Los cuerpos de mujeres, niñas y otros grupos marginalizados son borrados o distorsionados dentro de los sistemas de aprendizaje automático (machine learning).

Estos sistemas reproducen y amplifican desigualdades al hacer explícita, a través del código, la invisibilidad y los sesgos presentes en los datos de origen.

La corporalidad es fundamental porque los sesgos en los datos no solo afectan a las identidades, sino que tienen consecuencias concretas en las vidas corporales y materiales de las personas, tales como:

La ausencia de datos sobre cuerpos femeninos en estudios médicos y algoritmos puede llevar a diagnósticos imprecisos o tratamientos menos efectivos.

Los sesgos en sistemas de vigilancia o justicia criminal pueden reforzar estereotipos raciales y de género, poniendo en mayor riesgo a los cuerpos ya vulnerabilizados.

Las decisiones algorítmicas que excluyen o marginan refuerzan la idea de que ciertos cuerpos son menos importantes o incluso inexistentes, al perpetuar dinámicas excluyentes.

Cuando estas dinámicas se codifican en sistemas de inteligencia artificial, los estereotipos y normas patriarcales, raciales y de clase que ya afectan a los cuerpos en el mundo analógico se transforman en reglas explícitas que refuerzan estas jerarquías.

La corporalidad podría ser el terreno donde estas desigualdades se viven de manera tangible: desde quién es vigilado y criminalizado hasta quién es ignorado en los espacios laborales o en las decisiones de políticas públicas.

La “Patriarquía 2.0” radica en su capacidad de solidificar desigualdades de manera más eficiente y difícil de desmantelar.

Las relaciones entre género, raza y clase ya no serían solo normas sociales implícitas, sino códigos que regulan y automatizan exclusiones, al afectar directamente cómo los cuerpos se posicionan y sobreviven en el mundo.

Sería importante repensar la creación de datos, asegurando que incluyan las experiencias y necesidades de cuerpos históricamente marginados para evitar que el futuro tecnológico perpetúe desigualdades del pasado.