Límites éticos en la ciencia de datos: ¿prohibición o consenso?
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
La ciencia de datos impulsa decisiones, negocios y modelos de comunicación masiva. Eso plantea un debate que no se puede evitar: cómo establecer límites éticos que protejan a las personas sin frenar la innovación.
Resumen: hoy usamos servicios gratuitos de alta calidad a cambio de datos que las empresas convierten en perfiles y mensajes personalizados. Eso hace la comunicación más efectiva, pero también puede influir en las personas por encima de su razonamiento. Hay dos grandes caminos para poner límites: normas legales y consensos éticos profesionales. En la práctica se complementan.
La paradoja de la “generosidad digital”
Hoy disfrutamos servicios gratuitos de altísima calidad: email, almacenamiento, clases, mensajería inmediata y redes sociales. Detrás de esa gratuidad hay empresas que buscan rentabilidad.
Para lograrla necesitan monetizar lo que reciben de nosotros: datos, trazas, hábitos, perfiles y emociones. En este contexto, nuestros datos se convirtieron en la principal moneda de intercambio.
La publicidad masiva tradicional quedó atrás. Con técnicas de ciencia de datos, las empresas pueden identificar los resortes emocionales y asociativos de cada individuo para construir mensajes personalizados, el llamado microtargeting. Hay evidencia de que funciona: en tres experimentos de campo con más de 3,5 millones de personas, los anuncios adaptados a un rasgo de personalidad lograron hasta 40 % más de clics y hasta 50 % más de compras (Matz et al., 2017, PNAS).
Esto vuelve la comunicación más efectiva, pero también abre la puerta a una influencia que puede saltar por encima de nuestra racionalidad. Para ver el caso desde el marketing, mirá marketing y ciencia de datos.
El poder de influir en el sistema 1
La ciencia de datos se apoya, en parte, en cómo funciona nuestra mente.
Sistema 1
Rápido, automático y emocional. Responde a estímulos visuales y asociaciones sin esfuerzo.
Sistema 2
Lento, deliberado y analítico. Es el pensamiento crítico, que requiere esfuerzo.
Es el marco que popularizó el psicólogo Daniel Kahneman (Premio Nobel de Economía 2002) en Pensar rápido, pensar despacio. Ese sesgo natural permite construir mensajes que activan emociones inmediatas y modifican comportamientos con gran precisión. Y donde hay poder, deben existir límites.
Una precisión: la división en dos sistemas es un modelo para explicar el pensamiento, no una descripción literal del cerebro. Sirve para entender por qué algunos mensajes funcionan sin que lo notemos.
¿Prohibición o consenso? Hacia una ética compartida
Hay dos enfoques complementarios para poner límites.
| Aspecto | Prohibición legal | Consenso ético |
|---|---|---|
| Cómo funciona | Normas obligatorias con sanciones | Principios que adopta la comunidad profesional |
| Fortaleza | Obliga y protege a quienes no pueden defenderse solos | Se adapta rápido y nace de la convicción |
| Debilidad | Puede quedar atrás de la tecnología y varía entre países | Depende de la voluntad de cumplirlo |
| Riesgo | Frenar la innovación si es demasiado rígida | No alcanzar a quienes no adhieren |
La propuesta
Prohibir prácticas a nivel local no alcanza: lo que se limita en un país puede hacerse en otro. Por eso el enfoque ético debe buscar un consenso amplio basado en lo que es funcional para la sociedad. La propuesta tiene tres ideas:
Principios aceptados voluntariamente
Que quienes trabajan en ciencia de datos los adopten por convicción.
Inspirarse en marcos maduros
Como los de la medicina, el periodismo y la educación.
Límites que surjan de la convicción
Más que del control, para no paralizar una industria clave para el crecimiento tecnológico del país.
El otro lado del debate: quienes defienden la regulación sostienen que la autorregulación sola no alcanza, porque los incentivos económicos pueden pesar más que los principios. Además, algunas normas modernas tienen alcance fuera de su territorio: el RGPD europeo, por ejemplo, también se aplica a empresas de otros países que ofrecen bienes o servicios a personas en la UE o monitorean su comportamiento allí. Ambos enfoques pueden convivir.
Marcos éticos que ya existen
La medicina ya enfrentó preguntas parecidas y dejó principios que se usan como referencia.
Informe Belmont (1979)
Documento de la comisión estadounidense para la protección de sujetos de investigación biomédica y conductual. Establece tres principios: respeto por las personas, beneficencia y justicia. Se traducen en consentimiento informado, equilibrio entre riesgos y beneficios y selección justa de participantes.
UNESCO (2021)
Recomendación sobre la ética de la inteligencia artificial, adoptada por los 193 Estados miembros. No es vinculante, pero es el primer marco mundial sobre el tema. Se desarrolla en la guía de ética y regulación de la IA.
Los principios de Belmont se pueden trasladar a los datos: pedir consentimiento informado, evaluar el daño posible de un modelo y evitar que unos grupos carguen con los riesgos y otros con los beneficios.
Normas legales vigentes
El debate ético convive con normas que ya existen.
Argentina: Ley 25.326
El artículo 6 exige informar la finalidad antes de recabar datos. El artículo 27 permite armar perfiles con fines publicitarios solo con datos públicos o facilitados con consentimiento, y reconoce el derecho a pedir el retiro o bloqueo del nombre.
UE: RGPD
El artículo 21 da derecho a oponerse al marketing directo, incluida la elaboración de perfiles. El artículo 3(2) lo extiende a organizaciones de fuera de la UE que ofrecen servicios o monitorean a personas en la UE.
UE: Ley de Servicios Digitales
Prohíbe a las plataformas mostrar anuncios basados en perfiles que usen categorías especiales de datos personales (artículo 26.3) o dirigidos a menores (artículo 28.2).
Una advertencia: este artículo es informativo y no es asesoramiento legal. Las normas cambian y varían por país.
Hacia una ética práctica para los científicos de datos
El desafío es diseñar normas claras que definan qué prácticas se deben y cuáles no al trabajar con datos, modelos predictivos y algoritmos con impacto social. Una ética que proteja a las personas sin ahogar la innovación.
- ¿Las personas saben para qué se usan sus datos y pudieron decir que no?
- ¿Qué daño podría causar un error del modelo, y a quién?
- ¿El resultado puede discriminar a un grupo?
- ¿El mensaje informa o manipula?
- ¿Hay una persona responsable de revisar las decisiones del modelo?
- ¿Documentamos de dónde vienen los datos y para qué sirve el modelo?
Sobre documentar datos y modelos, la guía de ética y regulación de la IA explica las hojas de datos (Datasheets for Datasets) y las tarjetas de modelo (Model Cards). Y para el contexto de las organizaciones, mirá ciencia de datos en la transformación digital.
Preguntas frecuentes
¿Qué es el microtargeting?
Es dirigir mensajes personalizados a individuos o grupos muy pequeños según sus datos y perfiles. Ver La paradoja de la generosidad digital.
¿Qué son el sistema 1 y el sistema 2?
Dos modos de pensar descriptos por Kahneman: uno rápido e intuitivo y otro lento y analítico. Ver El poder de influir en el sistema 1.
¿Es mejor prohibir o autorregular?
Hay argumentos para ambos y suelen combinarse. Ver Prohibición o consenso.
¿Qué dice la ley en Argentina sobre usar datos para publicidad?
La Ley 25.326 exige informar la finalidad y regula los perfiles publicitarios. Ver Normas legales vigentes.
¿Qué puede hacer un científico de datos en la práctica?
Hacerse preguntas éticas en cada proyecto y documentar sus decisiones. Ver Una ética práctica.
Cómo seguir después de este artículo
- Mirá la ética de la IA: la guía de ética y regulación de la IA.
- Ordená tu aprendizaje: la ruta de aprendizaje de ciencia de datos.
- Volvé a la guía: la guía de Ciencia de Datos reúne el resto de los temas.
Este artículo es informativo y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes: Matz, Kosinski, Nave y Stillwell (2017), Psychological targeting as an effective approach to digital mass persuasion, PNAS 114(48); The Belmont Report (HHS, 1979); Ley 25.326 (Argentina); RGPD, artículo 21 y artículo 3; DSA Observatory: Digital Services Act y publicidad; Kahneman, D. (2011), Thinking, Fast and Slow. Consultadas en octubre de 2026. El enfoque “prohibición o consenso” corresponde a la exposición de Ignacio Urteaga.