La AI Habla Español. Pero ¿Dónde Están las Latinas en el Negocio?

La inteligencia artificial ya aprendió a responder en español. Lo que todavía no ha aprendido la industria es a contar, con la misma precisión, quién posee las empresas, dirige los laboratorios y recibe el capital que convierte esa tecnología en riqueza. Cuando se pregunta dónde están las latinas en la economía de la AI, la respuesta responsable comienza con una incomodidad: los mejores sistemas estadísticos de Estados Unidos rara vez publican el cruce completo entre género, origen hispano y ocupaciones específicamente vinculadas con inteligencia artificial.

Esa ausencia no significa que las latinas no estén. Significa que el mercado puede hacerlas visibles como consumidoras y, al mismo tiempo, mantenerlas borrosas como trabajadoras, fundadoras e inversionistas. Medir representación sin medir propiedad es una forma elegante de evitar la pregunta importante.

Lo que sí sabemos

El National Science Board informó, con datos de 2021, que las personas hispanas eran el 18% de la fuerza laboral estadounidense pero el 15% de quienes trabajaban en ocupaciones STEM. El mismo informe mostró otra brecha: el 18% de las mujeres trabajaba en ocupaciones STEM, frente al 30% de los hombres. Estas cifras no pueden multiplicarse para fabricar una estimación de latinas en AI. Son universos distintos y advierten, precisamente, por qué hace falta información interseccional.

La AI ocupa solo una parte del empleo STEM. Incluye investigación, ingeniería de machine learning, ciencia de datos, infraestructura, producto, ventas técnicas y numerosas funciones que las bases de datos clasifican de maneras diferentes. Por eso, afirmar que existe un porcentaje exacto de latinas en AI sin explicar la fuente, el año y la definición es vender certeza donde no la hay.

La tendencia general, sin embargo, es inequívoca. El World Economic Forum, utilizando datos de LinkedIn, informó en 2026 que la reserva de talento femenino con habilidades de AI creció desde 2018 y que la brecha de género se redujo en 74 de 75 economías analizadas. Eso es progreso. No prueba paridad, y mucho menos paridad para las latinas. LinkedIn mide habilidades declaradas en una plataforma profesional; no propiedad accionaria, autoridad presupuestaria ni acceso a capital.

Empleo no es poder

La conversación corporativa suele celebrar el ingreso de más mujeres a cursos de AI o a equipos de tecnología. Es un indicador útil, pero insuficiente. Una ingeniera puede entrenar un modelo sin decidir qué problema resuelve. Una gerente de producto puede traducir necesidades de millones de usuarias sin participar en el consejo. Una trabajadora contratada puede crear valor extraordinario y no conservar una fracción relevante del capital que ayuda a producir.

La economía de la AI reparte poder por al menos cuatro vías: salario, acciones, capacidad de decisión y propiedad intelectual. Si una empresa anuncia diversidad pero concentra las opciones accionarias, las patentes y los votos del consejo en el mismo grupo de siempre, ha mejorado su fotografía sin cambiar su arquitectura.

Para LEVEL, esa es la diferencia entre representación y poder económico. Contar cabezas en una plantilla responde quién logró entrar. Examinar participaciones, rondas de financiación, cargos con presupuesto y derechos sobre la tecnología revela quién puede quedarse con el valor.

El cuello de botella del capital

Las fundadoras latinas enfrentan dos filtros. Primero deben ser reconocidas como empresas de tecnología, incluso cuando construyen productos para mercados que los inversionistas dominantes conocen poco. Después deben convencer a redes de capital que suelen financiar patrones familiares: equipos procedentes de las mismas universidades, compañías recomendadas por los mismos operadores y mercados descritos con el mismo vocabulario.

La AI puede agravar ese mecanismo. El costo de cómputo, datos, talento especializado y distribución favorece a quienes ya poseen relaciones con grandes fondos y proveedores de nube. Una fundadora puede crear un producto valioso con herramientas existentes, pero competir en modelos fundacionales exige capital de otra escala. No toda empresa necesita entrenar su propio modelo. Sí necesita saber quién captura margen, datos y dependencia cuando construye sobre infraestructura ajena.

Aquí también conviene rechazar las cifras huérfanas. Muchos informes de venture capital agrupan a todas las mujeres, o a todas las personas latinas, y cambian la definición de “fundadora” entre estudios. Una fundadora solitaria, una integrante de un equipo mixto y una directora sin participación mayoritaria no representan la misma posición económica. Sin metodología comparable, un porcentaje llamativo puede ocultar más de lo que explica.

La brecha empieza antes del empleo

El World Economic Forum estima que cerca del 40% de las habilidades requeridas en el trabajo cambiará hacia 2030 y que AI, big data y ciberseguridad estarán entre las capacidades de crecimiento más rápido. La oportunidad es enorme, pero la formación no ocurre en el vacío. Tiempo disponible, calidad de la conexión, dominio del inglés, costo de los programas, responsabilidades de cuidado y estatus migratorio pueden decidir quién convierte un curso en una carrera.

Prometer que cualquiera puede aprender prompting es confundir acceso a una interfaz con acceso a la economía. Las posiciones de mayor influencia requieren matemáticas, ingeniería, conocimiento sectorial, experiencia comercial o redes de inversión. También requieren patrocinio: alguien que recomiende, financie o entregue una primera oportunidad.

Una política seria no debería limitarse a becas introductorias. Debe conectar aprendizaje con empleo remunerado, mentoría, contratación y capital. Y debe publicar resultados: cuántas participantes terminaron, cuántas obtuvieron trabajo, cuánto aumentó su salario, cuántas conservaron propiedad en una empresa.

El mercado que la industria subestima

Las latinas no son un nicho uniforme. Incluyen ciudadanas estadounidenses, inmigrantes, afro-latinas, indígenas, profesionales bilingües y mujeres con experiencias económicas radicalmente distintas. Diseñar para ellas no equivale a traducir una interfaz.

En salud, crédito, contratación o educación, un sistema puede funcionar técnicamente en español y aun así fallar ante apellidos compuestos, historiales laborales internacionales, variaciones dialectales o documentación producida fuera de Estados Unidos. Las personas que conocen estos contextos aportan algo que no puede obtenerse con una campaña de marketing: capacidad para identificar errores antes de que se conviertan en daño o riesgo regulatorio.

Esa experiencia debe pagarse y tener autoridad. Invitar a una comunidad a probar un producto después de haber fijado el modelo de negocio no es codiseño. Contratar latinas únicamente para ventas a audiencias latinas tampoco es inclusión tecnológica. La pregunta es cuántas están en ingeniería, datos, seguridad, adquisiciones, inversión y gobierno corporativo.

Qué deberían publicar las empresas

Las compañías que quieran demostrar avances pueden empezar con cinco datos: representación por nivel y función; remuneración y participación accionaria; tasas de contratación, ascenso y salida; composición de consejos y comités de inversión; y compras a proveedoras tecnológicas de propiedad latina. Todo desagregado por género y origen, con protecciones de privacidad cuando las muestras sean pequeñas.

Los fondos deberían informar cuántas socias toman decisiones, qué proporción del capital llega a fundadoras latinas y cuánto seguimiento reciben después de la primera ronda. Las universidades y programas de formación deberían medir empleos y salarios, no solo matrículas. El gobierno puede mejorar categorías ocupacionales para que la AI deje de esconderse dentro de agregados demasiado amplios.

La respuesta honesta

¿Dónde están las latinas en la economía de la inteligencia artificial? Están aprendiendo, construyendo productos, investigando, vendiendo, diseñando y fundando. Pero las instituciones todavía no producen datos suficientes para saber con rigor cuánto controlan. Ese vacío estadístico es parte de la desigualdad: lo que no se mide con precisión es más fácil de celebrar superficialmente y más difícil de corregir.

La próxima fase no consiste solo en lograr que más latinas usen AI. Consiste en que puedan decidir qué se construye, poseer una parte sustancial del resultado y financiar a quienes vienen detrás. Una tecnología puede hablar español en segundos. Redistribuir poder toma más tiempo y exige cuentas claras.

Fuentes consultadas

National Science Board / NCSES, The STEM Labor Force, 2024: https://ncses.nsf.gov/pubs/nsb20245

National Science Board / NCSES, Representation of Demographic Groups in STEM, 2024: https://ncses.nsf.gov/pubs/nsb20245/representation-of-demographic-groups-in-stem

World Economic Forum, Future of Jobs Report 2025, nota de prensa: https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/

World Economic Forum, AI, gender parity and the future of work, 20 de marzo de 2026: https://www.weforum.org/stories/jobs-and-the-future-of-work/ai-gender-parity-womens-history-month-jobs/

Stanford Institute for Human-Centered AI, AI Index Report 2026: https://hai.stanford.edu/ai-index/2026-ai-index-report

Nota metodológica: este artículo no atribuye a las latinas porcentajes derivados de estadísticas generales de mujeres o de población hispana. Cuando las fuentes no ofrecen el cruce entre género, origen y ocupación de AI, la limitación se declara.