La ética en el uso de los datos no se limita a debates académicos ni a escenarios extremos de vigilancia masiva. Está presente en situaciones cotidianas que enfrentan las empresas, los gobiernos, los desarrolladores de software y hasta los creadores de contenido digital. Muchas veces, las decisiones relacionadas con datos parecen inofensivas, pero pueden tener implicaciones profundas en la privacidad, la equidad, la autonomía o la seguridad de las personas.

Desde la segmentación publicitaria hasta el reconocimiento facial, el uso de datos plantea dilemas éticos que deben abordarse con cuidado y responsabilidad. Ignorarlos puede traducirse en pérdida de confianza, daños reputacionales o incluso vulneraciones de derechos humanos.

Estos son algunos de los casos más comunes donde los principios éticos deben ser aplicados con especial atención, para evitar prácticas abusivas y fomentar un entorno digital más justo y respetuoso.

1. Publicidad personalizada basada en perfiles psicológicos

La publicidad personalizada es una de las aplicaciones más comunes —y lucrativas— del análisis de datos en la actualidad. A través del seguimiento de comportamientos en línea, compras previas, clics, ubicación, intereses e incluso rasgos de personalidad inferidos, las plataformas diseñan anuncios que se ajustan a cada usuario como si fueran hechos a medida. Si bien esto puede mejorar la experiencia del consumidor, también plantea preguntas éticas fundamentales: ¿hasta qué punto es legítimo perfilar a una persona? ¿Cuándo deja de ser útil y se vuelve manipulador?

El principal dilema ético surge cuando la segmentación deja de ser una herramienta comercial para convertirse en un mecanismo de influencia psicológica profunda, que puede alterar decisiones sin que el usuario sea plenamente consciente de ello. Aquí no solo se juega con datos, sino con la mente y las emociones humanas.

1. Cambridge Analytica (2018)
   Uno de los escándalos más emblemáticos sobre el mal uso de datos. Esta consultora política obtuvo acceso indebido a los datos personales de más de 87 millones de usuarios de Facebook, sin su consentimiento explícito, para crear perfiles psicológicos y diseñar anuncios personalizados dirigidos a influir en votaciones clave como el referéndum del Brexit y las elecciones presidenciales de EE. UU. en 2016.
   El caso evidenció cómo los datos podían ser usados no solo para vender productos, sino para manipular decisiones políticas fundamentales.
   
   
2. Target y el embarazo adolescente (EE. UU.)
   A través del análisis del comportamiento de compra, Target desarrolló un algoritmo capaz de predecir si una cliente estaba embarazada antes de que ella misma lo dijera públicamente. El caso se hizo famoso cuando la cadena envió cupones de productos para bebés a una adolescente cuyo padre no sabía de su embarazo.
   Esto abrió un debate sobre el poder predictivo de los datos y el derecho a la privacidad personal, incluso frente a la propia familia.
   
   
3. TikTok y la promoción de contenido según perfiles emocionales
   Diversas investigaciones han revelado que TikTok puede promover contenido sensible (como dietas extremas o estados depresivos) a usuarios adolescentes con base en sus patrones de consumo. Si bien no es publicidad pagada en sentido estricto, sí es una forma de personalización algorítmica con impacto emocional y psicológico, que puede derivar en trastornos de salud mental.
   
   
4. Facebook y los anuncios segmentados por raza, religión o género
   En varias ocasiones, Facebook ha sido señalado por permitir a anunciantes excluir de sus campañas a ciertos grupos por características como etnia, orientación sexual o creencias religiosas. Esta práctica puede derivar en discriminación digital, afectando el acceso a empleos, créditos u oportunidades educativas.
   
   
5. Spotify y los anuncios basados en estado de ánimo
   Spotify ha explorado la posibilidad de personalizar anuncios en función del tipo de música que escucha una persona, interpretando su estado emocional en tiempo real. Aunque esto puede parecer innovador, también plantea preguntas sobre consentimiento, manipulación emocional y uso de datos sensibles sin conciencia plena del usuario.

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

Estos casos muestran que, cuando se utiliza sin ética, la personalización puede cruzar una delgada línea entre la relevancia y la manipulación. El poder de influir en las decisiones individuales a partir de sus datos es inmenso, y requiere de una profunda reflexión ética, regulatoria y tecnológica. No se trata solo de mostrar el anuncio correcto en el momento adecuado, sino de garantizar que esa práctica no atente contra la autonomía, la privacidad o la dignidad de las personas.

2. Uso de datos de salud sin consentimiento claro

Los datos de salud son, por definición, información altamente sensible. Revelan aspectos íntimos de la vida de una persona: condiciones médicas, tratamientos, diagnósticos, antecedentes familiares, estado emocional y hasta su estilo de vida. Por esa razón, su recolección, análisis y uso deben ser tratados con los más altos estándares éticos y de protección.

Sin embargo, el auge de aplicaciones de salud, dispositivos wearables, plataformas de historia clínica electrónica e investigaciones clínicas ha generado múltiples controversias. Muchos usuarios entregan información sin tener claro a quién pertenece realmente, quién puede acceder a ella o si será utilizada con fines comerciales, estadísticos o incluso publicitarios. El consentimiento, en estos casos, suele ser tácito, ambiguo o completamente ausente.

Mira estos casos:

1. DeepMind y el NHS (Reino Unido)
   En 2016, la empresa DeepMind (filial de Google) accedió a los datos médicos de 1.6 millones de pacientes del sistema público de salud británico (NHS) sin haber obtenido un consentimiento explícito de los pacientes. La colaboración tenía como objetivo desarrollar una aplicación para detectar fallos renales, pero el volumen y tipo de datos compartidos excedía lo necesario.
   El caso generó una gran polémica sobre la transparencia, el consentimiento y el rol de las empresas tecnológicas en la gestión de datos médicos públicos.
   
   
2. Facebook y datos de salud mental en grupos cerrados
   En 2019, se descubrió que administradores de grupos privados de Facebook sobre salud mental podían acceder a la información personal de los miembros, e incluso utilizarla con fines publicitarios. A pesar de la aparente privacidad de estos espacios, los datos se cruzaban con la actividad general del usuario en la plataforma.
   Esto dejó en evidencia que la percepción de intimidad digital puede ser engañosa, y que las redes sociales no siempre garantizan la confidencialidad de temas tan delicados como la salud mental.
   
   
3. Flo App (EE. UU.) y el rastreo de menstruación
   Flo, una de las aplicaciones más populares para seguimiento del ciclo menstrual, fue acusada de compartir datos con terceros como Facebook y Google, incluso cuando las usuarias no habían dado su consentimiento explícito. La empresa fue investigada por la FTC (Federal Trade Commission) y se le exigió ajustar sus prácticas.
   El caso mostró cómo las apps de salud femenina pueden convertirse en fuentes encubiertas de datos sensibles para el mercado publicitario, sin conocimiento de quienes las usan.
   
   
4. Watson Health de IBM y el uso de datos clínicos para entrenamiento de IA
   IBM fue criticada por utilizar grandes volúmenes de datos médicos de pacientes para entrenar su sistema de inteligencia artificial Watson, sin explicar con suficiente claridad los propósitos del entrenamiento ni las garantías de anonimización. Aunque se trataba de una iniciativa de innovación en salud, faltaron controles éticos en la gestión de los datos originales.
   
   
5. Recopilación de datos de salud durante la pandemia de COVID-19
   En varios países, se desarrollaron apps de rastreo de contactos y autodiagnóstico sin claridad sobre los fines exactos del uso de los datos recopilados. Algunas aplicaciones siguieron recolectando información después del pico de la emergencia sanitaria, sin explicar con transparencia cómo serían eliminados o reutilizados los datos.
   Esto generó desconfianza pública y rechazo al uso de soluciones tecnológicas, incluso cuando su objetivo era el control de una crisis de salud pública.

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

La salud no es solo un dato: es una dimensión íntima, vulnerable y profundamente humana. Usar información médica sin un consentimiento claro y consciente viola el derecho a la privacidad, la autonomía y la dignidad. Además, deteriora la confianza en los sistemas de salud, limita el desarrollo de nuevas tecnologías y aleja a las personas de herramientas que podrían beneficiarlas.

Por eso, en el ámbito de la salud, la ética en el uso de los datos no puede ser opcional: debe ser una obligación moral, legal y profesional en todas las etapas del proceso.

3. Reconocimiento facial en espacios públicos

El reconocimiento facial es una tecnología que permite identificar o verificar la identidad de una persona a partir de una imagen o video de su rostro. Si bien tiene aplicaciones legítimas en áreas como seguridad, control de acceso o investigación criminal, su uso en espacios públicos —sin consentimiento ni conocimiento de las personas— ha generado alarmas éticas, jurídicas y sociales a nivel global.

Esta tecnología puede convertir cualquier calle, aeropuerto, estadio, centro comercial o estación de policía en un espacio de vigilancia masiva. El gran problema es que, al ser invisible y automatizada, las personas no saben que están siendo observadas, clasificadas o evaluadas, lo cual afecta su libertad, su privacidad y sus derechos fundamentales. Además, numerosos estudios han demostrado que los sistemas de reconocimiento facial pueden fallar más con personas racializadas, mujeres y menores de edad, generando riesgos de discriminación, criminalización injusta o errores graves en contextos judiciales.

1. Proyecto “Facewatch” en el Reino Unido
   Este sistema de videovigilancia con reconocimiento facial en tiendas y supermercados buscaba identificar personas con antecedentes de robo o comportamiento sospechoso. Sin embargo, se denunció que la mayoría de las personas escaneadas nunca fue informada, y que el sistema almacenaba datos biométricos de personas inocentes, tratándolas como sospechosas solo por “perfil”.
   El caso encendió el debate sobre la presunción de inocencia y la vigilancia preventiva sin base legal sólida.
   
   
2. Rechazo de reconocimiento facial por parte de San Francisco (EE. UU.)
   En 2019, San Francisco se convirtió en la primera ciudad de EE. UU. en prohibir el uso del reconocimiento facial por parte de agencias gubernamentales. Esta decisión fue motivada por la falta de transparencia, el riesgo de abuso y la inexactitud de los sistemas, especialmente con personas negras, asiáticas y de otras minorías.
   La ciudad argumentó que la seguridad no puede construirse sacrificando la privacidad ni creando una sociedad de vigilancia constante.
   
   
3. Caso Clearview AI (EE. UU. y otros países)
   Clearview AI desarrolló una base de datos con más de 3.000 millones de imágenes faciales extraídas de redes sociales sin consentimiento. Luego vendía el acceso a gobiernos y fuerzas policiales. Países como Canadá, Australia, Francia y Reino Unido ordenaron el cese de operaciones de la empresa en su territorio por violaciones masivas a la privacidad.
   El caso evidenció cómo la recolección masiva de datos biométricos sin consentimiento puede ser comercializada como producto, convirtiendo los rostros de millones de personas en activos digitales sin su conocimiento.
   
   
4. Escaneo facial en escuelas públicas de Nueva York (EE. UU.)
   En 2020, varias escuelas del estado de Nueva York implementaron cámaras con reconocimiento facial para supuestamente prevenir ataques armados. Sin embargo, se criticó duramente que esta medida involucrara a niños y adolescentes, cuyos rostros eran capturados y almacenados sin el consentimiento informado de padres o estudiantes.
   El sistema fue pausado tras una fuerte presión pública, que consideró esta vigilancia como desproporcionada, riesgosa y poco eficaz.

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

El reconocimiento facial plantea uno de los dilemas éticos más complejos de la era digital: ¿hasta qué punto es legítimo sacrificar privacidad por seguridad? ¿Quién decide cuándo y dónde observarnos? ¿Y con qué garantías? Cuando se implementa sin regulación clara, sin consentimiento y sin controles independientes, esta tecnología puede convertirse en una forma de vigilancia invasiva, discriminatoria y deshumanizante.

En lugar de normalizar la idea de ser observados constantemente, debemos exigir que cualquier uso de datos biométricos esté fundado en la legalidad, regulado con transparencia, supervisado por entes independientes y alineado con los derechos humanos.

4. Análisis predictivo en seguridad ciudadana que refuerza estigmas

El análisis predictivo en seguridad ciudadana consiste en utilizar grandes volúmenes de datos —como registros delictivos, localización geográfica, datos sociodemográficos o patrones de comportamiento— para anticipar dónde, cuándo y por qué podrían ocurrir delitos. Este enfoque promete eficiencia, prevención y optimización de recursos policiales. Sin embargo, también presenta riesgos éticos profundos relacionados con la discriminación, el refuerzo de estereotipos y la criminalización preventiva.

El problema no está en la tecnología per se, sino en los datos y decisiones que la alimentan. Si las bases históricas contienen sesgos estructurales —como mayor presencia policial en barrios populares o comunidades racializadas—, el sistema puede terminar reproduciendo y amplificando esos prejuicios. Así, se refuerzan patrones de vigilancia en ciertos territorios, se criminalizan poblaciones enteras y se debilitan principios como la presunción de inocencia.

1. PredPol (EE. UU.)
   Uno de los sistemas más conocidos de predicción policial. Utilizado por varias ciudades estadounidenses, PredPol analizaba datos históricos de delitos para sugerir dónde enviar patrullas. Sin embargo, diversos estudios demostraron que enviaba más vigilancia a barrios afroamericanos y latinos, no necesariamente por mayor incidencia delictiva, sino por los sesgos en los datos policiales previos.
   El sistema fue duramente criticado por reforzar el racismo institucional, al tratar como “zonas de riesgo” a comunidades históricamente marginadas.
   
   
2. Chicago’s Strategic Subject List (SSL)
   Este programa buscaba identificar a individuos con “alta probabilidad” de cometer o ser víctimas de crímenes violentos, basándose en un algoritmo opaco. Aunque se presentó como una herramienta preventiva, carecía de precisión y transparencia, y llegó a incluir personas sin antecedentes delictivos.
   En la práctica, generó un ambiente de vigilancia sobre jóvenes afroamericanos sin base legal clara ni respeto por sus derechos.
   
   
3. Palantir y el Departamento de Policía de Los Ángeles (LAPD)
   La compañía Palantir ayudó al LAPD a implementar un sistema de vigilancia basado en análisis de datos que apuntaba a identificar a “criminales potenciales”. Grupos de derechos civiles denunciaron que el programa era altamente invasivo y discriminatorio, y que los datos utilizados no estaban auditados ni justificados públicamente.
   El sistema fue descontinuado en medio de protestas por falta de transparencia y sesgo racial.
   
   
4. Proyecto Skynet (China)
   Aunque originalmente presentado como un sistema de control urbano y prevención del crimen, Skynet ha sido utilizado por el gobierno chino para vigilar y perseguir a minorías étnicas como los uigures. Se combinan datos biométricos, vigilancia facial y análisis de comportamiento para identificar “comportamientos sospechosos”.
   El caso demuestra cómo el análisis predictivo puede convertirse en una herramienta de represión estatal, más que de seguridad ciudadana.
   
   

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

El análisis predictivo puede ser una herramienta poderosa, pero mal utilizada puede convertirse en una forma digital de perfilamiento social, donde la tecnología justifica intervenciones invasivas sobre comunidades estigmatizadas. Cuando un sistema policial comienza a actuar no por lo que alguien ha hecho, sino por lo que “podría llegar a hacer” según un algoritmo, se comprometen principios democráticos fundamentales como la presunción de inocencia, la igualdad ante la ley y la libertad individual.

Por eso, en el ámbito de la seguridad, los datos deben usarse con extrema prudencia, y siempre con transparencia, supervisión independiente y enfoque en derechos humanos. Lo contrario sería permitir que los algoritmos definan quién merece ser vigilado... y quién no.

5. Modelos de crédito o contratación basados en perfiles automatizados

Cada vez más decisiones cruciales para la vida de las personas —como acceder a un préstamo bancario, ser contratado en un empleo o arrendar una vivienda— son influenciadas o tomadas directamente por sistemas automatizados que procesan datos personales, financieros, conductuales e incluso sociales. Estos modelos, alimentados por algoritmos y aprendizaje automático, prometen eficiencia y objetividad. Pero detrás de esa promesa, pueden esconderse criterios opacos, discriminatorios o erróneos.

El gran dilema ético en estos casos es que muchas personas no saben por qué han sido rechazadas o qué variables fueron consideradas en su evaluación. Además, el uso de proxies (sustitutos de datos sensibles como ubicación, historial educativo o actividad en redes sociales) puede generar discriminación indirecta que afecta, sin justificación válida, a ciertos grupos sociales.

1. Caso Apple Card y el sesgo de género (EE. UU.)
   En 2019, múltiples denuncias surgieron cuando Apple Card —una tarjeta de crédito desarrollada en alianza con Goldman Sachs— ofrecía líneas de crédito mucho menores a mujeres que compartían cuentas, ingresos y situaciones financieras idénticas con sus esposos.
   A pesar de la supuesta neutralidad del algoritmo, se descubrió que el sistema reproducía un sesgo de género injustificado, lo que llevó a investigaciones por parte de reguladores en EE. UU.
   
   
2. LinkedIn y su sistema de recomendación laboral
   Investigaciones internas mostraron que el algoritmo de LinkedIn favorecía ciertas combinaciones de género y nombres en los resultados de búsqueda, afectando negativamente la visibilidad de mujeres en áreas dominadas por hombres.
   Esto demostró cómo la lógica de los modelos predictivos puede reflejar prejuicios del entorno laboral real, replicándolos en el espacio digital y afectando el acceso a oportunidades.
   
   
3. HireVue y el análisis facial en entrevistas laborales
   Esta empresa desarrolló un software que evaluaba entrevistas grabadas utilizando inteligencia artificial que analizaba expresiones faciales, tono de voz y patrones de lenguaje. Aunque prometía reducir el sesgo humano, organizaciones defensoras de derechos digitales denunciaron que el sistema era opaco, poco confiable y discriminatorio.
   El problema no era solo técnico: se trataba de reducir la complejidad humana a parámetros algorítmicos no verificables.
   
   
4. Credit Karma y la falsa aprobación de créditos (EE. UU.)
   En 2022, la FTC sancionó a Credit Karma por haber indicado a cientos de miles de usuarios que habían sido “preaprobados” para créditos que en realidad les serían negados, generando daños en su historial financiero y frustración por decisiones que se basaban en datos incompletos o mal clasificados.

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

Delegar decisiones fundamentales a sistemas automatizados no elimina el sesgo: lo traslada, lo amplifica y lo vuelve menos visible. Cuando una persona no puede acceder a un empleo, un crédito o una vivienda por razones que desconoce y no puede refutar, se rompe un principio básico de justicia: el derecho a ser evaluado con equidad, a conocer los criterios aplicados y a corregir errores.

La ética exige que los modelos automatizados sean auditables, transparentes, explicables y justos. No basta con que funcionen bien: deben respetar la dignidad humana y garantizar que el acceso a oportunidades no quede en manos de cajas negras algorítmicas sin responsabilidad ni control.

6. Vigilancia estatal y uso de datos en nombre de la seguridad nacional

En el contexto de la seguridad nacional, muchos Estados han implementado sistemas de vigilancia masiva que recopilan y procesan enormes cantidades de datos personales. El argumento principal suele ser la prevención del terrorismo, el crimen organizado o las amenazas a la estabilidad del país. Sin embargo, estos programas muchas veces operan con escasa transparencia, sin consentimiento ciudadano y sin mecanismos efectivos de rendición de cuentas.

La ética en estos casos choca con una disyuntiva poderosa: ¿cuánto estamos dispuestos a sacrificar de nuestra privacidad para sentirnos seguros? ¿Dónde está el límite entre la protección del Estado y la invasión de la intimidad?

1. Proyecto PRISM – NSA (EE. UU.)
   En 2013, el excontratista Edward Snowden filtró documentos que demostraban cómo la Agencia de Seguridad Nacional (NSA) de EE. UU. tenía acceso directo a los servidores de empresas como Google, Facebook, Apple y Microsoft. A través del programa PRISM, el gobierno recolectaba información sobre llamadas, correos electrónicos, búsquedas y actividades digitales de millones de personas en todo el mundo, sin orden judicial previa.
   Este caso generó un debate global sobre la legalidad y legitimidad de la vigilancia masiva sin control democrático.
   
   
2. Sistema Aadhaar (India)
   El gobierno indio implementó el sistema Aadhaar para identificar a más de mil millones de personas a través de datos biométricos (iris, huellas, rostro) y datos demográficos. Aunque el objetivo era facilitar el acceso a subsidios y servicios públicos, se ha denunciado que se ha utilizado para vigilancia estatal, exclusión social y control poblacional, especialmente en comunidades pobres y rurales.
   En varios fallos, la Corte Suprema de India ha limitado su uso por considerarlo una amenaza a los derechos fundamentales.
   
   
3. Vigilancia de protestas en Estados Unidos y América Latina
   Diversos gobiernos han utilizado sistemas de monitoreo de redes sociales y cámaras de reconocimiento facial para identificar y perseguir manifestantes, líderes sociales y periodistas. En Colombia, durante el estallido social de 2021, organizaciones denunciaron que se usaron herramientas de geolocalización e inteligencia artificial para perfilar participantes de las marchas.
   Esto criminaliza la protesta y genera un ambiente de miedo que afecta la democracia.
   
   
4. China y el sistema de puntuación social
   El gobierno chino ha implementado un sistema que evalúa el comportamiento de los ciudadanos con base en sus acciones digitales, pagos, amistades y opiniones políticas. Una mala puntuación puede impedir el acceso a créditos, empleos o viajes.
   Este sistema pone en evidencia el uso de datos como mecanismo de control social a gran escala, sin posibilidad de apelación ni defensa.

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

Cuando el Estado se convierte en el principal recolector de datos y no existe un sistema robusto de garantías, la vigilancia deja de ser protección y se transforma en dominación. La ética pública exige que toda estrategia de seguridad esté sujeta a control judicial, debate legislativo, límites claros y participación ciudadana.

La tecnología no puede ser un atajo para el autoritarismo. La seguridad sin derechos no es seguridad: es sumisión.

7. Startups y el “consentimiento disfrazado”: innovación rápida sin ética clara

El ecosistema startup se caracteriza por la velocidad: lanzar, escalar, pivotar, monetizar. En este entorno, muchas empresas emergentes recurren a la recolección intensiva de datos para validar modelos de negocio, atraer inversión y optimizar productos. Sin embargo, en ese afán, se sacrifican principios éticos clave, como el consentimiento claro, la minimización de datos y la protección de la privacidad.

A menudo, los usuarios aceptan términos que no comprenden o ni siquiera ven, mientras sus datos se usan para fines que nunca imaginaron. Aunque el impacto de una startup puede parecer menor que el de una big tech, el efecto acumulado de miles de estas prácticas normalizadas es devastador para la privacidad global.

1. Strava y la revelación de bases militares
   En 2018, Strava —una app para corredores y ciclistas— publicó un mapa global de calor que mostraba las rutas más utilizadas por sus usuarios. Lo que no previeron fue que esos datos permitían identificar la ubicación exacta de bases militares secretas, ya que soldados estadounidenses usaban la app en lugares remotos.
   Esto evidenció cómo una startup puede poner en riesgo la seguridad nacional sin siquiera proponérselo, solo por priorizar la visualización de datos atractiva.
   
   
2. FaceApp y la apropiación de rostros sin límites
   Esta aplicación viral permitía envejecer digitalmente una foto del rostro. Su política de privacidad permitía a la empresa —basada en Rusia— usar, compartir y almacenar los rostros para fines comerciales sin restricción de tiempo ni control del usuario.
   El caso mostró cómo una app aparentemente inofensiva puede capturar datos biométricos masivos sin consentimiento informado.
   
   
3. Clubhouse y los datos de contactos externos
   Durante su crecimiento explosivo, Clubhouse solicitaba acceso a la libreta de contactos del usuario para sugerencias de red. Pero también guardaba datos de personas que nunca se habían registrado en la app. Esto generó preocupación por la recolección de datos no autorizados y el uso de “consentimiento extendido” sin respaldo ético ni legal.
   
   
4. Robinhood y la manipulación del comportamiento financiero
   La app de inversión Robinhood fue acusada de gamificar el trading financiero mediante notificaciones y colores llamativos, incentivando a los usuarios —muchos jóvenes sin experiencia— a tomar decisiones impulsivas con consecuencias económicas graves.
   Aunque la app cumplía formalmente con normas regulatorias, su diseño basado en datos priorizaba la adicción a la actividad financiera, no el bienestar del usuario.

[IMAGEN CON EL NOMBRE DE CADA UNO DE LOS CASOS]

Las startups pueden cambiar el mundo, pero también pueden normalizar prácticas profundamente problemáticas si no incorporan la ética desde el inicio. Innovar sin responsabilidad lleva al colapso de la confianza digital, a la fuga de usuarios y, muchas veces, al fracaso del negocio.

La ética no es un freno: es un acelerador sostenible. Un producto que respeta a sus usuarios es más fuerte, más valioso y más duradero en un entorno cada vez más exigente y consciente.

Los casos presentados —desde la publicidad dirigida y el uso de datos de salud, hasta el reconocimiento facial, los modelos de crédito, la vigilancia estatal y las prácticas de startups emergentes— revelan que la ética en el uso de los datos no es una cuestión abstracta ni futurista. Está en el centro de decisiones que afectan directamente la vida de millones de personas cada día.

Estos ejemplos muestran que los datos pueden ser usados para empoderar o excluir, proteger o vigilar, informar o manipular. Lo que marca la diferencia no es la tecnología en sí, sino las intenciones, los valores y las decisiones humanas que guían su diseño y aplicación.

No basta con cumplir la ley. Las prácticas legales pueden seguir siendo profundamente injustas si no están atravesadas por una ética del cuidado, la equidad y el respeto por la dignidad humana. La ética exige ir más allá de lo permitido, hacía lo correcto.

Por eso, cualquier persona u organización que trabaje con datos —sin importar su tamaño, sector o propósito— debe asumir el compromiso de actuar con responsabilidad. Esto significa:

• Preguntarse constantemente si lo que se hace con los datos respeta a las personas involucradas.
• Establecer límites, incluso cuando la tecnología permite ir más allá.
• Diseñar procesos que garanticen justicia, transparencia y explicabilidad.
• Corregir cuando se ha fallado.
• Escuchar a las comunidades afectadas.

[IMAGEN CON LA INFO DE ARRIBA]

5 cosas que puede tener en cuenta cuando trabaje con datos

• ¿Uso correctamente los datos?
• ¿Establezco límites?
• ¿Diseño procesos justos, transparentes y explicados?
• ¿Corrijo cuando falla?
• ¿Escucho a los involucrados?

La ética no es un lujo, ni un accesorio para las empresas grandes. Es la base para construir confianza, legitimidad y sostenibilidad en un mundo donde cada dato puede ser una oportunidad... o una amenaza.