal de hacia dónde debería orientarse la conversación global sobre inteligencia artificial.
¿Quién es Fei-Fei Li y por qué su trabajo importa para la IA centrada en las personas?
Fei-Fei Li es científica computacional chino-americana, profesora en Stanford University y co-fundadora del Stanford Institute for Human-Centered Artificial Intelligence (HAI). Es reconocida globalmente por crear ImageNet, la base de datos visual masiva que en 2009 aceleró la revolución del aprendizaje profundo y la visión por computadora. Sin ImageNet, los sistemas de reconocimiento de imagen que hoy están integrados en teléfonos, hospitales y cámaras de seguridad no existirían en su forma actual.
Su aportación más relevante desde la perspectiva humana no es técnica: es de orientación. Li ha dedicado décadas a argumentar que la inteligencia artificial debe construirse con las personas como centro, no como variable de ajuste. Fundó AI4ALL, una organización que trabaja para democratizar la educación en IA y asegurar que personas de comunidades subrepresentadas tengan acceso y voz en el desarrollo tecnológico. Este enfoque, que pone la diversidad humana como condición de calidad técnica, anticipa lo que hoy llama "inteligencia espacial": sistemas que entiendan el mundo real en toda su complejidad contextual.
Ejemplo concreto: el Stanford HAI reúne a investigadores de humanidades, medicina, derecho y ciencias sociales junto a ingenieros de IA para producir marcos de gobernanza que consideren el impacto en personas reales, no solo en métricas de rendimiento. Uno de sus reportes anuales sobre el estado de la IA es referencia para legisladores en más de 40 países.
Qué pasó
Fortune incluyó a Fei-Fei Li en su lista de las 100 Mujeres Más Poderosas en los Negocios de 2026, un reconocimiento que la ubica entre las líderes globales con mayor influencia en sectores como inteligencia artificial, finanzas, energía y salud. Li ocupa hoy varios roles simultáneos: es Sequoia Professor of Computer Science en Stanford, co-fundadora y directora del Stanford Institute for Human-Centered Artificial Intelligence (HAI), y CEO de World Labs, su startup dedicada a desarrollar inteligencia espacial y Large World Models, es decir, sistemas de IA capaces de entender y razonar sobre el espacio físico tridimensional.
Su trayectoria incluye años como Vice President en Google y como Chief Scientist de IA en Google Cloud, además de asesoría directa a organismos como Naciones Unidas y la Casa Blanca en materia de seguridad y gobernanza de la IA. En 2018 recibió el Queen Elizabeth Prize for Engineering, uno de los reconocimientos más importantes del mundo en ingeniería aplicada.
El reconocimiento de Fortune 2026 llega en un momento en que el debate sobre la dirección de la inteligencia artificial está más vivo que nunca: entre quienes priorizan velocidad de despliegue y quienes insisten en que sin gobernanza humana sólida, la aceleración tecnológica produce más daño que beneficio.
Lo que este caso nos está mostrando
El reconocimiento a Fei-Fei Li no es solo un elogio a una trayectoria brillante. Es una señal de algo más profundo: que la conversación sobre inteligencia artificial está madurando lo suficiente como para premiar no solo a quienes construyen sistemas más rápidos o más rentables, sino a quienes se preguntan para quién se construyen.
Durante años, el discurso dominante en IA giró casi exclusivamente alrededor de la potencia: cuántos parámetros tiene el modelo, qué benchmark supera, qué tarea automatiza con mayor precisión. Li representó desde el principio una corriente diferente. Su apuesta por ImageNet fue técnicamente ambiciosa, sí, pero su motivación documentada siempre fue que los sistemas de IA vean el mundo con algo parecido a la riqueza perceptual de un ser humano, no que lo reduzcan a categorías de optimización.
Esa diferencia de orientación importa más hoy de lo que importaba hace quince años. A medida que la IA penetra en decisiones médicas, educativas, laborales y familiares, el diseño que asume a la persona como usuario pasivo produce sistemas que desplazan criterio, erosionan agencia y transfieren responsabilidad hacia la máquina sin que nadie lo haya decidido conscientemente. Li ha sido una de las voces más consistentes en señalar ese riesgo, y su trabajo en Stanford HAI es un intento institucional de construir alternativas.
Lo que el reconocimiento de Fortune también muestra es que el campo empieza a reconocer que la diversidad no es un valor ético separado de la calidad técnica: es una condición de ella. Los sistemas de IA entrenados con sesgos, construidos por equipos homogéneos y desplegados sin considerar impactos diferenciados producen daño real. Li lo argumentó con evidencia cuando señaló que los conjuntos de datos con los que se entrenaban los primeros modelos de visión artificial reflejaban perspectivas muy estrechas del mundo. ImageNet fue, entre otras cosas, un esfuerzo por ampliar ese repertorio.
Mirarlo con el lente S.E.N.S.E.
Seguridad Humana: La trayectoria de Li ilustra que los sistemas de IA que no consideran la diversidad de experiencias humanas en su diseño pueden producir errores con consecuencias graves para grupos específicos. Un sistema de reconocimiento facial entrenado con datos sesgados identifica incorrectamente a personas de ciertas etnias con tasas de error significativamente más altas. Ese no es solo un problema técnico: es un riesgo humano con consecuencias directas en seguridad, justicia y acceso a servicios.
Ética Aplicada: Li ha sostenido públicamente que los científicos de datos tienen responsabilidades éticas que van más allá del rendimiento del modelo. Su trabajo en Stanford HAI produce marcos de gobernanza que asignan responsabilidades concretas a organizaciones que despliegan IA. La pregunta que sostiene ese trabajo es directa: cuando un sistema de IA produce un resultado dañino, ¿quién responde? La respuesta no puede ser siempre "el algoritmo".
Neuroergonomía: La apuesta de Li por sistemas que entiendan el espacio y el contexto, no solo que clasifiquen patrones, apunta a una limitación cognitiva real en la interacción humano-máquina: cuando confiamos en sistemas que simplifican demasiado la realidad, terminamos adaptando nuestras propias decisiones a esas simplificaciones. El sesgo de automatización, que nos lleva a aceptar la salida de un sistema sin cuestionarla, se alimenta de la apariencia de precisión técnica. Un sistema más contextualmente rico reduce ese riesgo porque el humano puede verificar con más criterio.
Sentido / Sociedad: Que una figura como Li sea reconocida entre las más influyentes en los negocios globales de 2026 señala un desplazamiento cultural relevante: la IA responsable ya no es solo un tema académico o regulatorio. Tiene peso económico, reputacional y estratégico. Las organizaciones que entienden esto antes tienen ventaja. Las que lo ignoran acumulan riesgos que eventualmente se materializan en costos humanos, legales y financieros.
Estrategia / Autonomía: La lección estratégica de la trayectoria de Li es que la IA centrada en las personas no es una postura defensiva ni un freno al avance: es una forma de construir sistemas que duren, que generen confianza y que no requieran ser rediseñados de emergencia cuando producen daño. Las organizaciones que integran gobernanza desde el diseño, no como capa posterior, construyen tecnología con mayor vida útil y menor riesgo acumulado.
La lectura neurohumanista
Lo que la trayectoria de Fei-Fei Li nos ofrece es un recordatorio de que las decisiones técnicas siempre son también decisiones humanas. Qué datos incluir, a quién escuchar al diseñar un sistema, qué métricas de éxito elegir, qué riesgos nombrar y cuáles dejar sin nombrar: todo eso configura lo que la tecnología finalmente hace con las personas que la usan o que son afectadas por ella sin haberla elegido.
Desde el lente neurohumanista que orienta el método S.E.N.S.E., este reconocimiento importa porque señala que la protección del criterio humano y de la agencia personal en la era algorítmica no es una posición marginal ni romántica. Hay instituciones, investigadores y líderes que la sostienen con rigor, con inversión y con evidencia. Conocerlos, entender su trabajo y usarlo como referencia ayuda a cualquier persona, familia u organización a tomar decisiones más fundamentadas sobre qué tecnología adoptar, cómo, y con qué salvaguardas.
La pregunta que Li lleva décadas haciendo en voz alta es la misma que el método S.E.N.S.E. propone a cada persona que interactúa con IA: ¿esto me hace más libre o más dependiente? ¿Quién diseñó este sistema, con qué datos, para servir a quién? Hacerse esas preguntas no es desconfianza irracional. Es el ejercicio mínimo del criterio que nos mantiene como agentes de nuestras propias decisiones.
Preguntas que vale la pena hacerse
- ¿Los sistemas de IA que usamos en nuestro trabajo o en nuestra familia fueron diseñados considerando a personas con contextos similares al nuestro?
- Cuando confiamos en una recomendación generada por IA, ¿sabemos algo sobre los datos con los que fue entrenado el sistema que la produce?
- ¿Quién en nuestra organización o familia tiene la responsabilidad de cuestionar las decisiones que toma o sugiere un sistema de IA?
- ¿La diversidad del equipo que diseñó la tecnología que usamos tiene algo que ver con qué tan bien ese sistema nos representa o nos sirve?
- ¿Qué significa para nosotros que la IA sea "centrada en las personas"? ¿Tenemos algún criterio para evaluar si un sistema cumple esa promesa o solo la declara?
Lo que podemos aplicar desde hoy
- Preguntar sobre el origen: Antes de adoptar un sistema de IA en tu organización o vida cotidiana, busca información sobre quién lo construyó, con qué datos y qué impactos conocidos tiene sobre grupos específicos de personas. Esa pregunta ya es un acto de gobernanza.
- Nombrar la responsabilidad: En cualquier entorno donde se use IA para tomar decisiones que afectan a personas, establece quién revisa esas decisiones y con qué criterio. La responsabilidad no puede quedar implícita en el sistema.
- Ampliar las voces en el diseño: Si participas en decisiones sobre qué herramientas de IA adoptar, incluye perspectivas de personas que serán afectadas por el sistema, no solo de quienes lo administrarán. Esa diversidad es calidad técnica, no solo sensibilidad social.
- Usar recursos institucionales: El Stanford HAI publica regularmente informes de acceso libre sobre gobernanza, riesgos y mejores prácticas en IA. Son documentos escritos para ser útiles, no solo para circular en comunidades académicas.
- Mantener el criterio activo: La confianza en un sistema de IA bien diseñado es razonable. La delegación del juicio propio sin verificación no lo es. Conservar la capacidad de preguntar, revisar y cuestionar es el hábito más protector que cualquier persona puede cultivar en la era algorítmica.
Una idea para recordar
La pregunta que define la calidad de un sistema de IA no es cuánto sabe o qué tan rápido responde. Es para quién fue diseñado, y si esa persona —con toda su complejidad— sigue siendo libre de decidir cuando el sistema termina de hablar.
¿Qué es la IA centrada en las personas y cómo se diferencia de otros enfoques de inteligencia artificial?
La IA centrada en las personas (Human-Centered AI) es un enfoque de diseño y desarrollo que sitúa el bienestar, la agencia y los derechos humanos como criterios primarios en cada etapa del ciclo de vida de un sistema de IA: desde la recopilación de datos hasta el despliegue y la auditoría continua. Se diferencia de enfoques orientados puramente al rendimiento técnico en que define el éxito no solo en métricas de precisión o eficiencia, sino en términos de impacto sobre las personas que interactúan con el sistema o son afectadas por sus decisiones.
Ejemplo práctico: el Stanford HAI desarrolló directrices para sistemas de IA en atención médica que exigen documentar cómo el sistema afecta a pacientes de diferentes grupos demográficos, no solo su precisión diagnóstica promedio. Un hospital que adoptó estas directrices detectó que su sistema de triaje asignaba prioridades más bajas a pacientes de ciertos grupos étnicos con síntomas equivalentes, y pudo corregirlo antes de que causara daño sistémico.
¿Qué es ImageNet y por qué fue un punto de inflexión para la inteligencia artificial moderna?
ImageNet es una base de datos visual creada por Fei-Fei Li y su equipo en 2009, que contiene más de 14 millones de imágenes etiquetadas manualmente en más de 20,000 categorías. Su creación respondió a un problema concreto: los modelos de aprendizaje automático de la época entrenaban con conjuntos de datos demasiado pequeños y homogéneos para aprender representaciones visuales generalizables. ImageNet aportó escala y diversidad suficientes para que los modelos pudieran aprender patrones visuales con una riqueza comparable a la percepción humana.
El punto de inflexión llegó en 2012, cuando el equipo de Geoffrey Hinton ganó el ImageNet Large Scale Visual Recognition Challenge usando una red neuronal profunda (AlexNet) con una ventaja de rendimiento sin precedentes sobre los métodos anteriores. Ese resultado demostró empíricamente que el aprendizaje profundo, con datos suficientes, podía superar décadas de ingeniería de características manuales. Desencadenó la era moderna de la IA que hoy produce sistemas de generación de imágenes, reconocimiento facial, diagnóstico médico por imagen y conducción autónoma.
¿Qué riesgos humanos concretos produce la IA cuando no se diseña con diversidad y representación?
Cuando los sistemas de IA se entrenan con datos que no representan la diversidad de las personas que serán afectadas por sus decisiones, producen resultados desiguales que pueden traducirse en daños concretos. Estos riesgos incluyen: tasas de error diferenciadas por grupo demográfico en sistemas de reconocimiento facial (con consecuencias en seguridad y justicia), sesgos en algoritmos de contratación que penalizan a ciertos perfiles, sistemas de diagnóstico médico menos precisos para poblaciones subrepresentadas en los datos de entrenamiento, y modelos de crédito que perpetúan desigualdades estructurales preexistentes.
Ejemplo documentado: un estudio de 2019 publicado en Science analizó un algoritmo de gestión de salud utilizado en hospitales de Estados Unidos y encontró que el sistema asignaba puntuaciones de riesgo más bajas a pacientes negros con igual o mayor necesidad médica que pacientes blancos, como resultado de un proxy de costo que reflejaba desigualdades históricas de acceso al sistema de salud. El sesgo no era intencional: era estructural, producido por datos que codificaban una realidad desigual sin que nadie lo hubiera decidido explícitamente.
¿Qué es la inteligencia espacial en IA y por qué es relevante para la autonomía humana?
La inteligencia espacial en IA se refiere a la capacidad de un sistema para comprender, razonar y generar representaciones del mundo físico tridimensional: posición de objetos, relaciones espaciales, causalidad física, perspectiva y contexto ambiental. World Labs, la empresa fundada por Fei-Fei Li, trabaja en lo que llama Large World Models, sistemas que pueden entender y simular entornos físicos con un nivel de detalle y coherencia mucho mayor que los modelos de lenguaje o visión convencionales.
La relevancia para la autonomía humana es directa: los sistemas que entienden el contexto espacial y situacional tienen mayor capacidad de asistir sin desplazar el juicio humano, porque pueden presentar información más rica y verificable. Un asistente de IA que entiende que estás en una cocina, con ciertos ingredientes y ciertas limitaciones físicas, puede hacer sugerencias más útiles y más fáciles de evaluar por una persona que uno que solo procesa texto sin contexto. El riesgo, a la inversa, es que sistemas más contextuales también pueden producir influencia más sofisticada si no están diseñados con transparencia y supervisión humana.
¿Cómo puede una organización o familia aplicar principios de IA centrada en las personas en su vida cotidiana?
Aplicar principios de IA centrada en las personas no requiere ser experto técnico. Requiere hacerse preguntas antes de adoptar o confiar en un sistema de IA, y mantener activos ciertos hábitos de supervisión. Los principios clave son: preguntar sobre el origen y los datos del sistema, verificar si el sistema ha sido evaluado para grupos demográficos similares al propio, identificar quién tiene responsabilidad cuando el sistema produce un resultado incorrecto, y mantener la capacidad de revisar y cuestionar las recomendaciones generadas.
Ejemplo para una familia: antes de permitir que una herramienta de IA educativa genere evaluaciones o recomendaciones de aprendizaje para un hijo, vale la pena preguntar al proveedor con qué tipo de estudiantes fue entrenado el sistema, qué sesgos conocidos tiene y si existe supervisión humana del docente en el proceso. Esas preguntas no frenan el uso de la tecnología: orientan su adopción hacia formas que protegen la agencia del niño y del educador.
Fuente: OECD — Principles on AI: Recommendation of the Council on Artificial Intelligence, 2024
Herramientas para convivir con la IA desde el criterio propio
Si este análisis te hizo pensar en cómo tu equipo, tu familia o tú mismo están adoptando tecnología de IA sin marcos claros de evaluación, el Kit Pensamiento Propio con la IA ofrece un sistema para recuperar la autoría de tus elecciones en entornos donde la automatización ya tomó terreno. Con el método S.E.N.S.E. como guía. Con calma. Sin drama técnico.
Karine Boucher
Guardiana de la Humanidad Digital
Soy Karine, profesional franco-mexicana con más de 25 años de experiencia en entornos internacionales. Creé el Método SENSE para ofrecer lo que los marcos técnicos de gobernanza no dan: herramientas protectoras, claras y utilizables en la vida real — especialmente para familias y educadores.
Formada en Ciencia de Datos en el MIT y especializada en gobernanza de IA y ética aplicada. Creo que la pregunta más urgente de nuestro tiempo no es cómo usar mejor la IA, sino cómo seguir siendo humanos mientras lo hacemos.