IA alineada con la soberanía

El espacio de negociación de la UNFCCC concentra una gran densidad de datos, documentos, historias y terminologías en constante evolución. Es un ámbito en el que la precisión del lenguaje y una sólida comprensión de cuestiones multifacéticas pueden influir de manera significativa en los resultados. Es aquí donde tecnologías como los grandes modelos de lenguaje pueden ofrecer una ventaja.

1.1¿Por qué debería importarnos?

Para las personas jóvenes negociadoras sobre el clima que representan a sus países en la Convención Marco de las Naciones Unidas sobre el Cambio Climático, lo que está en juego es considerable. Portan las preocupaciones y aspiraciones de una generación más joven, que heredará las consecuencias de las decisiones que se adopten hoy. Sin embargo, a menudo afrontan dificultades para acceder a grandes volúmenes de datos climáticos, comprender los matices del lenguaje de las políticas o comunicar sus posiciones con eficacia.

Los modelos de lenguaje pueden ayudar en los tres aspectos. Procesan, comprenden y generan texto a partir de colecciones muy amplias de escritos, lo que los hace especialmente útiles para cuatro fines.

Análisis de información. Destilar grandes cantidades de datos climáticos e investigación en ideas concisas, para que las personas negociadoras puedan mantenerse al día con los hallazgos más recientes.

Apoyo a la redacción de políticas. Ayudar a las personas negociadoras a formular sus argumentos en un lenguaje que resuene, se ajuste a la convención y, aun así, destaque.

Comunicación intercultural. Traducir y contextualizar información, lo que hace que el entorno de negociación sea más inclusivo.

Simulación y capacitación. Proporcionar escenarios de negociación simulados para que las personas jóvenes negociadoras puedan practicar antes de incorporarse al escenario mundial.

La tecnología en sí misma es solo la mitad de la historia. Usar bien estas herramientas señala un cambio más amplio, en el que la juventud combina su compromiso con la acción climática con las herramientas que moldean la forma en que se adoptan las decisiones.

1.2Cómo utilizar esta guía

La primera mitad explica qué son estos sistemas, qué necesitan las personas negociadoras y cómo pedir a un modelo algo útil. La segunda mitad trata sobre los agentes, que leen conjuntos completos de documentos y ejecutan una tarea en varios pasos. Los últimos capítulos abordan quién es propietario de sus datos, cómo ejecutar un modelo bajo su control y cuánto le cuesta al planeta. Cada capítulo incluye prompts que se pueden copiar, y nada de ello requiere formación técnica.¹1La primera edición se escribió en 2024 para el Climate Youth Negotiator Programme. Las entrevistas del capítulo 3 y el apéndice proceden de ese trabajo.

2.1Cómo llegamos hasta aquí

En 1957, el psicólogo Frank Rosenblatt inició el programa del perceptrón en el Cornell Aeronautical Laboratory, y la Marina de los Estados Unidos presentó una máquina de perceptrón al año siguiente. Un perceptrón es un modelo matemático simplificado de una célula cerebral: combina entradas, aplica ponderaciones y produce una salida. Era un modelo abstracto, no una simulación de un cerebro, pero las redes neuronales modernas descienden en parte de él.

Después, el progreso quedó estancado durante décadas, limitado por los datos disponibles, el hardware disponible y los métodos de entrenamiento disponibles. El campo volvió a avanzar cuando esas tres restricciones se flexibilizaron a la vez. En 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton entrenaron AlexNet con 1,2 millones de imágenes etiquetadas utilizando unidades de procesamiento gráfico, y comunicaron una tasa de error del 17,0 por ciento entre las cinco primeras predicciones en ImageNet.¹1El resultado procedía tanto de la arquitectura, el aumento de datos y el conjunto de datos como del hardware.

En 2017, investigadores de Google presentaron el Transformer, que se basa en la atención en lugar de la recurrencia. La atención calcula ponderaciones entre las palabras de un pasaje según el contexto, de modo que el modelo puede relacionar partes distantes de un texto. Los Transformers se entrenan bien en paralelo y sustentan casi todos los sistemas de esta guía.

OpenAI aplicó después el Transformer al preentrenamiento generativo. GPT y GPT-2 mostraron que un modelo entrenado únicamente para predecir la siguiente palabra podía adquirir muchas capacidades sin un modelo entrenado por separado para cada tarea. Los investigadores observaron leyes de escalamiento, es decir, que el rendimiento mejoraba de forma predecible a medida que aumentaban el cómputo, los datos y el tamaño del modelo, siempre que el tamaño del modelo y los datos de entrenamiento se mantuvieran en equilibrio.

El 30 de noviembre de 2022, OpenAI lanzó ChatGPT como vista previa gratuita de investigación, y la interfaz conversacional puso estas capacidades al alcance de todos.

Siguieron otros dos cambios. En septiembre de 2024, OpenAI anunció o1, y en enero de 2025 DeepSeek lanzó R1. Ambos emplean cómputo adicional en el momento de responder, generando notas de trabajo más largas antes de contestar, lo que ayuda en problemas que requieren varios pasos. Y los modelos empezaron a conectarse a herramientas y bucles, tema del capítulo 6.

2.2La receta

En esencia, un modelo lingüístico es un tipo de inteligencia artificial diseñado para comprender, generar y trabajar con el lenguaje humano. Puede pensarse como un vasto cerebro digital, entrenado con textos de libros, artículos, sitios web y otras fuentes, que utiliza para generar texto similar al humano sobre la base de los patrones que reconoce.

ChatGPT, al igual que otros modelos de la serie GPT de OpenAI o Llama de Meta, se construye en dos etapas: preentrenamiento y luego postentrenamiento. En otro tiempo, el postentrenamiento significaba una sola ronda de ajuste fino. Ahora tiene dos partes, y la segunda explica por qué los modelos recientes pueden elaborar problemas largos.

Preentrenamiento. El modelo se entrena con una cantidad enorme de texto de internet. No sabe específicamente qué documentos estaban en su conjunto de entrenamiento. El objetivo es aprender gramática, hechos sobre el mundo, cierta capacidad de razonamiento y, sobre todo, cómo predecir la siguiente palabra de una frase. Al hacerlo, absorbe una cantidad sorprendente de información, desde hechos cotidianos triviales hasta conceptos complejos.

Ajuste fino supervisado. La primera mitad del postentrenamiento. El modelo se entrena adicionalmente con un conjunto de datos más acotado, escrito y evaluado por revisores humanos que siguen directrices publicadas. Los revisores puntúan posibles salidas para una gama de entradas de ejemplo, y el modelo generaliza a partir de esa retroalimentación para responder a una amplia variedad de solicitudes de usuarios. Esto es lo que le enseña a seguir una instrucción en lugar de limitarse a continuar su frase.

Aprendizaje por refuerzo. La segunda mitad, y la más nueva. En lugar de copiar una respuesta escrita, el modelo recibe recompensa por llegar a un buen resultado, de modo que aprende qué formas de trabajar sobre un problema tienden a dar resultado. Esto es lo que enseña a un modelo a razonar a lo largo de un problema extenso y mantener unida una cadena de pasos antes de responder.

2.3Limitaciones

Los investigadores aún están desentrañando cómo funcionan estos modelos en detalle. La visión general es que el preentrenamiento incorpora una amplia variedad de conocimientos sobre el mundo, y que el postentrenamiento moldea cómo se utilizan esos conocimientos.

Lo que sigue siendo cierto es que un modelo lingüístico predice la siguiente palabra en una secuencia a partir de patrones estadísticos. Ese método capta una gran cantidad de conocimiento humano, y también trae problemas consigo. Los modelos reproducen los sesgos del texto con el que fueron entrenados, y producen afirmaciones seguras que son falsas, lo que el campo denomina alucinación. Una frase probable no es una frase verificada.

2.4De dónde procede el sesgo

Estos modelos se entrenan con lo que contiene internet, e internet no contiene el mundo de manera uniforme. Esto importa más para una persona negociadora sobre el clima que para casi cualquier otro lector.

Tomemos el registro de la propia naturaleza. Global Biodiversity Information Facility es el mayor repositorio abierto de observaciones de especies de la Tierra, y aproximadamente el 83 por ciento de sus registros procede de América del Norte y Europa. El 17 por ciento restante cubre todo lo demás, incluidos los lugares más biodiversos del planeta.

El mismo desequilibrio atraviesa el texto. Se ha escrito mucho más en línea en inglés, francés y español que en quechua, twi o Tok Pisin, de modo que un modelo ha visto mucho más del primer grupo. Traducirá, resumirá y redactará con fluidez para una delegación que trabaje en una lengua bien representada, y fallará con más frecuencia, y con más seguridad, para una que no lo esté.

De aquí procede también una gran parte de la alucinación. Cuando se le pregunta por un lugar bien documentado, un modelo responde a partir de un registro denso. Cuando se le pregunta por uno escasamente documentado, produce las mismas frases seguras a partir de mucho menos material y rellena los vacíos con lo que sugiera el patrón. La salida no parece menos cierta. Simplemente lo es.

Nada de esto es culpa de nadie de forma simple. Recopilar y publicar datos requiere infraestructura y dinero de los que muchos países no disponen, y algunas comunidades rechazan entregar conocimientos sobre su territorio y sus especies, lo cual es una posición legítima y no un fracaso. La consecuencia llega de todos modos: estas herramientas funcionan mejor para los lugares que ya están mejor servidos por datos, y peor para los lugares donde más está en juego.

La misma brecha atraviesa quién utiliza siquiera estas herramientas. El índice de Anthropic sobre el uso de Claude por país sigue de cerca el ingreso nacional, y veinticinco países se sitúan en un nivel inferior que registra un uso medido casi nulo.²2Anthropic, Anthropic Economic Index, 2025. El uso escala con el PIB por persona en edad de trabajar aproximadamente con una potencia de 0,69. Entre ellos figuran Tonga, Samoa, Nauru y Palau, que son Partes en la misma negociación y se cuentan entre los más expuestos a su resultado.

Las entrevistas con jóvenes negociadores climáticos de varios países revelan un conjunto de desafíos comunes y una visión compartida de lo que sería útil.¹1Seis negociadores de Liberia, Paraguay, Perú, Nigeria, Líbano e Indonesia. El resumen completo figura en el apéndice.

3.1Principales desafíos y dificultades

Barreras lingüísticas. El inglés no es la primera lengua de la mayoría de las personas presentes en la sala.

Lenguaje técnico. La jerga de la UNFCCC tarda años en asimilarse (Liberia, Paraguay).

Transferencia de conocimientos. Los conocimientos técnicos y la información se comparten de manera desigual, y gran parte se pierde entre ciclos.

Conocimientos históricos. La comprensión de las negociaciones anteriores es difícil de adquirir (Líbano).

Comunicación de temas complejos. Las conversaciones con negociadores superiores son difíciles de sostener bajo presión (Perú, Nigeria), y es necesario ganarse la legitimidad antes de que se escuche el fondo.

Comprensión de las posiciones de las Partes. La dinámica de las negociaciones cambia rápidamente y es difícil de interpretar.

Limitaciones de tiempo. Nunca hay tiempo suficiente para procesar la información que importa.

Expresión de ideas complejas. La expresión rápida y precisa en inglés sigue siendo una barrera persistente.

3.2Herramientas y recursos deseados

Herramientas lingüísticas. Apoyo lingüístico y gramatical más sofisticado, concebido para textos de la UNFCCC y no para la redacción empresarial general.

Recuperación rápida de información. Plataformas que examinen documentos extensos, extraigan lo que importa y confirmen cuál es el texto vigente.

Formación personalizada. Recursos de aprendizaje adaptados a la región, el grupo y el nivel de experiencia de cada negociador.

Las herramientas que se utilizaban efectivamente en el momento de las entrevistas eran Grammarly para la redacción y Google Drive para la colaboración. Un negociador indicó que no utilizaba ninguna herramienta de traducción, por considerar que el lenguaje de la negociación no sobrevive a la traducción.

Las negociaciones sobre el clima son multifacéticas y abarcan temas que van desde las emisiones de carbono y la biodiversidad hasta las implicaciones económicas y las dinámicas sociopolíticas. Navegarlas exige tres cosas a la vez.

Acceso rápido a la información. La ciencia del clima evoluciona de manera continua, y los negociadores necesitan tener los datos más recientes al alcance de la mano.

Redacción eficaz de acuerdos. La precisión del lenguaje puede determinar si un acuerdo prospera o fracasa.

Comunicación multilingüe. Una plataforma mundial exige una interacción intercultural y multilingüe.

4.1Dónde ayudan los modelos

Comunicación. Redactar y traducir documentos, de modo que la información y los acuerdos se comuniquen con exactitud entre Partes con distintas lenguas maternas.

Recopilación de información. Reunir y resumir grandes volúmenes de material sobre temas climáticos, incluida la investigación científica, los documentos de política y los acuerdos históricos, para que los negociadores se mantengan informados.

Trabajo con escenarios. Examinar las posibles consecuencias de distintas decisiones de política, lo que ayuda a un negociador a explorar posiciones y resultados antes de comprometerse con uno.¹1A veces se denomina modelización predictiva, lo cual exagera su alcance. Los modelos de lenguaje no ejecutan modelos climáticos ni económicos. Reformulan y comparan escenarios, y cualquier cifra que produzcan debe verificarse con una fuente real.

Análisis de argumentos. Resumir los argumentos formulados por distintas Partes durante las negociaciones, lo que ayuda a un negociador a identificar los puntos clave y los contraargumentos.

4.2Posibles dificultades

Hay beneficios reales en esto, y también salvedades que importan en la diplomacia climática.

Simplificación de cuestiones complejas. Estos sistemas comprimen, y la compresión elimina el matiz que una Parte luchó durante tres períodos de sesiones por insertar.

Falta de inteligencia emocional. Un modelo no percibe las corrientes emocionales y políticas de una negociación, ni sabe qué se acordó en un pasillo.

Falta de conocimientos especializados humanos. La fluidez en el registro de la política climática no equivale a conocimientos especializados en política climática. Depender de un modelo para cualquiera de las dos cosas puede producir información incompleta o inexacta.

Seguridad y privacidad. Las conversaciones suelen incluir material sensible. Todo lo que se pegue en un sistema alojado sale de su delegación, y rara vez se leen las condiciones bajo las cuales se almacena.

Consideraciones éticas. Sea transparente sobre la asistencia automatizada, mantenga la responsabilidad de las decisiones en manos de las personas y esté atento al uso indebido.

Comunicación errónea e interpretación equivocada. Un modelo puede malinterpretar la intención detrás de una solicitud y devolver un texto que suena como su posición sin serlo.

5.1Qué modelo, y en qué términos

Antes de escoger un asistente, conviene saber que existen dos tipos, y que la diferencia importa más que la marca.

Pesos cerrados. ChatGPT, Claude y Gemini funcionan en servidores de empresas y se accede a ellos mediante una cuenta. Son los modelos más potentes y los más rápidos para empezar. Los niveles gratuitos sirven para redactar, traducir y resumir. Los niveles de pago cuestan alrededor de veinte dólares al mes y añaden documentos más largos, cargas de archivos y las funciones de agente del capítulo 6. Todo lo que usted escribe se envía a la empresa y, según su configuración, puede conservarse, revisarse o utilizarse para entrenar el siguiente modelo.

Pesos abiertos. Llama, Mistral, Qwen, Gemma y DeepSeek publican sus parámetros, de modo que el mismo modelo puede ejecutarlo usted, su institución o un proveedor que usted elija, en lugar de uno que le venga dado. Ollama instala uno en un portátil en pocos minutos. Polly, ejecutado con GainForest y la Youth Negotiators Academy en polly.ai4cop.org, es un modelo alojado de pesos abiertos que no conserva ningún registro de lo que usted envía. El capítulo 11 trata de cómo ejecutar el suyo propio.

Una regla para empezar. Use un modelo cerrado alojado para material que ya sea público, y un modelo de pesos abiertos para todo lo que no lo sea. No pegue en un servicio que no controla una posición que su delegación aún no haya presentado. El capítulo 10 explica qué está en juego en esa elección, y merece la pena leerlo antes de abrir una cuenta, no después.

Elija lo que elija, instale la aplicación móvil. La entrada de voz es útil cuando se desplaza entre sesiones, y dictar una idea preliminar en su propio idioma suele producir un mejor borrador que escribir una frase cuidadosa en inglés.

5.2Ingeniería de instrucciones 101

La instrucción que usted escribe se llama prompt. Escribirla es el proceso de crear instrucciones específicas y bien definidas que le ayuden a resolver una tarea, y la calidad y especificidad de lo que escriba determinan la respuesta que recibirá.

Un prompt puede contener cualquiera de los elementos siguientes, y no necesita incluir los cuatro.

Instrucción. La tarea que quiere que el modelo realice.

Contexto. Información de antecedentes que orienta al modelo hacia una mejor respuesta.

Datos de entrada. El texto, la pregunta o el documento sobre el que quiere que trabaje.

Indicador de salida. El tipo o formato de la salida que desea.

5.3Qué hace que un prompt sea bueno

Seis movimientos hacen la mayor parte del trabajo, y valen para cualquier modelo que esté usando.

Sea claro, directo y detallado. Diga quién es usted, qué quiere y cómo debe ser la salida. Un modelo no puede inferir la sala en la que usted se encuentra.

Muestre un ejemplo. Una muestra de la salida que desea enseña más rápido que un párrafo que la describa.

Pida citas. Indique al modelo que cite el pasaje en el que se basa. Anclar una respuesta en un documento recuperado es la protección más sólida que existe contra una invención formulada con seguridad.

Marque las partes. Encierre cada elemento en etiquetas, <context>, <task>, <text>, para que el modelo pueda distinguir su instrucción del documento que ha pegado.

Deje que piense primero. Pida el razonamiento antes de la respuesta. Los modelos cometen menos errores en cualquier tarea con más de un paso cuando la desarrollan de forma visible.

Asígnele un papel. "Usted es investigador sobre pérdidas y daños" produce un texto distinto, y normalmente mejor, que la misma solicitud sin que nadie hable.

Luego siga iterando. Refinar un prompt es la forma en que mejora la calidad del intercambio, y el segundo intento casi siempre es mejor que el primero.

Conviene adquirir un hábito desde el principio. Pida fuentes, y pida al modelo que marque las partes sobre las que no esté seguro. Una respuesta que no puede verificar es una respuesta que no puede usar en una plenaria.

Anatomía de una intervención

Para la tarea que más realizan los negociadores, cinco partes marcan la diferencia: quién habla y dónde, la cuestión concreta de que se trata, la evidencia que la sustenta, el marco al que se vincula y lo que debe hacerse.

Quite cualquiera de las cinco y se percibe lo que falta. Sin el papel, redacta para nadie; sin la evidencia, produce sentimiento; y sin la última línea, no se vincula a ningún acuerdo sobre el que alguien pueda actuar.

5.4Prompts para distintos casos de uso

1. 1
   Análisis de datos

   Dada esta hoja de cálculo, trace el aumento medio de las emisiones durante los últimos años, indique su método y enumere los supuestos que ha formulado sobre los datos faltantes.

   Configuración: Carga de archivo
2. 2
   Traducción

   Traduzca este párrafo al español, manteniendo el registro formal utilizado en los textos de decisión.

   Configuración: Cualquier modelo
3. 3
   Resumen

   Resuma la intervención del LDC Group en el Global Stocktake Technical Dialogue del 10 de junio de 2023, y cite los pasajes en los que se basa.

   Configuración: Búsqueda web activada
4. 4
   Recopilación de información para elaborar una declaración de posición o preparar un discurso

   Usted es la persona encargada de redactar discursos para un negociador de las Naciones Unidas sobre el cambio climático. Está escribiendo sobre los esfuerzos del Reino Unido en materia de fomento de la capacidad. Yo soy el negociador. ¿Qué cinco preguntas me haría para extraer la información que necesita a fin de redactar una declaración?

   Configuración: Cualquier modelo
5. 5
   Prever contraargumentos y preparar refutaciones

   Las pérdidas y los daños son una cuestión clave en las negociaciones sobre el clima. Usted es investigador sobre pérdidas y daños. Exponga las principales razones por las que los países no dan importancia a las pérdidas y los daños. Produzca un contraargumento sólido frente a estos puntos, demostrando la necesidad de un fondo para las pérdidas y los daños.

   Configuración: Cualquier modelo
6. 6
   Redactar una declaración de apertura o un discurso principal

   Usted es redactor de discursos y está elaborando una declaración utilizando las preguntas anteriores. Produzca una declaración de 300 palabras que describa los esfuerzos del Reino Unido en materia de fomento de la capacidad climática. La declaración debe reflejar el estilo de redacción empleado por el Gobierno del Reino Unido.

   Configuración: Cualquier modelo
7. 7
   Descifrar la jerga

   Explique qué significa "medios de implementación" en este párrafo, en lenguaje claro, y dé un ejemplo de cómo se ha utilizado la expresión en una decisión anterior.

   Configuración: Cualquier modelo
8. 8
   Encontrar el documento

   ¿Qué texto de decisión contiene el mandato para este programa de trabajo? Indíqueme la signatura del documento y cite el párrafo en el que figura.

   Configuración: Recuperación
9. 9
   Traducir para su propio público

   Traduzca esta intervención al Bahasa Malaysia para un público comunitario, manteniendo el significado y eliminando la jerga de la UNFCCC.

   Configuración: Cualquier modelo

Todo lo expuesto hasta este punto funciona de la misma manera. Usted escribe una solicitud, lee una respuesta y decide qué hacer con ella. Cuatro cosas han cambiado y, en conjunto, añaden una segunda forma de trabajar.

El contexto se volvió extenso. Un modelo ahora puede contener al mismo tiempo un texto de negociación completo, sus revisiones anteriores y las notas informativas de su delegación.

La recuperación se volvió normal. Un sistema puede buscar en un conjunto de documentos o en la web antes de responder, y citar lo que encontró. Eso es lo que hace que una respuesta sea verificable.

Los modelos adquirieron herramientas. Un modelo puede conectarse a un índice de búsqueda, una hoja de cálculo, un calendario o una carpeta de archivos, de modo que pueda actuar sobre ellos en lugar de limitarse a describirlos.

Los sistemas adquirieron bucles. En lugar de responder una sola vez, un sistema puede planificar, dar un paso, observar el resultado y volver a intentarlo hasta que la tarea esté terminada.

Un modelo conectado a herramientas, memoria y un bucle de repetir hasta terminar, que funciona con permisos que alguien le ha concedido, es lo que se entiende por agente. No tiene criterio ni rendición de cuentas. Tiene una tarea y un conjunto de permisos.

6.1Tres formas de trabajar

Chat. Usted pregunta, el sistema responde, usted verifica. Es lo más adecuado para redactar, traducir, explicar y ensayar.

Recuperación. El sistema busca primero en un conjunto definido de documentos y responde con citas. Úselo para cualquier cuestión fáctica sobre la negociación: historial de textos, posiciones de las Partes, decisiones anteriores.¹1Si un sistema le dice qué dice un párrafo de un texto de decisión y no puede mostrarle el párrafo, trátelo como un rumor.

Agéntico. El sistema ejecuta una tarea en varios pasos utilizando herramientas. Úselo para trabajo repetitivo con un resultado verificable, como hacer seguimiento de los cambios entre revisiones o preparar una nota informativa diaria.

6.2Casos de uso

1. 1
   Seguimiento de textos

   Compara la revisión 3 de este proyecto de decisión con la revisión 2. Enumera todos los cambios sustantivos, cita ambas versiones y señala los cambios que afectan las líneas rojas de mi delegación.

   Configuración: Archivos adjuntos
2. 2
   Mapeo de posiciones

   A partir de estas comunicaciones, elabora un cuadro de posiciones de las Partes sobre el artículo 6.4 con una cita y una referencia para cada fila. Marca cualquier posición que hayas inferido.

   Configuración: Recuperación
3. 3
   Recuperación del historial

   Rastrea cómo se ha matizado la expresión "responsabilidades comunes pero diferenciadas" en los textos de decisión desde 2015, citando cada decisión.

   Configuración: Recuperación
4. 4
   Lectura nocturna

   Aquí están los cuatro textos publicados hoy. Dime qué avanzó, qué quedó estancado y cuáles son las tres páginas que debo leer antes de mañana.

   Configuración: Archivos adjuntos
5. 5
   Resumen diario

   Cada tarde, recopila los textos publicados durante el día en los temas que sigo, resume qué cambió y envíame la lista.

   Configuración: Agente programado
6. 6
   Análisis de corchetes

   Para cada opción entre corchetes de este párrafo, explica quién se beneficia, quién se opone y cómo podría formularse una opción alternativa de reserva.

   Configuración: Archivos adjuntos
7. 7
   Ensayo

   Interpreta a una persona negociadora que se opone a este texto. Cuestiona mi intervención y no seas complaciente.

   Configuración: Chat
8. 8
   Retrotraducción

   Traduce mi formulación al francés, luego tradúcela de nuevo al inglés de forma independiente y dime qué se desplazó.

   Configuración: Chat
9. 9
   Traspaso

   A partir de mis notas de esta sesión, redacta el documento de traspaso para quien se haga cargo de este expediente en el próximo ciclo.

   Configuración: Archivos adjuntos
10. 10
    Trabajo con datos

    A partir de esta hoja de cálculo de emisiones, grafica la tendencia de estos países desde 2010, indica tu método y enumera todos los supuestos sobre datos faltantes.

    Configuración: Acceso a archivos

6.3Trabajar con un agente de forma segura

Un agente que actúa sobre una lectura errónea produce consecuencias, no un mal párrafo.

Verifique lo que va a repetir. Abra uno de los documentos citados y confirme que la cita está allí antes de usarla en la sala.

Conceda el permiso mínimo que funcione. Un sistema que lee sus archivos no necesita también enviar correo.

Trate todo documento externo como no confiable. Un archivo presentado puede contener instrucciones dirigidas al agente.

Decida quién aprueba un texto asistido por IA. Con varias herramientas en la cadena, nadie más lo hará.

El correo electrónico sigue siendo un medio principal de comunicación profesional, y tres factores lo vuelven difícil.

Gestión del volumen. Las bandejas de entrada se desbordan, y priorizarlas toma un tiempo del que usted no dispone.

Redacción eficaz. Un correo electrónico claro, conciso y orientado a la acción exige habilidad.

Barreras multilingües. La comunicación mundial implica trabajar en idiomas que no son los propios.

Un asistente conectado a su buzón ahora lee el hilo por sí mismo, así que concédale acceso de lectura y deje que prepare el borrador. El envío sigue estando en sus manos.

1. 1
   Seguimiento de reuniones

   Resume los puntos clave y los compromisos asumidos durante la reunión de negociación reciente, atribuye cada uno a la persona que lo formuló, y redacta un correo electrónico de seguimiento cortés dirigido a las personas participantes para alentar la colaboración en las acciones acordadas.
2. 2
   Programación

   Genera un correo electrónico diplomático y flexible para proponer varias fechas y horas para la próxima ronda de reuniones, expresadas en las zonas horarias de todas las personas participantes.
3. 3
   Informes diarios y resúmenes de resultados

   Crea un correo electrónico breve de informe diario que destaque los avances logrados en las sesiones más recientes, incluidas las nuevas propuestas, los puntos acordados y las esferas de controversia que requieren un examen ulterior.
4. 4
   Priorización inteligente

   Elabora un correo electrónico dirigido al equipo de negociación que exponga una estrategia para priorizar los temas del programa en función de su urgencia, su posible impacto en los objetivos climáticos y la viabilidad de alcanzar un acuerdo.
5. 5
   Clasificación

   Agrupa mis mensajes no leídos en: requieren una decisión mía, requieren una respuesta, requieren reenvío, no requieren nada. Redacta respuestas solo para el tercer grupo y déjalas sin enviar.
6. 6
   Verificación del registro

   Reescribe este correo electrónico en un registro diplomático formal sin modificar ningún compromiso sustantivo, y luego enumera lo que cambiaste para que yo pueda comprobarlo.

Estos sistemas adoptan por defecto una voz cálida y conciliadora que puede conceder cosas que su texto original no concedía. Pregunte qué se modificó y lea la lista.

Organizar horarios, elaborar listas de verificación y reservar viajes puede volverse abrumador durante un período de sesiones. Tres problemas aparecen de manera recurrente.

Gestión del tiempo. Priorizar tareas y asignarles tiempo no es sencillo.

Omisión de tareas. Elementos esenciales quedan fuera de la lista de verificación.

Reserva de vuelos y hoteles. Encontrar opciones que se ajusten a su calendario y a su presupuesto lleva horas.

Este es el trabajo de menor riesgo en la guía y el mejor punto de partida para trabajar con un agente. Las tareas se repiten, los resultados son fáciles de verificar y casi nada de lo que aparece aquí es confidencial.

1. 1
   Reservas

   Identifica los vuelos y hoteles más costoefectivos y convenientes para un viaje desde [ciudad de salida] hasta [ciudad de destino] en [fechas], con preferencia por vuelos por la mañana y alojamiento cerca de la sede. Muéstrame las ventajas y desventajas en lugar de darme una sola recomendación.
2. 2
   Creación de listas de verificación

   Genera una lista de verificación completa para un período de sesiones internacional de dos semanas que incluya los documentos necesarios, la acreditación, ropa para condiciones meteorológicas variables, equipo de trabajo esencial y copias sin conexión de los textos clave.
3. 3
   Planificar el día

   Examina mi calendario y el programa del período de sesiones, y luego propone un horario que equilibre reuniones, bloques de trabajo individual, ejercicio y tiempo personal, teniendo en cuenta estos plazos y compromisos.
4. 4
   Seguimiento de avances

   Crea una plantilla para hacer seguimiento de los avances en las líneas de trabajo que sigo, incluidos hitos, plazos y un sistema para anotar actualizaciones y próximos pasos.

La logística también es el ámbito en el que un agente recibe por primera vez permisos reales sobre su calendario, su correo y sus archivos. Eso es razonable, y es ahí donde comienza el hábito de conceder un poco más cada vez. El sistema que reserva sus vuelos no necesita redactar sus posiciones.

Las negociaciones sobre el clima no son solo cifras y hechos. Están entrelazadas con emociones humanas, diferencias culturales y bienestar mental.

Tensiones en la salud mental. Las realidades del cambio climático y la presión de negociar pasan factura a las personas delegadas.

Malentendidos culturales. Las interpretaciones erróneas derivadas de diferencias culturales generan divisiones y ralentizan el diálogo.

Esta es la única parte de la guía en la que una simple ventana de chat supera a un agente. Estas conversaciones requieren un modelo con el que se dialogue, no un sistema con permisos.

1. 1
   Informe cultural

   Estoy en una negociación de las Naciones Unidas sobre el cambio climático con una persona de Kenya. ¿Qué aspectos culturales debería tener presentes para avanzar en mi negociación?
2. 2
   Reconocimiento emocional

   Me siento desanimado en este momento, ¿puedes decirme algo alentador?
3. 3
   Balance

   Esto es lo que ocurrió en esa sesión y cómo lo gestioné. ¿Qué habría hecho de manera diferente una persona negociadora con más experiencia?

Dos cautelas. Un informe cultural produce una generalización sobre un país, y usted se encontrará con una persona; por tanto, trate lo que reciba como orientación, no como predicción. Y un modelo es un lugar razonable donde formular un pensamiento a la una de la mañana, pero no es un profesional clínico, no es un colega y no es confidencial. Si la presión va más allá del cansancio, hable con su jefe o jefa de delegación, con los contactos de apoyo de su programa o con un profesional.

Estas herramientas pueden igualar el espacio multilateral. Eliminan la barrera lingüística que determina quién interviene con confianza, condensan documentos que nadie tiene tiempo de leer y dan a una delegación de dos personas parte del alcance de una delegación de cincuenta. Eso es valioso. También plantea cuestiones de integridad que conviene formular antes de escribir.

Quién es propietario de los datos. El texto que usted pega en un asistente alojado sale de su delegación. Según la cuenta y su configuración, puede ser retenido, revisado por personal o utilizado para entrenar el siguiente modelo. Las posiciones nacionales, las instrucciones recibidas de la capital y todo lo que se le haya comunicado en confianza no deben estar allí.

Quién es propietario de la decisión. Un modelo produce texto que se lee como una posición. Si redacta y nadie verifica, el razonamiento que sustenta la posición de su Parte empieza a residir fuera de su delegación. Toda comunicación que salga debe estar respaldada por una persona con mandato.

Lo que usted no puede ver. OpenAI y Anthropic no devuelven las trazas de razonamiento. Usted recibe una respuesta, a veces un resumen de cómo se llegó a ella, mientras que los pasos reales permanecen en poder del proveedor. No puede auditar el proceso, reproducirlo ni mostrar a un colega por qué el sistema dijo lo que dijo.

Pesos abiertos y pesos cerrados. Los pesos de un modelo son los números que aprendió durante el entrenamiento. ChatGPT, Claude y Gemini mantienen los suyos en servidores empresariales, y son los más potentes y fáciles de usar. Llama, Mistral, Qwen, Gemma y DeepSeek publican los suyos, de modo que usted puede ejecutar el modelo en su propia máquina o en un servidor regional. Los modelos abiertos gestionan bien la traducción, el resumen y la redacción, y van por detrás en los problemas más difíciles de múltiples pasos. Los pesos que usted conserva no pueden encarecerse ni retirarse en mitad de una sesión.

Una IA alineada con la soberanía significa que la delegación, la región o la comunidad establece las condiciones: qué modelo se utiliza, qué datos entran en él, quién puede inspeccionar lo ocurrido y el derecho a negarse. En el proceso de la COP, las Partes con menor capacidad suelen ser las Partes con más en juego, lo que hace que esto sea una cuestión práctica más que filosófica.

Una regla de trabajo. Utilice el modelo alojado más potente para material público, lectura de antecedentes, redacción y preparación. Utilice pesos abiertos, o un despliegue regido por un contrato que su institución haya revisado, para cualquier asunto que afecte a una posición que aún no sea pública.

Esta guía existe para mantener visible esa disyuntiva. Los capítulos anteriores muestran lo que estos sistemas hacen bien. Este trata de lo que se cede a cambio.

El capítulo anterior expuso la disyuntiva. Este trata de la respuesta más sólida a ella: ejecutar el modelo por cuenta propia.

El autoalojamiento significa que nada sale del edificio. No hay política de conservación de datos en la que confiar, ni condiciones de servicio que puedan cambiar, ni cuenta que pueda ser suspendida en medio de una sesión. También desarrolla la capacidad dentro de su institución en lugar de alquilarla.

Hasta hace poco, esto significaba aceptar un modelo mucho más débil. Ya no es así.

Kimi K3 y GLM-5.3 obtienen ambos 60 puntos en el Artificial Analysis Intelligence Index, tres puntos por detrás de Claude Opus 5, con 63, y Qwen3.8 les sigue con 58. Diecinueve de los 29 modelos del índice tienen pesos abiertos, aunque la parte alta de la tabla sigue siendo mayoritariamente propietaria.¹1El gráfico cuenta GLM-5.3 y GLM-5.3-Flash como propietarios. Z.ai publica ambos pesos bajo una licencia MIT, por lo que este libro los considera abiertos; por eso la figura muestra diecisiete barras azules y el texto dice diecinueve. Hace un año, el principal modelo abierto estaba trece puntos por detrás del principal modelo propietario, de modo que esta brecha se ha cerrado rápidamente y puede cerrarse aún más.

El precio es la segunda mitad del argumento. GLM-5.3-Flash obtiene 57 puntos por unos nueve centavos por tarea y DeepSeek V4 Pro 0813 obtiene 53 por alrededor de un cuarto de dólar, ambos dentro de ese cuadrante. Claude Opus 5 obtiene 63 por aproximadamente diez veces el precio del DeepSeek. Esa relación es la razón práctica por la que una delegación puede permitirse ejecutar el suyo propio.

11.1Qué ejecutar

Estado de situación al 26 de agosto de 2026. Lea la licencia antes de comprometerse. Varios de los modelos abiertos más sólidos restringen el uso comercial, lo que para una delegación suele estar bien y para un proveedor que construye sobre uno de ellos no.

11.2Cuánto cuesta

Una NVIDIA DGX Spark es una máquina de escritorio con 128GB de memoria unificada, actualmente por 4.699 dólares. Dos de ellas se conectan directamente entre sí sin conmutador, lo que da 256GB por alrededor de 9.400 dólares. Ese par ejecuta un modelo disperso de la clase DeepSeek a entre 55 y 60 tókenes por segundo con un contexto de un millón de tókenes, suficiente para atender a una delegación en funcionamiento.

Una sola unidad ejecuta un modelo de 27B a 35B con suficiente rapidez para sesenta usuarios simultáneos, lo que cubre la traducción, el resumen y la redacción para toda una oficina. Tres o cuatro unidades con 384 a 512GB alojan los mayores modelos abiertos sin podarlos.

Comparado con una suscripción para cada delegado, el hardware se amortiza en uno o dos ciclos, y sigue funcionando después de que termine la financiación.

11.3Cómo configurarlo

Sirva el modelo con vLLM o SGLang. Ambos presentan la misma API que OpenAI, de modo que cualquier herramienta que se comunique con ChatGPT se comunicará con su propio servidor después de cambiar la dirección y la clave. Para una primera prueba en un portátil, Ollama o llama.cpp son más sencillos. NVIDIA publica guías de configuración para Spark, y las recetas comunitarias para conectar dos, tres y cuatro unidades son públicas y reproducibles.

Si ejecutar el suyo propio no es realista antes del próximo período de sesiones, la alternativa es un servicio alojado con un acuerdo escrito de conservación cero de datos. Trátelo como una solución provisional, no como un destino.

11.4Una salvedad que conviene conocer

El índice anterior es un promedio de nueve evaluaciones, y los modelos abiertos no van a la zaga de manera uniforme en todas ellas. La brecha es mayor en las tareas de razonamiento más difíciles y en las alucinaciones, donde los modelos propietarios siguen estando claramente por delante. Para un negociador, ese segundo aspecto lo decide todo. Dirija el modelo a sus propios documentos, pídale citas y ábralas.

The last chapter ended with a model running on hardware you own. This one is about pointing it at your own people.

Every chapter so far treats AI as something one person uses on their own work. There is a second use, and it is the one that changes what a small delegation or a youth constituency can do. You can use a model to listen to far more people than a human team can listen to, and to carry what they said into the room with the receipts attached.

The field calls this broad listening. A poll compresses people into options that somebody else wrote. Broad listening runs the other way. People answer in their own words, software finds the structure in the answers, and the structure goes back to the people who wrote it so they can correct it.

12.1Polis, the oldest of these tools

Polis is a survey that behaves like a conversation. Participants write short statements. Everyone else votes agree, disagree, or pass on statements drawn semi-randomly from the pile. The system clusters voters by how they voted and then surfaces the statements that bridge the clusters, rather than the statements that win a majority.

Taiwan is the case people cite. After the Sunflower protests of 2014, the g0v civic-hacker community and the government ran the vTaiwan process on Polis, and more than 200,000 people took part across its consultations. The consultation on ride-hailing produced a set of statements that drivers, taxi companies, and passengers all agreed with, and the regulation was written from those.

Polis is open source under the AGPL and maintained by the Computational Democracy Project. It predates the language-model era and needs no model at all, which is part of why it has held up.

12.2Talk to the City, and what the models added

Talk to the City is what happens when you put a language model on the reading side. Built by the AI Objectives Institute, it takes interviews, survey responses, forum threads, or transcripts, breaks them into atomic claims, groups the claims into topics, and produces a report in which every line traces back to the quote it came from. Newer versions also run the interview, as a conversational survey that asks follow-up questions instead of reading from a fixed list.¹1One project used an AI moderator to interview 81,000 people worldwide, with the model following up on whatever a participant raised. That scale is real, and so is the caveat below: the model decides what to ask and what to keep.

The traceability is the whole point. A summary nobody can open is an assertion. Talk to the City is Apache-licensed and you can host it yourself.

12.3Team Mirai, the version with seats in parliament

Takahiro Anno is a software engineer and science-fiction writer who ran for Governor of Tokyo in 2024 with no party behind him and took 154,000 votes. He answered 8,600 questions from voters through an AI avatar trained on his own manifesto, over a seventeen-day livestream. In May 2025 he founded a party, Team Mirai. It won an upper house seat that July and eleven lower house seats in February 2026 on about seven percent of the vote.

The machinery underneath is the part worth copying. A citizen talks to an AI Interviewer, which asks follow-up questions and drafts a policy proposal out of the conversation. The party receives that draft only if the citizen confirms it matches what they meant. Where enough people back an idea, it becomes a proposal the party's legislators can submit. On one consultation the interviewer collected more than 1,200 hours of conversation in a few days, which would take a human interviewer roughly fifty days without sleep.

Two design choices carry most of the weight. The citizen is the final approver, so the model's framing cannot pass unchallenged into the record. And the party takes no position on genuinely divisive questions, putting them to a direct vote instead, because no amount of clever clustering dissolves a real conflict of interest.

Their broad-listening software, kouchou-ai, is open source and began as an adaptation of Talk to the City for Japanese municipalities. Adapting an existing civic tool to a local political reality, in public, is a better model for a delegation than commissioning one.

12.4Three more worth knowing

Agora Citizen Network. Polis-style clustering rebuilt for the open web and fully open source, now moving onto the AT Protocol as a Decentralized Deliberation Standard, so that a deliberation is not locked inside one operator's database. A French team ran a national consultation on it in September 2025 during the bloquons tout strike, to test whether an angry country could still be brought to a set of shared statements.

Habermolt. A research experiment on the opposite trade-off. Instead of scaling how many people a process can hear, it gives each person an agent that learns their views and deliberates on their behalf in rooms they never attend. You read back what your agent said and correct it. It is modelled on the Habermas Machine from DeepMind, and it is an open question rather than a tool: an agent that speaks for you is exactly the thing chapter 10 asks you to be careful about.

Simocracy. Built by GainForest, who co-publish this guidebook, so read it as an example and not a recommendation. Each participant writes a sim: an avatar, a constitution stating what it stands for and where its red lines are, and a speaking style. The sim is a record on the AT Protocol, owned by the person who wrote it, and it attends meetings on their behalf. Gatherings deliberate proposals in public, on the record, and allocate a shared budget. It has been run with Funding the Commons at Frontier Tower in San Francisco and in the Agent Village experiment, in both cases with humans holding the final allocation.

12.5What this is for at a COP

A constituency position. YOUNGO has hundreds of members across every time zone and days to produce one line. Broad listening turns that from a call nobody can attend into text everyone can check.

A closed call for inputs. A submission window shuts with 180 documents behind it and no delegation has read them. Cluster the claims, keep the quotes, open the ones that matter.

A two-person delegation. The honest gap is between your mandate and what people at home actually want. This narrows it, cheaply, between sessions.

The report back. After a session, the same machinery runs in reverse: what was decided, what it means locally, and what people say about it.

12.6What to check before you run one

Who wrote the questions. A model that runs an interview decides what to ask, what to remember, and how to report it. That is real power over the result. Publish the prompt and the topic list the way you would publish a questionnaire.

Verification stays with the participant. Nothing enters the record until the person who said it confirms the summary. This one rule is what separates broad listening from a machine putting words in people's mouths.

Language. These tools work in the language people actually speak, which is their main advantage over a consultation run in English. Check the clustering in each language rather than translating everything into English first.

Do not simulate people you could ask. Synthetic participants are cheap and worthless as evidence. If a group is affected, the process pays to reach them.

Host sensitive material yourself. Polis, Talk to the City, kouchou-ai, Agora, and Simocracy are all open source. Chapter 11 is how you run them on your own hardware.

Un negociador climático que utiliza una herramienta que consume energía y agua debería poder decir cuánto consume. La respuesta honesta tiene dos partes, y apuntan en direcciones distintas.

13.1Su propio uso es reducido

Google midió una instrucción de texto mediana enviada a Gemini en 0,24 Wh de energía, 0,03 gramos de CO2e y 0,26 mililitros de agua.¹1Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, August 2025. La cifra incluye la capacidad inactiva y la sobrecarga del centro de datos, que la mayoría de las estimaciones publicadas omiten. Eso equivale a unos pocos segundos de un ordenador portátil. Incluso una jornada de trabajo con uso intensivo sigue siendo menos que un breve trayecto en automóvil.

Polly comunica esto para cada cuenta, y el cálculo se publica en lugar de simplemente afirmarse.²2El método y cada constante están en footprint.ts en pi-village-core. Una cifra que un negociador no puede interrogar es peor que no tener cifra alguna. Funciona a partir de los parámetros activos del modelo:

Leer su instrucción cuesta aproximadamente una cuarta parte de lo que cuesta escribir una respuesta, y releer una instrucción almacenada en caché cuesta una décima parte, por lo que las tres operaciones se contabilizan por separado. En el modelo disperso que ejecuta Polly, que activa 13.000 millones de parámetros por token, un intercambio típico asciende a aproximadamente 0,13 Wh y 0,14 mililitros de agua. Esto queda apenas por debajo de la mediana de Google.

Trate cualquiera de estas cifras como aproximada dentro de un factor de dos. No incluyen el entrenamiento del modelo, el agua utilizada para generar la electricidad, su propio dispositivo ni el carbono incorporado en el hardware.

13.2El uso de la industria no lo es

Las cifras relevantes están en la escala del sector, más que de la persona. La demanda de electricidad de los centros de datos aumenta más rápido de lo que las redes se descarbonizan, se está construyendo nueva capacidad en regiones con estrés hídrico, y las empresas que informan las cifras por instrucción son las mismas cuyas emisiones totales han aumentado desde que empezaron a construir estos sistemas.

Ambas partes son verdaderas al mismo tiempo. Su propio uso es un error de redondeo, y el agregado constituye una demanda seria y creciente sobre la energía, el agua y la tierra. Afirmar lo primero sin lo segundo es el tipo de contabilidad que un negociador no aceptaría de una Parte.

13.3Qué hacer al respecto

Elija un modelo más pequeño cuando uno más pequeño sea suficiente. La traducción y la síntesis no necesitan un modelo de frontera, y un modelo disperso que activa unos pocos miles de millones de parámetros cuesta una fracción de lo que cuesta uno denso.

Pida a los proveedores sus cifras, incluida el agua. Pregunte desde qué red eléctrica se atiende la solicitud. Son preguntas razonables en materia de adquisiciones y rara vez se formulan.

Informe su propia cifra cuando utilice estas herramientas en su trabajo. Una delegación que publica la huella de su propio uso de la IA tiene autoridad para pedir a otros que hagan lo mismo.

14.1Fortalezas y debilidades

Fortalezas. Alta eficiencia en el procesamiento y la síntesis de los grandes volúmenes de texto en que se basa la política climática. La capacidad de generar informes, redactar políticas y simular negociaciones en lenguaje natural, lo que ahorra tiempo y recursos. La capacidad de asistir simultáneamente a muchas personas, desde responsables de políticas hasta personal investigador y activistas.

Debilidades. Posible sesgo en los modelos, que distorsiona la forma en que se procesa la información si no se supervisa y corrige. Dependencia de la calidad y amplitud de los datos de entrenamiento, lo que limita la capacidad de un modelo para abordar cuestiones climáticas matizadas. Dificultad para interpretar con precisión lenguaje jurídico y técnico complejo sin supervisión humana.

Oportunidades. Estrategias de comunicación personalizadas que implican a distintas partes interesadas en la acción climática. Integración con otras herramientas para el análisis de datos ambientales, lo que sustenta políticas mejor informadas. Mayor educación y difusión de información sobre política climática, haciéndola accesible para personas no expertas.

Amenazas. Desinformación, cuando un modelo genera contenido incorrecto o engañoso a partir de fuentes poco fiables. Dependencia excesiva, que frena el desarrollo de conocimientos especializados locales en política climática. Preocupaciones éticas sobre la transparencia y la rendición de cuentas en la toma automatizada de decisiones.

Los agentes añaden otras dos amenazas que conviene nombrar. Las delegaciones con recursos utilizarán sistemas bien gobernados, mientras que las delegaciones más pequeñas recurrirán a herramientas gratuitas con condiciones poco claras, lo que amplía la brecha bajo la apariencia de igualdad de acceso. Y, cuando varias personas y varias herramientas intervienen en una cadena, la responsabilidad por un texto resulta difícil de rastrear salvo que alguien decida de antemano dónde reside.

14.2Recomendaciones

Hay tres cosas que merece la pena construir: herramientas para traducir el lenguaje técnico de la UNFCCC, plataformas para analizar datos históricos de negociación y entornos en los que las personas jóvenes negociadoras dispongan de la tecnología que necesitan para contribuir. Junto a ellas, seis más.

Alfabetización digital. Formación orientada específicamente a la navegación por bases de datos y plataformas internacionales de políticas.

Apoyo en tiempo real. Herramientas que proporcionen aclaraciones durante las negociaciones, no después de ellas.

Formación virtual en negociación. Entornos simulados para practicar escenarios de negociación.

Plataformas de apoyo financiero. Plataformas de financiación colectiva o de microsubvenciones que aborden las barreras financieras para asistir a las negociaciones, señaladas por negociadores de Liberia y Paraguay.

Formación en comunicación intercultural. Programas que aborden los malentendidos identificados por negociadores del Perú y Nigeria.

Programas de mentoría. Redes que conecten a personas jóvenes negociadoras con negociadores experimentados, de modo que el conocimiento se transfiera entre ciclos.

Para una persona negociadora, cuatro hábitos cubren la mayor parte de lo necesario. Utilizar estos sistemas para la preparación, el lenguaje y la memoria. Verificar cualquier cosa que se vaya a repetir en voz alta. No permitir nunca que un sistema hable en nombre de su Parte. Seguir realizando una parte suficiente de la investigación por cuenta propia como para poder hacerla también sin ayuda.

Para una delegación, conviene dejar por escrito qué herramientas están permitidas, qué puede pegarse en ellas y quién aprueba un texto asistido por IA. Una página basta, y es más barata que un incidente.

Al aprovechar el potencial de la IA, la juventud de hoy no solo hereda el futuro, sino que lo moldea activamente; que el próximo capítulo de la historia de nuestro planeta se escriba con los trazos audaces de la innovación y el liderazgo juvenil.

Las preguntas y comentarios son bienvenidos en team@gainforest.net.

1. El perceptrón de Rosenblatt y la demostración de 1958, Cornell Chronicle
2. Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012
3. Vaswani et al., Attention Is All You Need, Google Research 2017
4. Radford et al., Language Models are Unsupervised Multitask Learners, OpenAI 2019
5. Kaplan et al., Scaling Laws for Neural Language Models, OpenAI 2020
6. Hoffmann et al., Training Compute-Optimal Large Language Models, NeurIPS 2022
7. OpenAI, Introducing ChatGPT, 30 November 2022
8. OpenAI, Learning to Reason with LLMs, 12 September 2024
9. DeepSeek, DeepSeek-R1, 20 January 2025
10. METR, Measuring AI Ability to Complete Long Tasks, 2025
11. Anthropic, Anthropic Economic Index, 2025, uso por país y nivel de ingresos
12. Global Biodiversity Information Facility, datos de presencia y su sesgo de muestreo geográfico, gbif.org y el GBIF data blog
13. Artificial Analysis, Intelligence Index by Open Weights and Proprietary, 26 August 2026
14. Artificial Analysis, Intelligence Index vs. Cost per Intelligence Index Task, 26 August 2026
15. NVIDIA, guía de usuario de DGX Spark y descripción general del hardware
16. Google, Measuring the environmental impact of delivering AI at Google scale, arXiv:2508.15734, agosto de 2025
17. Epoch AI, How much energy does ChatGPT use?, 2025
18. GainForest, footprint.ts en pi-village-core, el cálculo en que se basan las cifras por cuenta de Polly
19. GainForest, Generative AI + Climate Guide 2024, preparado para el Climate Youth Negotiator Programme antes de la COP29