Editado por Vanessa Bartlett, Jasmin Pfefferkorn y Emilie K. Sunde.

• Los marcos éticos predominantes (e.g., UE, Harvard) se clasifican como “ética dura”: se centran en regulación, transparencia, privacidad y seguridad.
• Estas aproximaciones son problemáticas porque:
  • Son antropocéntricas y descuidan a las entidades más-que-humanas.
  • Asumen una universalidad que ignora otras cosmovisiones (Pluriversalismo).
  • Valoran la transparencia total, mientras que el arte muestra que la opacidad puede ser productiva (e.g., obra Babylonian Vision de Nora Al-Badri).
  • Suelen estar al servicio del poder corporativo y gubernamental (“ethics-washing”).

La ética descentrada se basa en dos pilares clave:

• 1. Pluriversalismo: Se aleja de las ontologías y epistemologías occidentales hacia la aceptación de múltiples formas de saber y existir (concepto de Walter Mignolo).
• 2. Agencia más-que-humana: Reconoce a las entidades no humanas (como los sistemas de IA) como agentes éticos. Se cita a N. Katherine Hayles, quien conceptualiza la IA como un “ensamblaje cognitivo” con agencia distribuida.
• Esta ética está intrínsecamente ligada a una ética del cuidado (María Puig de la Bellacasa), que enfatiza la interdependencia y los procesos relacionales.

• El arte de IA no es solo una herramienta, sino un imaginario cultural y material para explorar relaciones éticas.
• El enfoque no está en los inputs o outputs del modelo, sino en los complejos procesos socio-técnicos.
• Los artistas navegan entre el “saber-qué” ético (normas fijas) y el “saber-cómo” ético (improvisación contextual), actuando como guías para una ética descentrada.

• Datos sin consentimiento: Ejemplo: dataset “Diversity in Faces” de IBM, extraído de Flickr sin permiso.
• Explotación laboral: Los “click-workers” que etiquetan datos trabajan en condiciones precarias.
• Falta de revisión: La escala masiva (e.g., LAION-5B con 5B de imágenes) imposibilita revisar cada dato, llevando a sesgos y contenido explícito que los filtros automáticos no solucionan bien.

Para su obra I knew that if I walked in your footsteps, it would become a ritual (2021), Akkapeddi creó un dataset pequeño con ~1000 fotos familiares.

• Lentitud e Intimidad: Escanear cada foto físicamente fomentó una relación de cuidado y custodia (stewardship) con el archivo.
• Consentimiento Significativo: El contacto directo con sus familiares permitió un consentimiento informado e interpersonal.
• Reconocimiento del Sesgo: Acepta la subjetividad de su dataset (e.g., más fotos de su madre) y lo usa como herramienta de reflexión, no como un error a eliminar.

• Transfer Learning vs. Entrenar desde Cero: Usar modelos preentrenados (e.g., FFHQ) contamina el dataset con imágenes de extraños. Entrenar desde cero, aunque técnicamente más difícil, da resultados más genuinos y significativos para la obra.
• Aumento de Datos (Data Augmentation): Técnicas como duplicar y voltear imágenes pueden ayudar, pero deben usarse con intención. A veces, priorizar el cuidado sobre la estética significa usar algoritmos más antiguos.