Timnit Gebru: vida, frases y su guerra contra el hype de la IA
Tabla de contenidos
El 30 de septiembre de 2026, la fundación Right Livelihood anunció en Estocolmo sus premios del año, los que la prensa llama «Nobel alternativo». Una de las premiadas es una ingeniera que diseñó circuitos para el primer iPad y que hoy es la crítica más dura de la industria de la IA.
Se llama Timnit Gebru. El 1 de diciembre recogerá el premio en Estocolmo, y en febrero de 2027 publica su primer libro, Deep Unlearning.
Hace seis años era una de las dos responsables del equipo de IA ética de Google. Salió de la empresa en diciembre de 2020 por un artículo científico que advertía de los riesgos de los grandes modelos de lenguaje. Ella dice que la despidieron. Google dice que dimitió. Aquel artículo bautizó a los LLM como «loros estocásticos», y la expresión sigue en todas las discusiones sobre IA.
Gebru no es CEO. Dirige DAIR, un pequeño instituto de investigación sin ánimo de lucro que fundó para trabajar lejos de las grandes tecnológicas. Y no busca caer bien: discute con Google, con Yann LeCun, con los que firman cartas sobre el fin de la humanidad y con casi todo el que vende IA.
Si programas, te interesa por algo muy concreto. Cuando abres un modelo o un dataset en Hugging Face y lees su ficha (para qué sirve, con qué datos se entrenó, qué limitaciones tiene), estás usando una idea que Gebru firmó en 2018.
Este es su perfil completo: de dónde viene, qué construyó, qué dice, en qué se ha equivocado y en qué tenía razón antes que nadie.

Ficha rápida de Timnit Gebru ¶
| Nombre | Timnit Gebru |
| Origen | Nacida en Adís Abeba (Etiopía); emigró a Estados Unidos de adolescente |
| Formación | Grado, máster y doctorado en Stanford; tesis dirigida por Fei-Fei Li (2017) |
| Antes de la IA | Ingeniera de hardware en Apple, con trabajo en el primer iPad |
| Gran aportación | Datasheets for Datasets (2018) y Gender Shades (2018) |
| Cargo | Fundadora y directora ejecutiva de DAIR desde 2021 |
| El episodio | Su salida de Google en diciembre de 2020 por el paper de los «loros estocásticos» |
| Premio | Right Livelihood 2026, el «Nobel alternativo» |
| Seña de identidad | Pone nombre a los perjudicados por la IA: datos sin consentimiento, etiquetadores mal pagados, sistemas que fallan con quien no está en el dataset |
¿Quién es Timnit Gebru? ¶
Timnit Gebru es una investigadora de IA nacida en Etiopía, conocida por medir el sesgo de los sistemas de reconocimiento facial, por proponer que cada dataset tenga una ficha técnica y por su salida de Google en 2020 tras un paper sobre los riesgos de los grandes modelos de lenguaje. Fundó en 2021 DAIR, un instituto independiente que estudia los daños de la IA, y en 2026 recibió el premio Right Livelihood.
Su tesis central es incómoda para la industria: los riesgos de la IA que importan no son una superinteligencia futura, sino lo que ya pasa hoy. Sistemas que fallan más con unas personas que con otras, datos recogidos sin permiso, trabajadores que etiquetan contenido por poco dinero y empresas que concentran el poder.
La cronología: los hitos de una vida en 14 fechas ¶
| Año | Hito | Por qué importa al software |
|---|---|---|
| — | Nace en Adís Abeba y llega a Estados Unidos de adolescente | — |
| Años 2000 | Ingeniera de hardware en Apple | Diseña circuitos y algoritmos de procesado de señal, entre otros para el primer iPad |
| 2017 | Doctorado en Stanford con Fei-Fei Li | Usa Google Street View y deep learning para estimar la demografía de barrios enteros |
| 2017 | Cofunda Black in AI | Una comunidad para investigadores negros en un campo casi sin ellos |
| 2018 | Gender Shades, con Joy Buolamwini | Demuestra con datos que tres clasificadores comerciales fallan mucho más con mujeres de piel oscura |
| 2018 | Datasheets for Datasets | Propone una ficha técnica obligatoria para cada dataset |
| 2018 | Entra en Google como codirectora del equipo de IA ética | Junto a Margaret Mitchell |
| 2019 | Model Cards for Model Reporting | Coautora de la ficha de cada modelo: el README que ves en Hugging Face |
| 2020 | Choque con Yann LeCun en Twitter | El debate sobre si el sesgo «es solo culpa de los datos» |
| 2020 | Sale de Google el 2 de diciembre | El caso más sonado de la ética de la IA dentro de una gran tecnológica |
| 2021 | Se publica «On the Dangers of Stochastic Parrots» | Nace la expresión «loro estocástico» para los LLM |
| 2021 | Funda DAIR | Investigación sobre IA fuera de las grandes empresas |
| 2023 | Responde a la carta que pedía pausar la IA | Pide mirar los daños actuales, no «mentes digitales imaginarias» |
| 2026 | Premio Right Livelihood | Reconocimiento a su trabajo contra la concentración de poder en la tecnología |
¿De dónde viene Timnit Gebru? ¶
De Adís Abeba y de una adolescencia marcada por la guerra entre Etiopía y Eritrea. Ha contado en varias entrevistas que salió de Etiopía siendo adolescente y que acabó en Estados Unidos, donde terminó el instituto antes de entrar en Stanford.
Estudió ingeniería eléctrica en Stanford y empezó en Apple como becaria de hardware. Según su página en Stanford, allí diseñó circuitos y algoritmos de procesado de señal para varios productos de la marca, entre ellos el primer iPad.
Ese pasado de hardware es importante para entender su trabajo posterior. En electrónica, cada componente viene con su hoja de datos: rangos de temperatura, voltajes, condiciones en las que falla. Cuando llegó a la IA, le sorprendió que los datasets y los modelos no trajeran nada parecido.
Volvió a Stanford para el doctorado en el laboratorio de Fei-Fei Li, la creadora de ImageNet, por el que también pasó Andrej Karpathy. Su tesis de 2017 hizo algo que llamó la atención fuera del mundo académico: con deep learning, analizó millones de imágenes de Google Street View, identificó los coches aparcados en cada barrio y, a partir de ellos, estimó datos demográficos como los ingresos o la orientación del voto. Funcionaba. Y dejaba una pregunta en el aire: si un modelo deduce tanto de una foto de tu calle, ¿quién controla lo que hace con ello?
Ese mismo año cofundó Black in AI, una comunidad para apoyar a investigadores negros en un campo donde eran poquísimos. Ha contado que en la conferencia NeurIPS de 2016 vio a poquísimas personas negras entre miles de asistentes.
¿Qué demostró Gender Shades? ¶
Que tres clasificadores comerciales de género de IBM, Microsoft y Face++ casi no fallaban con hombres de piel clara y fallaban hasta en una de cada tres fotos de mujeres de piel oscura. Lo publicó en febrero de 2018 con Joy Buolamwini, entonces en el MIT Media Lab.
Las cifras del paper son claras: un error máximo del 0,8 % con hombres de piel clara frente a un error de hasta el 34,7 % con mujeres de piel oscura. El mismo producto, a la venta, con 43 veces más errores según a quién mirara.
El estudio tuvo efecto. IBM y Microsoft mejoraron sus sistemas después de la publicación, y Gender Shades se convirtió en uno de los trabajos más citados sobre sesgo en IA. Su aportación no fue solo el resultado: fue el método. Medir el rendimiento por subgrupos, no solo la media. Un modelo con un 95 % de acierto global puede estar fallando sistemáticamente con un grupo que pesa poco en el total.
🧠 Si haces tests de un sistema con IA (un clasificador, un buscador, un agente), la lección vale tal cual: la media esconde los fallos. Parte los resultados por casos y mira dónde se concentran los errores.
¿Qué son las Datasheets for Datasets? ¶
Una datasheet es una ficha técnica que acompaña a un dataset y responde por escrito a qué contiene, cómo se recogió, para qué sirve y para qué no. Gebru la propuso en marzo de 2018 junto a investigadores de Microsoft Research y otras instituciones, y el artículo se publicó en 2021 en Communications of the ACM.
La idea es copiar a la electrónica. Un ingeniero no monta un chip sin leer su hoja de datos. Un equipo de machine learning sí entrenaba modelos con datasets de los que no sabía casi nada: quién los creó, si las personas que aparecen dieron permiso, qué grupos faltan.
La propuesta organiza la ficha en siete bloques de preguntas:
Un año después, Margaret Mitchell, Gebru y otros autores aplicaron la misma lógica a los modelos con Model Cards for Model Reporting (2019): una ficha con el uso previsto, cómo se evaluó, en qué grupos rinde peor y qué limitaciones tiene.
Hoy las ves sin darte cuenta. Cada modelo de Hugging Face lleva su model card como README, y cada dataset su dataset card. Las fichas de los modelos abiertos que descargas, los apartados de «limitaciones» y «usos fuera de alcance», vienen de ahí.
No todo el mundo las rellena bien. El propio equipo de Hugging Face reconocía en 2021 que la documentación seguía lejos de estar extendida incluso en los datasets más populares. Pero el formato ya es estándar.
💬 Cuando rellenas el
AGENTS.mdde tu proyecto para que el agente sepa qué puede tocar y qué no, haces algo muy parecido a una datasheet: dejar por escrito el contexto que nadie debería tener que adivinar. Si quieres afinarlo, te lo contamos en cómo escribir las reglas de contexto en AGENTS.md.
Tu proyecto también necesita su ficha técnica para el agente
En cuatro vídeos montas un flujo con un agente de IA solo con prompts, y en la lección 3 escribes regla a regla el AGENTS.md que le dice qué puede tocar y qué no.
Entra en el curso →¿Por qué salió Timnit Gebru de Google? ¶
Por un desacuerdo sobre el paper «On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?», que Google le pidió retirar o firmar sin su nombre. Ella anunció el 2 de diciembre de 2020 en Twitter que la empresa la había echado. Google sostuvo que había dimitido.
Los hechos, tal y como se publicaron entonces:
- Gebru y Margaret Mitchell codirigían el equipo de IA ética de Google desde 2018.
- El paper, firmado con la lingüista Emily M. Bender y otras investigadoras, estaba enviado a la conferencia FAccT. Google le pidió retirarlo o quitar los nombres de las autoras de la empresa.
- Gebru respondió con un correo en el que ponía condiciones y decía que, si no se cumplían, fijaría una fecha de salida. Google tomó el correo como una dimisión y la aceptó de inmediato.
- Jeff Dean, entonces responsable de Google AI, escribió en un correo interno que el paper “no cumplía nuestro listón de publicación”. MIT Technology Review publicó ese correo el 4 de diciembre.
- Miles de empleados de Google y académicos firmaron cartas de apoyo a Gebru. En febrero de 2021, Google despidió también a Margaret Mitchell.
El paper se publicó en marzo de 2021 en FAccT. Mitchell aparecía con el seudónimo «Shmargaret Shmitchell».
⚠️ Lo que no está claro, ni lo estará, es si fue despido o dimisión. Las dos versiones vienen de las partes implicadas. Lo que sí es un hecho es que Google perdió a sus dos responsables de IA ética en tres meses y que el paper que intentó frenar acabó siendo el más famoso de las dos.
¿Qué decía el paper de los loros estocásticos? ¶
Que los modelos de lenguaje cada vez más grandes tienen costes y riesgos que la industria no estaba mirando, y que generar texto convincente no es lo mismo que entender. Se publicó casi dos años antes de ChatGPT, cuando GPT-3 era la referencia.
Sus argumentos, en versión developer:
- Coste ambiental y económico. Entrenar modelos cada vez más grandes consume mucha energía, y los beneficios y los costes no los reciben las mismas personas.
- Datos enormes e indocumentados. Un corpus de internet tan grande que nadie puede revisarlo arrastra sesgos y deja fuera a quien escribe menos en la red.
- Fluidez sin comprensión. Un modelo así cose fragmentos de lenguaje según probabilidades, como un loro que repite sin saber lo que dice. El peligro es que la gente se crea que detrás hay alguien que entiende.
- Hype que desvía la investigación. Competir por el modelo más grande quita recursos a otras formas de hacer IA.
La expresión «loro estocástico» se convirtió en munición en el debate sobre los LLM. Hoy la usan tanto sus críticos como quienes la discuten.
Y aquí hay que ser justos con las dos partes. El punto 3 ha envejecido bien: las alucinaciones, las citas inventadas y la confianza excesiva en lo que dice un chatbot son el pan de cada día. Lo explicamos en los conceptos clave de los modelos de lenguaje. Pero los LLM han resultado más útiles de lo que sugiere la imagen del loro: un agente que lee tu repositorio, ejecuta los tests y corrige su propio error hace algo más que repetir.
¿Qué es DAIR y cómo trabaja Gebru? ¶
DAIR (Distributed AI Research Institute) es el instituto de investigación sin ánimo de lucro que Gebru fundó el 2 de diciembre de 2021, un año exacto después de su salida de Google. Arrancó con unos 3,7 millones de dólares de las fundaciones Ford, MacArthur, Rockefeller, Open Society y el Kapor Center.
La palabra clave es «distribuido». DAIR no tiene una sede donde concentrar a todo el mundo: trabaja con investigadores que viven en las comunidades que estudian, de Estados Unidos a África. Su forma de trabajar se resume en tres rasgos:
- Investigar fuera de la órbita de las grandes tecnológicas. Sin financiación de las empresas cuyos productos analiza.
- Poner a los afectados en el centro. Han trabajado con etiquetadores de datos y moderadores de contenido que entrenan los modelos por sueldos bajos, y con comunidades que sufren los errores de esos sistemas.
- Discutir en público y con nombres. Como LeCun, pero desde el otro lado: Gebru usa las redes y las entrevistas para señalar a empresas y personas concretas.
¿Por qué es tan polémica Timnit Gebru? ¶
Porque señala directamente a las empresas y a las personas que mueven la IA, y porque no se modera ni con sus aliados. Estas son sus peleas más conocidas.
Con Yann LeCun (junio de 2020). Un modelo de Duke que reconstruía caras pixeladas convirtió una foto de Barack Obama en la de un hombre blanco. LeCun dijo que los sistemas de machine learning están sesgados cuando los datos lo están. Gebru le respondió que reducir el sesgo a los datos ignora las decisiones de quien diseña, evalúa y despliega el sistema, y le recomendó ver su tutorial sobre el tema. La discusión se volvió agria y LeCun anunció que dejaba Twitter durante un tiempo. Lo contamos desde su lado en el perfil de Yann LeCun.
Con Google (diciembre de 2020). Todo lo anterior. Fue el caso que convirtió la ética de la IA en noticia de portada.
Con la carta de la pausa (marzo de 2023). El Future of Life Institute pidió pausar seis meses el entrenamiento de los modelos más potentes, y citaba el paper de los loros estocásticos en su primera nota. Gebru y sus coautoras respondieron desde DAIR el 31 de marzo: la preocupación no debía ser “las «mentes digitales poderosas» imaginarias”, sino las prácticas de explotación reales y presentes. Acusaron a la carta de alimentar el alarmismo y el hype.
Con el «TESCREAL» (2024). Junto a Émile P. Torres, que investiga filosofía y riesgo existencial, publicó en la revista First Monday un artículo que agrupa bajo un acrónimo varias ideologías de Silicon Valley (transhumanismo, largoplacismo, altruismo eficaz y otras) y las conecta con la historia de la eugenesia. Para sus defensores es una crítica necesaria. Para sus detractores, una caricatura que mete en el mismo saco a gente muy distinta.
Con Dario Amodei y los demás CEOs (2026). En Democracy Now, el 1 de octubre de 2026, le preguntaron por las críticas a Amodei por exagerar los riesgos de la IA. Su respuesta: “Sí, es muy extremo, pero no son diferentes.” Para ella, el riesgo existencial real son los propios directivos de las empresas de IA. Es la misma pelea que contamos en frenar la IA, vista desde el extremo opuesto.
Entre los que anuncian el fin del mundo y los que dicen que todo es marketing, tú necesitas saber qué hacer con la IA el lunes. Cada domingo enviamos 12 recursos sobre programación con IA a +7.500 developers. Gratis desde 2018.
Quiero esa dinamita 🧨¿Qué dice Timnit Gebru sobre la IA y el trabajo de los developers? ¶
Que «IA» es en buena parte una etiqueta de marketing, que la ilusión de una mente detrás del chatbot es intencionada y que quien construye estos sistemas es responsable de documentar sus límites. No hace predicciones sobre cuántos programadores quedarán en 2030. Su foco es otro: qué haces tú cuando construyes con IA.
En una entrevista con The Guardian en mayo de 2023 describió el momento con una imagen: “Parece una fiebre del oro.” Todo el mundo con prisa por lanzar productos antes de entender qué hacen. En declaraciones recogidas tras el premio de 2026, dijo que los chatbots están diseñados para hacerte creer que detrás del texto hay una especie de cerebro sobrehumano.
Traducido a tu trabajo, de lo que defiende salen tres ideas prácticas:
- No te fíes de la fluidez. Que el agente escriba código con seguridad no significa que sepa lo que hace. Verifica.
- Documenta lo que usas y lo que construyes. Qué modelo, con qué datos, para qué no sirve. Es la datasheet aplicada a tu producto.
- Pregunta quién paga el error. Si tu sistema con IA falla, ¿con quién falla más? Gender Shades demostró que la respuesta casi nunca es aleatoria.
La crítica que más recibe es la contraria: que su enfoque se queda en señalar daños y propone poco para quien tiene que construir mañana. Las datasheets y las model cards son la mejor respuesta a esa crítica. Son herramientas que se usan, no manifiestos.
🧠 La frase «loro estocástico» suele usarse para despreciar a los LLM. Úsala al revés: como recordatorio de revisar cada respuesta antes de darla por buena.
Tu IA puede mentirte
El loro escribe con mucha seguridad: aprende a pillarle
Métodos prácticos para revisar y verificar lo que programan los agentes: el ciclo anticaos, pruebas en navegador con Playwright, casos Gherkin y adversarial review entre modelos.
Ver la masterclass →Métodos en directo + casos Gherkin
Las mejores frases de Timnit Gebru ¶
Las traducciones son nuestras. Cada frase lleva dónde y cuándo la dijo, o quién la recoge. Las de DAIR y el paper están firmadas con sus coautoras.
- “¿Puede un modelo de lenguaje ser demasiado grande?” El subtítulo del paper de los loros estocásticos, marzo de 2021.
- “La preocupación no debería centrarse en unas «mentes digitales poderosas» imaginarias.” Respuesta de DAIR a la carta de la pausa, 31 de marzo de 2023.
- “Parece una fiebre del oro.” The Guardian, mayo de 2023.
- “Sí, es muy extremo, pero no son diferentes.” Sobre Dario Amodei y el resto de CEOs de IA, Democracy Now, octubre de 2026.
- “Lo que me hace seguir es creer en la capacidad de las personas para actuar.” Vídeo de la fundación Right Livelihood, septiembre de 2026.
- “Es, en efecto, hora de actuar.” Respuesta de DAIR a la carta de la pausa, marzo de 2023, antes de pedir que se actúe sobre los daños actuales.
- “Los chatbots están diseñados para hacerte creer que hay una especie de cerebro sobrehumano detrás.” Declaraciones recogidas por Democracy Now tras el premio, septiembre de 2026.
La noticia: el «Nobel alternativo» y el libro ¶
Timnit Gebru es una de las premiadas del Right Livelihood Award 2026, que se entrega el 1 de diciembre en Estocolmo.
Lo que está confirmado ¶
- La fundación Right Livelihood anunció el premio el 30 de septiembre de 2026. La premia por cuestionar la concentración de poder en la industria tecnológica y por defender una tecnología centrada en la justicia.
- La ceremonia está prevista para el 1 de diciembre de 2026 en Estocolmo.
- Su primer libro, Deep Unlearning: The Rise of AI and the Radicalization of a Tech Idealist, sale el 16 de febrero de 2027 en Atria / One Signal Publishers. Está en preventa desde agosto de 2026.
Lo que no sabemos todavía ¶
- El contenido del libro más allá del título y lo que ella ha adelantado en entrevistas. Por el subtítulo, cuenta su propia historia: de idealista de la tecnología a crítica radical.
Este apartado recoge la información disponible a 14 de noviembre de 2026.
¿Qué significa su trabajo para quien programa? ¶
Que la documentación y la evaluación por subgrupos son parte del trabajo, no un añadido de ética. Y eso afecta a tres decisiones que tomas cada semana:
- Cuando eliges un modelo, lee su model card. Qué datos, qué evaluación, qué usos desaconsejan. Si no tiene, ya sabes algo.
- Cuando construyes con IA, prueba con casos variados y mira dónde falla, no solo cuánto acierta de media.
- Cuando lo publicas, deja por escrito sus límites. A tu equipo, a tus usuarios y a tu yo de dentro de seis meses.
Timnit Gebru recoge el «Nobel alternativo» el 1 de diciembre y en febrero publica su libro. Si quieres seguir lo que pasa en la IA sin perder horas, cada domingo enviamos 12 recursos sobre programación con IA a +7.500 suscriptores.
Quiero esa dinamita 🧨Las entrevistas para conocer a Timnit Gebru ¶
Si quieres escucharla a ella, sin intermediarios, estas son las mejores conversaciones. Están ordenadas de más antigua a más reciente.
- MIT Technology Review: «Google AI ethics lead Timnit Gebru tells her story» (diciembre de 2020). Su versión de la salida de Google, contada dos semanas después. Leer la entrevista.
- TechCrunch: lanzamiento de DAIR (diciembre de 2021). Por qué un instituto distribuido y qué quiere investigar. Leer en TechCrunch.
- Tech Won’t Save Us: «Don’t Fall for the AI Hype» (2023). Una hora sobre el hype, los loros estocásticos y quién paga los costes, en plena resaca de la llegada de ChatGPT. Escuchar el episodio.
- The Guardian (mayo de 2023). La entrevista larga sobre Google, el comportamiento tóxico que denunció y la «fiebre del oro». Resumen en Fortune.
- Democracy Now: «The Real Existential Risk Is AI CEOs Avoiding Oversight» (octubre de 2026). Su primera gran entrevista tras el Right Livelihood. Ver en Democracy Now.
Y dos momentos en redes que explican al personaje:
- El anuncio de su salida de Google, el 2 de diciembre de 2020 en Twitter. Crónica en MIT Technology Review.
- La discusión con Yann LeCun sobre el sesgo, en junio de 2020. Crónica en VentureBeat.
Qué podemos aprender los developers de Timnit Gebru ¶
1. Mide por grupos, no solo la media. Gender Shades no descubrió que la IA fallara. Descubrió con quién fallaba. Es la diferencia entre un test que pasa y un sistema que funciona para todos sus usuarios.
2. Documenta como si tú fueras el siguiente. Datasheets y model cards son una disciplina de ingeniería: escribir qué hace algo, cómo se hizo y dónde se rompe. Tu README, tu AGENTS.md y tus notas de versión son lo mismo a pequeña escala.
3. Desconfía de la fluidez. Un texto bien escrito no es un texto correcto. Vale para el chatbot y para el agente que te propone un cambio con total seguridad.
4. Las ideas incómodas tienen coste. Gebru perdió su trabajo por un paper. Años después, ese paper es más leído que casi cualquier otro de la época. No hay garantía de que pase siempre así.
5. Escucha a los críticos aunque no compartas su tono. Se puede discrepar de sus formas o de su TESCREAL y aun así aprovechar sus herramientas. Las fichas de datos no tienen ideología.
TL;DR ¶
- Timnit Gebru es una investigadora de IA nacida en Etiopía, ingeniera de hardware en Apple antes de doctorarse en Stanford con Fei-Fei Li.
- En 2018 demostró con Gender Shades que tres clasificadores comerciales fallaban hasta 43 veces más con mujeres de piel oscura que con hombres de piel clara.
- Ese mismo año propuso las Datasheets for Datasets; después vinieron las Model Cards. Son el origen de las fichas que ves en Hugging Face.
- Salió de Google en diciembre de 2020 por el paper de los «loros estocásticos». Ella dice que la despidieron; Google, que dimitió.
- En 2021 fundó DAIR, un instituto independiente que dirige como directora ejecutiva. No es CEO de ninguna empresa.
- Es polémica por sus choques con Google, LeCun, los firmantes de la carta de la pausa y los CEOs de IA.
- En 2026 recibe el premio Right Livelihood y en febrero de 2027 publica su libro Deep Unlearning.
Preguntas frecuentes sobre Timnit Gebru ¶
¿Quién es Timnit Gebru? ¶
Es una investigadora de IA nacida en Etiopía, fundadora y directora ejecutiva del instituto DAIR. Es conocida por Gender Shades, por proponer las Datasheets for Datasets y por su salida de Google en 2020. En 2026 recibió el premio Right Livelihood.
¿Por qué echaron a Timnit Gebru de Google? ¶
Google le pidió retirar el paper «On the Dangers of Stochastic Parrots» o quitar los nombres de las autoras de la empresa. Ella puso condiciones por correo y Google tomó ese correo como una dimisión. Gebru sostiene que fue un despido; Google, que dimitió.
¿Qué es un loro estocástico? ¶
Es la expresión que Gebru, Emily M. Bender y otras autoras usaron en 2021 para describir a los grandes modelos de lenguaje. Significa que generan texto encadenando fragmentos según probabilidades, sin entender lo que dicen. El peligro, según el paper, es que las personas crean que sí entienden.
¿Qué son las Datasheets for Datasets? ¶
Son fichas técnicas que acompañan a un dataset y explican para qué se creó, qué contiene, cómo se recogió, cómo se etiquetó, para qué no debería usarse, con qué licencia se comparte y quién lo mantiene. Gebru las propuso en 2018 inspirándose en las hojas de datos de la electrónica.
¿Qué relación tienen las datasheets con Hugging Face? ¶
Las dataset cards y model cards de Hugging Face, el README que acompaña a cada dataset y modelo, aplican la misma idea. Las model cards vienen del paper de 2019 «Model Cards for Model Reporting», del que Gebru es coautora.
¿Qué es DAIR? ¶
Es el Distributed AI Research Institute, un instituto de investigación sin ánimo de lucro que Gebru fundó el 2 de diciembre de 2021. Investiga los efectos de la IA sin financiación de las grandes tecnológicas y con investigadores repartidos por distintas comunidades.
¿Qué demostró Gender Shades? ¶
Que los clasificadores de género de IBM, Microsoft y Face++ tenían un error máximo del 0,8 % con hombres de piel clara y de hasta el 34,7 % con mujeres de piel oscura. Lo publicaron Joy Buolamwini y Timnit Gebru en 2018.
¿Qué premio ha ganado Timnit Gebru en 2026? ¶
El Right Livelihood Award, conocido como «Nobel alternativo». La fundación lo anunció el 30 de septiembre de 2026 y la ceremonia es el 1 de diciembre en Estocolmo. Lo recibe por cuestionar la concentración de poder en la tecnología.
¿Qué pasó entre Timnit Gebru y Yann LeCun? ¶
En junio de 2020 discutieron en Twitter sobre el sesgo de un modelo que convertía caras de personas negras en caras blancas. LeCun lo atribuyó a los datos y Gebru defendió que el sesgo no se reduce a los datos. La discusión acabó con LeCun anunciando que dejaba Twitter durante un tiempo.
¿Cómo se llama el libro de Timnit Gebru? ¶
Deep Unlearning: The Rise of AI and the Radicalization of a Tech Idealist. Sale el 16 de febrero de 2027 y está en preventa desde agosto de 2026.
Fuentes ¶
- Right Livelihood — Timnit Gebru receives 2026 Right Livelihood Award
- Democracy Now — The Real Existential Risk Is AI CEOs Avoiding Oversight (1 de octubre de 2026)
- Democracy Now — 2026 Right Livelihood Awards announced in Stockholm
- Brittle Paper — Deep Unlearning, en preventa
- Timnit Gebru — Página en Stanford
- PMLR — Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification
- World Economic Forum — Study finds gender and skin-type bias in commercial AI systems
- arXiv — Reusable Templates and Guides For Documenting Datasets and Models (Hugging Face y GEM, 2021)
- MIT Technology Review — We read the paper that forced Timnit Gebru out of Google
- MIT Technology Review — Google AI ethics lead Timnit Gebru tells her story
- DAIR — Timnit Gebru launches independent AI research institute
- TechCrunch — After being pushed out of Google, Timnit Gebru forms her own AI research institute
- SiliconANGLE — Lanzamiento de DAIR y su financiación
- TechCrunch — Ethicists fire back at ‘AI Pause’ letter they say ‘ignores the actual harms’
- VentureBeat — A deep learning pioneer’s teachable moment on AI bias
- Synced — Yann LeCun quits Twitter amid acrimonious exchanges on AI bias
- Fortune — Timnit Gebru: AI feels like a gold rush
- Tech Won’t Save Us — Don’t Fall for the AI Hype w/ Timnit Gebru
Créditos de las imágenes ¶
- Timnit Gebru en TechCrunch Disrupt SF 2018, de TechCrunch (foto de Kimberly White/Getty Images for TechCrunch). Licencia CC BY 2.0, vía Wikimedia Commons. Recortada, redimensionada y convertida a WebP.
🧨 Última oportunidad para recibir la dinamita que mereces sobre programación con IA el próximo domingo: Suscríbete gratis a Web Reactiva en https://webreactiva.com/newsletter
12 recursos para developers cada domingo en tu bandeja de entrada
Además de una skill práctica bien explicada, trucos para mejorar tu futuro profesional y una pizquita de humor útil para el resto de la semana. Gratis.