Academic Reportage – Page 135 – MIL Submissions Engine

May 27, 2026

Face aux chocs pétroliers, les biocarburants ne s’improvisent pas

Source: The Conversation – France (in French) – By Jean-Marc Roda, Regional Director for Southeast Asia Islands, Cirad

Face à la hausse des cours du pétrole, le salut viendra-t-il des biocarburants ? Aujourd’hui, les biocarburants les plus intéressants sont ceux de deuxième génération, qui s’appuient sur des sous-produits de l’agriculture et de l’industrie forestière, sans entrer en compétition avec l’alimentation. Mais dans des pays tropicaux, tels que la Malaisie ou l’Indonésie, la fragmentation des paysages et le taux d’humidité élevé des résidus font rapidement grimper la facture : de quoi affecter la compétitivité de cette alternative.

Les tensions pétrolières causées par la guerre en Iran ont fait remonter le cours du Brent à plus de 100 dollars (ou 85,88 euros) le baril début mars 2026. Depuis, les cours jouent au yoyo en fonction des espoirs diplomatiques. Les flux commerciaux sont en tout cas très loin d’avoir retrouvé leur niveau normal.

Dans ce contexte, les biocarburants – incorporant une part biosourcée, soit bioéthanol soit biodiesel – redeviennent plus visibles. À noter qu’aucun des biocarburants disponibles à la pompe n’est du bioéthanol ou du biodiesel « pur », ils sont toujours mélangés avec des carburants classiques. Ainsi, en France, en 2024, le gazole et l’essence consommés à la pompe comportaient au total environ 9 % d’énergie renouvelable biosourcée.

L’Indonésie et la Malaisie, qui souffrent particulièrement du blocage du détroit d’Ormuz pour leur approvisionnement en pétrole, ont récemment annoncé augmenter la teneur en huile de palme dans leurs biocarburants – au risque de faire grimper le cours de l’huile de palme et d’aggraver la déforestation.

Ces carburants actuels restent, pour l’essentiel, des biocarburants de première génération. Les biocarburants de deuxième génération, issus de résidus lignocellulosiques plutôt que de cultures en compétition avec l’alimentation, paraissent plus désirables. Mais à quelles conditions peuvent-ils être réellement compétitifs face aux carburants issus du pétrole ?

Encore faut-il regarder leurs coûts réels. Nous avons mené plusieurs études en Malaisie qui révèlent l’existence de plusieurs coûts cachés en lien avec la fragmentation du territoire, mais également avec le climat tropical, qui impose de transporter de la matière encore humide, faute de pouvoir la laisser sécher sur place.

Différentes générations de biocarburants

Commençons par rappeler ce qu’on entend par biocarburant de première, deuxième ou troisième génération.

Les biocarburants de première génération utilisent des matières premières agricoles qui entrent en concurrence avec l’alimentation, par exemple les bioéthanols de betterave, de colza, de maïs ou de blé, ou encore les biodiesels de colza, de soja, ou d’huile de palme.
Les carburants de deuxième génération, pour leur part, ne sont pas en compétition avec l’alimentation. Ils sont au contraire du recyclage de résidus agricoles ou forestiers, donc essentiellement de la cellulose (pailles, pellets, etc.), ou des huiles de cuisson « usagées » issues de la restauration.
Ceux de troisième génération (comme les cultures de microalgues), enfin, promettent de s’affranchir de ces limites car elles ne mobilisent pas de surfaces agricoles ou forestières comme les deux premières, mais restent pour l’heure moins stabilisées aux plans technologique et économique.

Dans l’état actuel, les deux premières générations sont les seules réellement maîtrisées à l’échelle industrielle. Le débat porte donc, pour le moment, sur les conditions concrètes de réussite des biocarburants de deuxième génération.

Premier coût caché la biomasse de deuxième génération : la fragmentation du territoire

La biomasse n’est pas une ressource concentrée. Elle est, pour l’essentiel, répartie dans l’espace, dans des champs et des forêts plus ou moins morcelés. Or, plus une telle ressource est dispersée sur le territoire en petites unités, plus son coût de collecte augmente.

Nos travaux menés en Malaisie montrent que le coût d’approvisionnement augmente à chaque fois que la fragmentation spatiale augmente. Pour un million de tonnes de biomasse effectivement disponible, cela représente plus de 4 dollars (soit 3,44 euros) par tonne par unité supplémentaire de fragmentation spatiale. À titre d’exemple, cette fragmentation spatiale a été évaluée à environ 3,3 dollars pour les déchets forestiers – et même à plus de 6 dollars pour certains déchets de palmiers – contre environ 0,3 dollar pour les scieries productrices de contre-plaqué.

Le reste de la logistique joue tout autant. En effet, le coût d’approvisionnement augmente de plus de 6 dollars (soit 5,15 euros) en moyenne par tonne par tranche de 100 kilomètres de transport. Et l’impact de la taille du camion est tout aussi critique : passer d’un petit camion d’une tonne à un 26 tonnes peut réduire le coût d’environ 84 dollars (plus de 72 euros) par tonne.

Ceci a plusieurs implications importantes. Une biomasse apparemment abondante sur un territoire donné peut être non compétitive si elle est trop morcelée. Inversement, une ressource moins abondante mais davantage concentrée peut devenir plus intéressante au plan industriel.

Cette règle est particulièrement importante en Indonésie et en Malaisie, où les mosaïques tropicales de plantations, forêts, routes et petites unités industrielles n’ont rien à voir avec des territoires plus homogènes que l’on retrouve par exemple dans certaines régions agricoles en Europe et aux États-Unis.

La teneur en eau, un deuxième coût caché

Ce n’est pas tout. Tous les résidus de biomasse végétale contiennent une part plus ou moins grande d’eau.

Gros plan d’un palmier à huile, où l’on voit les feuilles (frondes) qui partent de la souche et les fruits au centre.
Picryl/Pixabay

Or, transporter de l’eau dans la biomasse, c’est consommer davantage de carburant pour déplacer une masse qui ne produira pas d’énergie utile.

D’autres parmi nos travaux montrent qu’en Malaisie, à disponibilité comparable, la paille de riz reste bien plus compétitive que les frondes de palmier, du fait de leur teneur élevée en humidité.

Tous ces facteurs contribuent à faire augmenter le coût de production des biocarburants :

Quand seule la fragmentation spatiale de la ressource augmente, le coût optimal du biocarburant augmente de 17 %.
Quand seule l’humidité augmente, il grimpe de 42 %.
Quand humidité et fragmentation se cumulent, le coût augmente de 69 %. Dans le même temps, la capacité optimale de l’usine de bioraffinerie qui traite ces résidus chute de 36 %.

Sous les tropiques humides, la différence entre matière sèche et matière humide est donc un déterminant majeur pour les coûts. Ce point vaut aussi pour les stratégies combinant plusieurs types de biomasses : mélanger plusieurs résidus n’améliore pas automatiquement la compétitivité. En effet, tout dépend de ce que le mélange fait à l’humidité moyenne.

Nos travaux montrent qu’un approvisionnement industriel de résidus de régimes vides de fruits (EFB) (le nom que l’on donne au sous-produit végétal obtenu après collecte des fruits), à 60 % d’humidité, peut être 31 % moins rentable qu’un approvisionnement combinant à la fois des EFB et des fibres de fruits pressés (sous-produit fibreux obtenu après extraction de l’huile de palme par pressage), dont l’humidité moyenne est de 48 %.

Un approvisionnement mixte peut donc être une excellente stratégie… à condition d’éviter tout mélange qui ajouterait de l’eau à transporter, et annulerait l’avantage attendu.

L’usine optimale n’est pas toujours la plus grande

Il existe enfin un troisième coût caché, lié aux économies d’échelle que l’on imaginerait faire en centralisant le traitement des résidus de biomasse. Il existe, en effet, un concept industriel qui remonte à l’invention du fordisme : plus l’usine est grande, plus l’économie d’échelle est forte. C’est vrai en théorie, mais dans la pratique, cela se vérifie ou non selon les cas.

Concernant les biocarburants, cette règle se heurte rapidement à la géographie réelle des ressources. Plus l’usine est grande, plus il faut aller chercher loin des biomasses plus ou moins humides, fragmentées, potentiellement difficiles d’accès ou coûteuses à prétraiter. Les gains d’échelle en termes de procédés pour la raffinerie peuvent alors être effacés par les coûts amont. C’est pourquoi toutes les biomasses sont d’intérêt variable, selon le contexte.

Dans le cas de la Malaisie et de l’Indonésie, la voie de fermentation de seconde génération est la plus compétitive, avec la paille de riz et la fibre de fruits pressés. À l’inverse, les troncs de palmier et certains résidus d’hévéaculture n’y sont sont pas rentables pour de la bioraffinerie.

Mais dans d’autres endroits, la situation pourra être opposée. La stratégie industrielle ne doit donc pas reposer sur des économies d’échelles maximum, mais sur l’ajustement de la capacité industrielle à la matière réelle disponible sur le terrain, à son humidité, à sa dispersion et à son accès.

Du sur-mesure, plutôt que du prêt à l’emploi

Les biocarburants sont, en général, une excellente solution à l’instabilité des cours du pétrole. Mais ils ne sont pas performants par simple abondance de biomasse. Ils exigent un travail fin d’ingénierie : séchage, points de prétraitement, points de collecte et de regroupement, choix des mélanges, logistique, adaptation de la taille des usines…

Les schémas imaginés pour les grandes plaines homogènes du Midwest américain, où la production d’éthanol est concentrée dans la Corn Belt, ou pour certains contextes agricoles centrés sur le colza ou la betterave en Europe, ne se transfèreront pas tels quels dans les pays tropicaux. En particulier en Asie du Sud-Est, où l’humidité, la fragmentation et les contraintes locales changent toute l’équation.

Les biocarburants ne sauraient se réduire à un simple substitut au pétrole, où l’on déclinerait la même solution partout. Ce sont des solutions régionales, qui ne peuvent fonctionner qu’à condition d’être conçues région par région.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’ont déclaré aucune autre affiliation que leur organisme de recherche.

– ref. Face aux chocs pétroliers, les biocarburants ne s’improvisent pas – https://theconversation.com/face-aux-chocs-petroliers-les-biocarburants-ne-simprovisent-pas-283518

May 27, 2026

L’oubli catastrophique, ou pourquoi les IA ne savent pas encore apprendre en continu

Source: The Conversation – in French – By Eric Moulines, Professeur en apprentissage statistique et traitement du signal, EPITA; Académie des sciences

Un modèle d’IA peut être très performant dans un cadre contrôlé, mais se dégrader lorsque les données qu’il reçoit en conditions réelles ne ressemblent plus exactement aux données sur lesquelles il a été conçu, validé ou récemment mis à jour.

Ainsi, lorsque la mise à jour du modèle est faite naïvement, on peut être confronté au problème de l’« oubli catastrophique » : le modèle a progressé sur les données récentes, mais perd brutalement en performance sur les données plus anciennes. Ce sont précisément ces difficultés qui motivent le développement de l’« apprentissage continu ».

Dans l’apprentissage automatique « classique », on entraîne un réseau de neurones sur un très grand ensemble de données, puis on l’utilise tel quel. Mais ce cadre devient insuffisant lorsque les données arrivent au fil du temps, par exemple dans le cas de données météo, à l’arrivée de nouveaux patients dont la démographie ou la génération évolue, ou encore avec de nouvelles pratiques professionnelles.

Un système de Google Health destiné à automatiser le dépistage de la rétinopathie diabétique (l’ensemble des maladies de la rétine dues à la détérioration des vaisseaux rétiniens par le diabète) était prometteur lors d’évaluations contrôlées. En clinique, en revanche, il a rencontré des difficultés : sur 1 838 images traitées pendant les six premiers mois d’usage dans onze cliniques en Thaïlande, 393 (21 %) n’atteignaient pas le seuil de qualité requis.

Cet exemple ne signifie pas que la rétinopathie diabétique aurait changé en quelques mois. Il montre plutôt que les données vues par le système en clinique peuvent différer fortement de celles utilisées lors de son développement : qualité variable des images, différences de caméras, luminosité, reflets, patients plus difficiles à photographier, contraintes de temps et organisation du dépistage.

Autrement dit, la distribution des données change lorsque l’on passe d’un cadre contrôlé à un environnement réel. C’est précisément ce type de décalage qui rend insuffisant un modèle figé et qui pose la question suivante : comment adapter le modèle à ces nouvelles conditions sans perdre ce qu’il savait déjà faire ?

Les méthodes les plus simples conceptuellement, par exemple un réentraînement complet sur toutes les données, incluant les nouvelles, exigent beaucoup de calculs et sont donc peu réalistes.

Le continual learning, ou apprentissage continu, vise justement à faire évoluer le modèle au rythme du flux de données : s’adapter, intégrer de l’information nouvelle et apprendre des tâches successives, sans repartir systématiquement de zéro. Il se distingue d’un simple réentraînement périodique par une contrainte essentielle : apprendre le nouveau sans détruire l’ancien.

Au fond, l’apprentissage continu cherche un compromis entre deux exigences opposées] : la plasticité, nécessaire pour apprendre du nouveau, et la stabilité, indispensable pour ne pas effacer l’ancien.

Pourquoi les modèles d’IA oublient-ils ?

La difficulté vient du fait qu’un réseau de neurones n’a pas une mémoire rangée en dossiers indépendants. Les mêmes paramètres – les mêmes neurones et les mêmes connexions – servent souvent à plusieurs tâches.

Si les tâches se ressemblent, cette mutualisation est utile : le modèle peut réutiliser des représentations déjà apprises. Mais si les tâches diffèrent, les mises à jour nécessaires à la nouvelle tâche entrent en concurrence avec ce qui faisait la réussite des anciennes.

Prenons un exemple simple. Un modèle industriel a appris à détecter des défauts sur des pièces métalliques à partir d’images prises avec une première caméra. Plus tard, l’usine remplace la caméra : la résolution, la luminosité et les reflets changent. Si l’on réentraîne le modèle uniquement avec les nouvelles images, il peut s’adapter au nouveau capteur, mais perdre en performance sur les images produites par l’ancien système. Ce n’est pas parce que les anciens défauts ont disparu ; c’est parce que les paramètres qui les reconnaissaient ont été modifiés pour résoudre le nouveau problème.

En production, les incidents publiés sont plus souvent décrits comme des « décalages de données » que comme de l’oubli catastrophique. Les deux problèmes restent liés : dès qu’un modèle est mis à jour avec des données récentes, il faut éviter d’effacer des compétences antérieures.

Une étude récente menée sur des modèles d’IA utilisés à l’hôpital illustre bien cette difficulté. Les chercheurs ont supervisé un système chargé d’estimer le risque de décès de patients hospitalisés. Avec le temps, les dossiers reçus par ce système ont changé : les patients n’étaient plus exactement les mêmes, certaines mesures médicales variaient, et les pratiques hospitalières ont été bouleversées, en particulier pendant le Covid-19.

Le problème n’est donc pas qu’un dossier isolé serait anormal. C’est l’ensemble des données qui se transforme peu à peu. Pour rester utile, le modèle doit alors être mis à jour avec des exemples plus récents. Dans l’étude, cette mise à jour permettait effectivement de meilleurs résultats qu’un modèle laissé tel quel. Mais il y a un risque : si on laisse le système « apprendre » trop sur les données récentes, le modèle peut se spécialiser et devenir très bon sur les cas nouveaux, tout en perdant une partie de ses capacités sur les cas plus anciens. Il s’adapte au présent, mais au prix d’un oubli du passé. C’est ce qu’on appelle l’« oubli catastrophique ».

Pour intégrer des informations nouvelles sans sacrifier ce qui a déjà été appris, plusieurs grandes familles de méthodes existent : rejouer une partie du passé, protéger certains paramètres, modifier l’architecture du modèle ou apprendre des représentations plus stables.

Garder en mémoire des exemples représentatifs

La première, assez intuitive, consiste à rejouer le passé. C’est le « replay » : on conserve une petite mémoire d’exemples représentatifs des tâches antérieures et l’on entraîne le modèle sur un mélange « nouvelles données + mémoire ». C’est une forme de révision : le modèle ne relit pas tout le manuel, mais revoit quelques pages bien choisies.

Dans un système de reconnaissance d’images qui apprend progressivement de nouvelles catégories, on peut garder quelques images typiques de chaque ancienne classe, mais aussi des cas ambigus proches des frontières entre classes. Des méthodes comme iCaRL ont popularisé cette idée : apprendre de nouvelles classes tout en gardant un petit ensemble d’exemples représentatifs des anciennes.

Lorsque stocker des données réelles est difficile – pour des raisons de confidentialité, de coût ou de stockage – on peut recourir à un modèle génératif. Entraîné sur le passé, ce modèle produit des exemples artificiels des anciennes tâches, qui jouent le rôle de « souvenirs » synthétiques. Cette stratégie, appelée generative replay, peut réduire le besoin de conserver les données originales.

Mais ces données synthétiques ne sont pas automatiquement équivalentes aux données initiales. Elles peuvent manquer de diversité, négliger les cas rares, amplifier certains biais ou produire des exemples plausibles mais trompeurs. Il faut donc les valider : vérifier qu’elles couvrent les anciennes classes, préservent les cas difficiles et maintiennent les performances sur des jeux de test indépendants.

Les travaux récents sur l’entraînement répété à partir de données synthétiques montrent aussi un risque d’« effondrement » du modèle : à force d’apprendre sur des données synthétiques, il peut perdre des informations sur la vraie distribution, surtout sur ses parties « rares ».

Toute la question est donc de décider quoi conserver (ou générer) lorsque l’on a un budget restreint : des exemples typiques, rares, difficiles, ou un mélange des trois.

Protéger certains paramètres du modèle

Une deuxième famille de méthodes vise non pas à conserver des exemples, mais à protéger certaines parties du modèle. L’idée est d’identifier les poids déterminants pour les tâches passées, puis d’ajouter une pénalité lorsqu’ils changent trop pendant l’apprentissage d’une nouvelle tâche. Le modèle peut continuer à apprendre, mais il paie un « coût » plus élevé lorsqu’il modifie des paramètres jugés importants pour ses compétences anciennes.

C’est le principe de méthodes comme Elastic Weight Consolidation : ralentir l’apprentissage sur les poids importants pour les tâches déjà vues, afin de réduire l’oubli.

Une approche voisine, mais différente, consiste à préserver le comportement de l’ancien modèle plutôt que ses poids. On ajoute alors un terme de coût qui encourage le modèle mis à jour à produire des sorties proches de celles de l’ancien modèle sur des données de référence. C’est le principe de la « distillation » : l’ancien modèle joue le rôle de professeur, et le nouveau apprend la nouvelle tâche sans trop s’éloigner des réponses du professeur. La méthode Learning without Forgetting repose sur cette logique, même lorsque les données initiales ne sont plus disponibles.

La différence est donc la suivante : la régularisation des poids demande de « ne pas trop déplacer ces réglages internes », tandis que la distillation demande de « garder un comportement proche de l’ancien modèle ». Dans les deux cas, on peut parfois limiter l’oubli sans stocker toutes les données passées.

Leur limite est le compromis imposé : si l’on protège trop le modèle, il devient moins plastique et apprend moins bien la nouvelle tâche. Dans l’exemple du changement de caméra, protéger les anciens paramètres peut aider à reconnaître les défauts déjà connus, mais une protection trop forte empêchera le modèle de s’adapter à la nouvelle luminosité ou à la nouvelle résolution.

Superposer à l’ancien modèle de nouvelles couches de neurones qui apprennent des nouvelles données

Une troisième stratégie consiste à éviter de faire tenir tous les apprentissages dans les mêmes paramètres. Plutôt que de modifier sans cesse le même réseau, on peut réserver des « espaces » distincts à différentes tâches.

Certaines approches figent les parties du réseau déjà apprises et ajoutent, pour chaque nouvelle tâche, de nouveaux modules reliés aux précédents. Les réseaux progressifs, par exemple, ajoutent de nouvelles colonnes de neurones tout en réutilisant les connaissances acquises par des connexions latérales. Le modèle bénéficie ainsi de l’expérience accumulée sans risquer de la dégrader.

D’autres méthodes apprennent à n’activer qu’une partie des paramètres selon la tâche ou le contexte. On peut imaginer le modèle comme un réseau routier : au lieu de faire passer toutes les tâches par la même route, il apprend quels chemins internes utiliser pour chaque situation. Les approches par masques d’attention ou par sélection de sous-réseaux suivent cette logique.

Enfin, lorsque la nouvelle tâche est trop éloignée des précédentes, on peut agrandir le modèle en lui ajoutant des neurones ou des modules. Des méthodes comme PackNet exploitent par exemple les redondances d’un grand réseau pour libérer puis réserver des paramètres à de nouvelles tâches.

Ces stratégies réduisent sensiblement l’oubli, mais elles ont un coût : le modèle peut grossir au fil du temps, et il faut parfois savoir, au moment de l’usage, quelle partie du réseau mobiliser. Dans certains cas, cette information est disponible — par exemple si l’on sait quelle tâche est demandée. Dans d’autres, le modèle doit aussi apprendre à reconnaître le contexte.

Apprendre des représentations plus stables

Une piste complémentaire consiste à agir plus en amont : il ne s’agit pas seulement de protéger le modèle ou de lui ajouter des modules, mais de lui apprendre des représentations internes plus stables.

Une représentation interne, ou embedding, est la description numérique qu’une couche intermédiaire fabrique à partir d’une donnée. Une image, un texte ou un signal de capteur est transformé en un vecteur de nombres qui résume certaines caractéristiques utiles : formes, textures, mots, régularités, anomalies. Si deux données se ressemblent, on aimerait que leurs représentations soient proches ; si elles correspondent à des classes différentes, on aimerait qu’elles soient bien séparées.

L’objectif est alors d’organiser cet espace de représentation de façon à ce qu’il change le moins possible lorsque de nouvelles tâches arrivent. On peut conserver quelques prototypes — des représentants typiques d’une classe — qui servent d’ancrages. On peut aussi utiliser des méthodes contrastives, qui rapprochent les exemples semblables et éloignent les exemples différents dans l’espace des représentations. Ces méthodes sont utiles parce qu’elles tendent à extraire des caractéristiques plus générales, donc moins dépendantes d’un contexte particulier.

On peut également pratiquer un replay en espace latent : au lieu de stocker les données brutes, on mémorise les activations produites par une couche intermédiaire du réseau. Cette stratégie peut réduire fortement le coût en mémoire et en calcul. Elle ne résout toutefois pas automatiquement toutes les questions de confidentialité : une représentation interne peut encore contenir des informations sensibles !

Combiner plusieurs mécanismes pour éviter les oublis catastrophiques

Dans les systèmes les plus efficaces, ces idées ne sont pas utilisées isolément. On combine fréquemment plusieurs mécanismes : un petit tampon de replay avec une régularisation des poids, du replay avec de la distillation, ou encore des représentations stables avec une architecture modulaire.

Le choix dépend des contraintes concrètes : budget mémoire, exigences de confidentialité, coût de calcul, vitesse d’adaptation attendue, criticité de l’application. Dans les domaines sensibles, comme la santé, l’apprentissage continu ne doit pas signifier qu’un modèle se modifie sans contrôle. Il doit s’accompagner d’une surveillance de la dérive des données, d’évaluations régulières, de garde-fous et d’une possibilité de revenir à une version antérieure du modèle.

L’apprentissage continu ne promet donc pas une IA qui apprendrait indéfiniment sans risque. Il propose plutôt une manière plus réaliste de maintenir des modèles utiles dans un monde qui change : apprendre du présent, sans effacer trop vite le passé.

Eric Moulines ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’a déclaré aucune autre affiliation que son organisme de recherche.

– ref. L’oubli catastrophique, ou pourquoi les IA ne savent pas encore apprendre en continu – https://theconversation.com/loubli-catastrophique-ou-pourquoi-les-ia-ne-savent-pas-encore-apprendre-en-continu-276710

May 27, 2026

Centres de données : pourquoi leur refroidissement consomme autant d’eau (et pourquoi cela pose problème)

Source: The Conversation – in French – By Thomas Le Goff, Maître de conférences en droit et régulation du numérique, Télécom Paris – Institut Mines-Télécom

La course à l’IA engagée à l’échelle internationale ne doit pas se traduire par un détricotage des règles préservant nos ressources naturelles.

Qui n’a pas déjà expérimenté la désagréable sensation de surchauffe de son téléphone portable ou de son ordinateur lors d’une utilisation prolongée ou lorsque vous avez ouvert trop d’onglets sur votre navigateur ?

Imaginez maintenant la chaleur dégagée par 100 000 puces de calcul de dernière génération, entassées les unes sur les autres et tournant à plein régime, et ce, dans un complexe de plus de 26 kilomètres carrés soit environ 4 stades de football. Placez ce grille-pain géant dans une région où la température est de 35 degrés en moyenne et peut atteindre les 50 °C l’été, et vous voilà devant le projet « Stargate UAE » visant à construire jusqu’à 5 gigawatts de puissance de calcul installée dans un immense centre de données à Abu Dhabi.

Ces projets de centres de données dits « hyperscale » visant à alimenter l’essor de l’intelligence artificielle (IA) se multiplient dans le monde, que ce soit aux États-Unis avec le projet Prometheus de Meta prévoyant la construction d’un centre de données de la taille de Manhattan, et même en France avec le « Campus IA ».

Au-delà de leur importante consommation énergétique, ces mastodontes soulèvent d’autres problèmes. Pour fonctionner correctement, ils ne peuvent pas atteindre des températures trop élevées, et contiennent donc des systèmes de refroidissement qui permettent aux composants électroniques de fonctionner à plein régime tout en évitant qu’ils ne se détériorent sous la chaleur qu’ils dégagent.

Comment ces centres de données sont-ils refroidis ? Quel est l’impact de leur refroidissement sur l’environnement, et comment les rendre plus sobres ?

Centres de données, refroidissement et consommation en eau

Il existe plusieurs techniques pour refroidir un centre de données. Pour le résumer simplement, les systèmes de refroidissement reposaient auparavant exclusivement sur des systèmes de ventilation (comme dans votre ordinateur) ou de climatisation (comme dans votre voiture) qui utilisent la circulation de l’air comme source de fraîcheur et rejettent l’air chaud à l’extérieur.

Une deuxième solution de refroidissement utilise l’eau, beaucoup plus efficace que l’air pour transférer la chaleur. Celle-ci permet de rafraîchir des plaques placées proches des composants électroniques, et/ou de rafraîchir l’air ventilé dans l’entrepôt de données.

Dans le premier cas (la climatisation), l’opérateur a besoin de beaucoup d’énergie pour faire tourner les pompes et systèmes de ventilation. Dans le deuxième (le refroidissement liquide), l’entreprise a besoin de moins d’énergie mais nécessitera l’accès à une source d’eau douce (l’eau salée endommagerait les tuyaux et composants) afin d’alimenter son système en eau fraîche.

Les opérateurs de centres de données sont donc face à un arbitrage complexe : doivent-ils utiliser des systèmes de climatisation énergivores ou bien du refroidissement liquide qui, cette fois, nécessite la consommation d’importantes ressources en eau ?

En effet, la consommation en eau des data centers est estimée à 560 milliards de litres chaque année dans le monde, soit l’équivalent de la consommation annuelle en eau potable de 10 millions de Français.

Cette soif insatiable se retrouve également dans les chiffres publiés par les Gafam. Ainsi, Google a vu sa consommation nette d’eau augmenter de 28 % entre 2023 et 2024, atteignant 30 milliards de litres dont environ un tiers provient de régions en stress hydrique. Microsoft, pour sa part, estime que 46 % de ses prélèvements d’eau ont lieu dans de telles zones en 2024.

Toutefois, il faut avoir à l’esprit que les besoins en eau des data centers ne sont pas uniquement liés aux systèmes de refroidissement. Pour obtenir une vision globale de l’impact du développement de ces infrastructures sur les ressources en eau, il convient de prendre également en compte l’eau utilisée par les centrales électriques qui les alimentent, ainsi que l’eau consommée lors du processus de fabrication des composants électroniques. Des chercheurs estiment ainsi que les mégacentres de données construits spécifiquement pour les besoins de calcul de l’IA utilisent, en moyenne, jusqu’à 20 millions de litres d’eau par jour, soit autant qu’une ville de 10 000 à 50 000 habitants.

Peut-on rendre les centres de données moins gourmands en eau ?

Il existe des solutions innovantes pour limiter cette consommation et rendre les systèmes de refroidissement plus efficients. Des entreprises, comme OVH Cloud, Nvidia ou Nebius, développent et déploient de nouvelles architectures de systèmes de refroidissement liquide au plus proche des puces de calcul. Ces nouvelles techniques permettent de réduire, selon les chiffres annoncés, jusqu’à 50 % de la consommation en eau. Toutefois, elles restent encore onéreuses à mettre en œuvre et assez peu développées sur le parc existant.

De manière plus générale, la principale source de perte en eau lors du fonctionnement des centres de données vient du fait qu’ils reposent aujourd’hui pour la plupart sur des circuits ouverts, conduisant à l’évaporation d’une grande partie de l’eau utilisée. C’est pourquoi les nouveaux centres de données devraient idéalement reposer, autant que possible, sur des systèmes de refroidissement en circuit fermé, évitant ce phénomène d’évaporation. Néanmoins, ce type de refroidissement peut s’avérer plus cher, conduit souvent à une hausse du besoin en électricité, et n’est pas évident à mettre en œuvre dans tous les centres de données « historiques » qui n’ont pas été conçus pour le mettre en œuvre.

Des propositions plus farfelues sont aussi avancées, telles que l’envoi de data centers dans l’espace ou bien en immersion dans les océans. Néanmoins, l’apport réel de ces propositions reste encore largement débattu, que ce soit pour des questions de faisabilité technique (bon courage pour réaliser la maintenance de votre centre de données sous-marin !) ou de bénéfices en termes d’émission de CO₂ par rapport à un centre construit sur terre – le cabinet de conseil en décarbonation, Carbone 4, fondé par Alain Grandjean et Jean-Marc Jancovici a, à cet égard, montré que les data centers spatiaux risquaient d’avoir un impact carbone plus important que sur terre en raison des émissions liées au lancement.

Pour un développement raisonné des centres de données, conscient du caractère fini des ressources naturelles

Au-delà de la faisabilité technique, ces discours risquent de nous détourner du vrai problème : le développement massif de centres de données hyperscale très gourmands en eau, dont une bonne partie dans des territoires où cette ressource se fait rare et conduit à des conflits d’usage.

Ce développement ne se fait pas dans un vide juridique. Les règles du droit de l’environnement, de l’aménagement du territoire et de l’urbanisme prévoient un certain nombre de régimes d’autorisation et d’évaluation environnementale en amont de la construction de ces projets, notamment en France avec le régime des installations classées pour la protection de l’environnement (ICPE).

Néanmoins, la course à l’IA engagée à l’échelle internationale conduit les pays à rivaliser d’ingéniosité pour attirer les investisseurs quitte, parfois, à assouplir les contraintes réglementaires comme c’est le cas actuellement en France avec la loi dite de simplification de la vie économique récemment adoptée. Il est urgent de prêter attention à l’ode à la « simplification », qui provient des discours politiques au sein de l’Union européenne et transcrite dans la politique menée par la Commission européenne, mais qui ne doivent pas se traduire par un détricotage des règles préservant nos ressources naturelles.

Plus généralement, ces débats soulèvent la question de l’usage : alors que certaines économistes parlent de « bulle de l’IA », qui peut réellement prédire quels seront les véritables usages futurs de ces infrastructures ?

Dans les années 1960, il fallait un bâtiment entier pour faire tenir un ordinateur, ils tiennent aujourd’hui dans notre smartphone. Si les IA de demain tiennent aussi sur nos terminaux, doit-on réellement sacrifier nos ressources naturelles pour créer ces mastodontes ?

Thomas Le Goff est Research Fellow au sein du think thank Centre on Regulation in Europe (CERRE).

– ref. Centres de données : pourquoi leur refroidissement consomme autant d’eau (et pourquoi cela pose problème) – https://theconversation.com/centres-de-donnees-pourquoi-leur-refroidissement-consomme-autant-deau-et-pourquoi-cela-pose-probleme-283514

May 27, 2026

Tests de féminité aux JO : un seul gène peut-il déterminer le sexe d’une personne ?

Source: The Conversation – in French – By Jean-François Bodart, Professeur des Universités, en Biologie Cellulaire et Biologie du Développement, Université de Lille

Pour les Jeux olympiques 2028, le Comité international olympique souhaite réserver la catégorie féminine aux athlètes « de sexe biologique féminin » ne portant pas le gène SRY, présenté comme le déclencheur génétique du développement testiculaire. SRY est certes un acteur clé de la différenciation sexuelle chez les mammifères et a longtemps été enseigné comme le « gène du sexe ». Mais la recherche en biologie du développement montre, aujourd’hui, que le sexe ne se résume ni à ce gène, ni même aux seuls chromosomes XX et XY. En effet, chromosomes non sexuels (autosomes), hormones, récepteurs et environnement s’entrecroisent pour produire une grande diversité de situations.

Depuis 2026, l’admissibilité à toute épreuve féminine des Jeux olympiques est, selon les nouvelles règles annoncées par le Comité international olympique (CIO) pour les JO 2028, réservée aux « personnes de sexe biologique féminin », non porteuses du gène SRY. Ce dernier est pris par le CIO comme critère d’exclusion, y compris pour des athlètes qui s’identifient comme femmes et répondent par ailleurs aux critères hormonaux (seuil de testostérone). Ce critère de port du gène SRY est critiqué par de nombreux spécialistes, perçu comme un indicateur de performance anachronique, reposant sur des bases scientifiques limitées et exposant les athlètes à des effets stigmatisants.

Historiquement, les règlements sportifs se sont d’abord appuyés sur des seuils de testostérone pour définir l’éligibilité à la catégorie féminine, en supposant qu’un taux plus élevé se traduisait mécaniquement par un avantage de performance.

Dans ce schéma, le rôle du SRY est implicite : ce gène influence les gonades, c’est-à-dire les organes responsables de la production des cellules sexuelles et de la sécrétion des hormones sexuelles, jouant de fait un rôle essentiel dans le développement sexuel. SRY oriente les gonades vers la différenciation en testicule, et favorise la production d’androgènes, hormones sexuelles stéroïdiennes (comme la testostérone) qui stimulent le développement et le maintien des caractères sexuels masculins. Ces hormones contribuent notamment à la masse musculaire, à la taille ou au pourcentage du volume sanguin occupé par les globules rouges (hématocrite), autant de facteurs susceptibles d’influencer certains résultats sportifs.

Mais même sur ce point, les données sont discutées : quelques études observent en moyenne un léger avantage pour les sportives avec les taux de testostérone les plus élevés, tandis que d’autres ne retrouvent pas de corrélation simple entre testostérone détectée dans le sang et performance, y compris chez les athlètes intersexes (athlètes nés avec des caractéristiques sexuelles, chromosomes, hormones, organes génitaux, qui ne correspondent pas exactement aux définitions « typiques » du masculin ou du féminin). La biologie du développement et la génétique montrent en effet une réalité beaucoup plus complexe et nuancée, qui déborde largement du cadre des seuls chromosomes sexuels. Le gène SRY ne contrôle pas à lui seul la différenciation des gonades en testicules.

XX, XY et SRY, « gène du sexe »

De manière classique, la détermination du sexe chez les mammifères est souvent présentée comme un mécanisme binaire : les individus XX deviendraient des femmes, les individus XY des hommes, grâce à l’action d’un « gène du sexe », SRY, localisé sur le chromosome Y. On parle de chromosomes sexuels pour désigner cette paire particulière (XX ou XY) qui, contrairement aux autosomes ou chromosomes non sexuels, diffère généralement entre femelles et mâles et porte une partie des gènes impliqués dans la détermination du sexe, comme SRY sur le Y.

Au cours du développement, les gonades du fœtus sont d’abord indifférenciées. Sous l’effet de SRY, elles s’orientent habituellement vers un développement testiculaire, tandis qu’en l’absence de SRY fonctionnel elles évoluent plutôt vers un développement ovarien.

Au début des années 1990, plusieurs équipes ont montré que le gène SRY, situé sur le chromosome Y pouvait être : impliqué dans la mise en place des testicules, présent chez des personnes XX avec un corps « masculin », altéré chez certaines personnes XY au corps « féminin », ce qui le rend nécessaire au développement testiculaire. Des expériences chez la souris ont ensuite prouvé qu’exprimer le gène SRY dans un embryon XX suffit pour qu’il développe des testicules. Ces résultats ont bouleversé les modèles précédents en instaurant l’idée qu’un seul gène peut déclencher toute la cascade de différenciation sexuelle vers le masculin. Cette vision reste cependant très simplificatrice.

Par exemple, l’étude des « variations du développement sexuel » (VDS, ou Disorders/Differences of Sex Development en anglais, DSD) remet en question la stricte équivalence XX = femme et XY = homme. Les variations du développement sexuel sont rares : en France et dans les pays aux profils similaires, les estimations cliniques situent leur fréquence autour d’une naissance sur 2 500 – 4 500, soit de l’ordre de 0,02 – 0,04 % des naissances, selon les définitions retenues. Ces troubles/variations du développement sexuel incluent, par exemple, des individus XY qui présentent des gonades mal développées, souvent réduites à des bandelettes fibreuses non fonctionnelles et un phénotype féminin, ou, inversement, des individus XX présentant des caractères typiquement masculins. Ces variations du développement sexuel, régulièrement rencontrées en clinique pédiatrique et endocrinologique, soulignent que ce que l’on appelle « sexe biologique » recouvre en réalité plusieurs dimensions (chromosomique, gonadique, phénotypique, hormonale) qui ne sont pas toujours alignées.

Un réseau de gènes pour déterminer le sexe

L’analyse moléculaire de la différenciation en testicule ou en ovaire chez les mammifères montre que cette différenciation ne résulte pas de l’action isolée de SRY. Plusieurs gènes s’activent ou se répriment de manière coordonnée dans le temps et dans l’espace. SRY constitue un signal d’initiation majeur dans la gonade XY, mais la mise en place puis la conversion durable de la gonade indifférenciée en testicule fonctionnel avec production d’hormones (androgènes) reposent ensuite sur des facteurs situés sur les chromosomes non sexuels (autosomes). On peut citer parmi eux les gènes SOX9 ou CBX2. Les gènes comme RSPO1 et WNT4 sont, quant à eux, impliqués dans le maintien d’un destin ovarien.

Les phénotypes observés lors de mutations de ces gènes illustrent leur rôle déterminant. Chez l’humain, des anomalies d’expression du gène SOX9 (par exemple des délétions régulatrices en amont du gène) chez des sujets XY peuvent entraîner un développement incomplet ou anormal des gonades et un phénotype féminin malgré un gène SRY fonctionnel.

À l’inverse, des mutations de RSPO1 ou de WNT4 peuvent, chez des individus XX humains, favoriser la formation de tissu testiculaire et une virilisation marquée des organes génitaux externes, en l’absence de chromosome Y.

Il existe donc des femmes XY et des hommes XX, parce que des gènes autosomiques ont fait basculer la cascade du développement sexuel dans un sens ou dans l’autre.

Autrement dit, SRY déclenche une trajectoire, mais ne la détermine pas à lui seul.

Au‑delà du génome : hormones, récepteurs et environnement

Les caractères sexuels secondaires (musculature, pilosité, voix, répartition des graisses, cycles menstruels, etc.) dépendent fortement des hormones sexuelles et de la sensibilité des tissus à ces hormones via leurs récepteurs. Ces hormones, comme les œstrogènes et les androgènes, agissent sur des milliers de gènes répartis sur l’ensemble du génome, et non pas seulement sur les chromosomes sexuels, avec des réponses qui varient selon les organes, l’âge, la nutrition, l’activité physique ou l’exposition à des perturbateurs endocriniens.

Des études récentes d’expression des gènes à l’échelle du génome montrent d’ailleurs de nombreuses différences d’expression génique entre femmes et hommes, qui concernent surtout des gènes sur les chromosomes non sexuels, dont l’activité est modulée par le contexte hormonal et le type de tissu. Même si le caryotype (composition en chromosomes, par exemple XX ou XY) joue un rôle important, la biologie du sexe chez les mammifères résulte ainsi d’interactions continues entre gènes, hormones et environnement au cours du développement et de la vie entière.

Un gène à lui seul ne suffit pas à « dire » le sexe

Les débats récents sur le sport de haut niveau reposent ainsi sur des dispositifs qui supposent que le sexe se laisse réduire à un simple marqueur génétique binaire. Or, la biologie contemporaine du développement décrit une réalité beaucoup plus riche : détermination chromosomique, différenciation gonadique, phénotype des organes génitaux (ensemble des caractères observables), profil hormonal et, au-delà, action de nombreux gènes autosomiques capables d’orienter ou d’inverser la trajectoire sexuelle.

Se pose une question plus large : que se passe-t-il lorsqu’on transforme un « fragment » de génome en critère de classement social ou sportif, alors qu’il ne reflète qu’une partie de la réalité biologique ? Comprendre cette complexité rappelle que le génome n’est pas un arbitre neutre, et que faire de la génétique un outil de tri mérite bien plus de prudence qu’un simple résultat de test ne le suggère.

Jean-François Bodart ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d’une organisation qui pourrait tirer profit de cet article, et n’a déclaré aucune autre affiliation que son organisme de recherche.

– ref. Tests de féminité aux JO : un seul gène peut-il déterminer le sexe d’une personne ? – https://theconversation.com/tests-de-feminite-aux-jo-un-seul-gene-peut-il-determiner-le-sexe-dune-personne-282432

May 26, 2026

Paola Ricaurte, experta en IA: “América Latina está pagando los costos del desarrollo de la IA con sus datos y sus tierras”

Source: The Conversation – (in Spanish) – By Andrea J. Arratibel, Editor, The Conversation

A principios de este año se celebró la 56ª reunión del Foro Económico Mundial, más conocido como Davos, un encuentro en que la soberanía digital y el futuro de la IA tomaron el protagonismo. Precisamente los campos del conocimiento en los que la mexicana ecuatoriana Paola Ricaurte, doctora en Ciencias del Lenguaje, ha dedicado su trayectoria desde un análisis feminista y anticolonialista.

Profesora del Departamento de Medios y Cultura Digital en la Escuela de Humanidades y Educación del Tecnológico de Monterrey, e investigadora asociada del Berkman Klein Center for Internet & Society de la Universidad de Harvard, Ricaurte estudia el impacto de la industria tecnológica en la geopolítica y la sociedad.

Además de coordinar la Red de Investigación Feminista de IA (FAIR), cuyo fin es crear y mantener una agenda de investigación con acción feminista creada por y para mujeres, es autora del Manifiesto de la Inteligencia Artificial Descolonial. Y cofundadora de Tierra Común, una iniciativa académica para la descolonización de los datos.

Forma parte del grupo de expertos en ética de IA sin fronteras de la UNESCO y en el 2025 fue nombrada una de las 100 personas más influyentes del mundo en IA. Sus análisis y cuestionamientos en torno al impacto social de los sistemas tecnológicos hegemónicos la ha posicionado como una de las voces latinoamericanas de la actualidad más destacadas en la materia

Las conversaciones del último Foro Económico Mundial evidenciaron que el debate ya no gira en qué impacto pueden tener las nuevas tecnologías en el mundo sino en cómo lo están configurando.

En la actualidad hay una guerra geopolítica que también atraviesa la dimensión tecnológica, en particular relacionada con la IA. Occidente está en este momento muy fracturado, en una posición de crisis, también en los intentos por controlar la cadena de valor de la IA. Las políticas estadounidenses de los últimos años van encaminadas a lograr ese control e impulsar medidas para fomentar la industria propia, para imponer su infraestructura tecnológica en el resto del mundo. En cuanto a Europa, está viendo amenaza su soberanía frente a Estados Unidos y quiere responder de alguna forma.

¿Y qué papel juegan el resto de regiones en la geopolítica de la IA?

Una vez que una infraestructura tecnológica se impone en un territorio, es posible ejercer presión, tanto física como simbólica. Las regiones que somos fundamentales en la cadena de valor de la IA pero que no la controlamos, como le ocurre a América Latina, tenemos muchos desafíos por delante. En particular, aquellos que tienen que ver con cómo nosotros, sabiendo que estamos en una posición subordinada, podemos generar contrapesos para que dejar de ser simples proveedores de recursos naturales, de datos o de fuerza de trabajo –como hemos sido históricamente–.

¿Está América Latina generando esos contrapesos?

Al estar tan fragmentada en términos políticos, América Latina no ha sido capaz de responder con una visión y una estrategia regionales sobre la IA que permitan generar contrapesos en términos comerciales y negociar mejores condiciones para nuestra inserción en ese mercado.

En lugar de eso, lo que han hecho muchos gobiernos ha sido responder de manera pasiva. O aún peor, muchos han respondido proactivamente en favor de la visión que favorece a las compañías estadounidenses. Esto ha permitido una regulación –o una falta de regulación– que permite a las compañías desplegarse e instalarse, con los máximos beneficios, sin necesidad de retribuir a los territorios donde se están instalando.

¿Qué pasa entonces si algo falla en la cadena de valor de la IA? Si la seguridad o la capacidad operativa de un gobierno está a expensas de una empresa extranjera que le provee software y hardware, conectividad, no puede reaccionar ante un fallo y puede perder el acceso a información crucial para gobernar. Controlar la infraestructura no es solamente una cuestión económica: afecta a la política de un país y, en última instancia, a los procesos democráticos.

México vive en la actualidad un auge de centros de datos impulsado, sobre todo, por la IA, que está atrayendo inversiones masivas. ¿Qué impacto tiene para el país?

Si observamos las políticas de los países con centros de datos, como México o Brasil, normalmente se invita a la inversión extranjera, se les ofrece exención o reducción de impuestos y tierras. Paradójicamente, a las grandes corporaciones no se les exigen ni evaluaciones de impacto ambiental, ni transparencia, ni que contraten personas del país para contribuir a las economías locales donde se instalan los centros de datos. Eso hace que, de alguna manera, los ciudadanos estemos pagando los costos del desarrollo de la IA con nuestros datos y nuestras tierras, con un impacto en el ambiente y en las comunidades que no deberíamos ignorar.

¿Y cuál sería la alternativa?

Podemos encontrar algunas iniciativas que están encaminadas a promover más la soberanía, como cuando Brasil bloqueó a la empresa X, de Elon Musk. Pero son iniciativas aisladas. La cuestión es promover iniciativas más articuladas, desarrollar una política regional que permita mantener una postura en bloque en favor de América Latina, en lugar de beneficiar a Estados Unidos y sus empresas. Se necesita una regulación que exija transparencia y rendición de cuentas a las empresas. Y, por supuesto, que exija también una regulación estricta y una retribución en términos económicos a los territorios. No basta con la inversión que prometen, porque es un dinero que no se queda.

¿Cómo afecta el control de la infraestructura tecnológica global en las políticas sociales de cada país?

Mientras nosotros no tengamos capacidad de gobernanza sobre nuestra infraestructura es imposible tenerla en términos políticos y sociales. La sociedad funciona y opera a través de sistemas tecnológicos, de infraestructuras tecnológicas. Si esas tecnologías no se regulan, entonces las ciudadanas estamos a merced de lo que las corporaciones quieran. Es obligación de los gobiernos ser garantes de los derechos humanos. Y desde la sociedad civil se debe exigir que los gobiernos cumplan con esa función.

Hasta ahora estamos viendo todo lo contrario, que las nuevas tecnologías refuerzan la brecha de desigualdad sistémica

Así es. Es importante que entendamos que las tecnologías no son solo dispositivos o materiales tangibles (cables, computadoras, centros de datos, software, antenas…): hay también una parte simbólica. Nuestras concepciones de lo que nosotros pensamos o deseamos de la tecnología en general, y de la inteligencia artificial en particular, conforman narrativas acerca del mundo que queremos.

La tecnología hegemónica que gobierna hoy lleva incrustada una visión del mundo que no favorece a la mayoría y no la va a favorecer mientras no cambien las lógicas, condiciones y narrativas sobre las que se construye.

¿Por qué no favorece a la mayoría?

Es una tecnología que obedece a intereses orientados a exterminar cualquier tipo de posibilidad de que existan personas y maneras de pensar diversas. Pretende controlar los territorios en términos físicos, pero también los procesos políticos.

Podemos hablar de tecnologías coloniales porque reproducen todos los patrones de la dominación colonial, desde lo material hasta lo simbólico, desde el control de los minerales hasta el control del pensamiento. Y también son imperialistas, porque buscan esa acumulación de poder en un centro; son racistas porque el ideal del ser humano es el blanco; y son patriarcales porque ese ser humano es un hombre. Todas las personas que quedamos fuera de esa concepción estamos sufriendo los efectos de los daños, de las violencias.

Al fin y al cabo, todas las violencias, formas de exclusión y de discriminación van dirigidas hacia las personas que son diferentes a lo hegemónico. Y ese es el modelo del mundo que se está impulsando mediado por esta tecnología y que se quiere imponer para todos.

¿Qué impacto directo supone esa tecnología en las poblaciones?

La tecnología de la IA es un arma con una doble cara, al mismo tiempo un poder duro y uno blando. Vemos en tiempo real cómo se está utilizando la tecnología para matar personas y ejercer violencia de manera masiva. Y a la vez, observamos cómo esta tecnología está embebida en todos los procesos productivos y sociales cotidianos.

Si se instaura un sistema donde tenemos, por una parte, la posibilidad de matar, es decir, el control de la violencia física, y por otra parte, tenemos el control de la violencia simbólica, se entiende por qué es tan importante para las grandes potencias ganar la batalla de la IA. Más allá de lo que implica en términos económicos, sino por lo que implica en términos del control social y del control físico de los territorios.

¿Hacia qué modelos deberíamos transitar para que las nuevas tecnologías favorezcan a una mayoría?

Debemos transitar hacia tecnologías que encarnen la posibilidad de vivir sobre el planeta, porque las que tenemos están hechas para destruirlo. Debemos pensar en un mundo donde haya posibilidad de existencia futura para todas, pero también en unas tecnologías que habiliten las condiciones para que eso sea posible y no lo contrario

Hace unos años creaste una plataforma contra el colonialismo de los datos. ¿Qué tipo de iniciativas se fomentan?

Desde Tierra Común promovemos el desarrollo de inteligencia artificial feminista y anticolonial. Las propuestas que recibimos tienen todas un enraizamiento comunitario, están orientadas a plantar cara a una violencia sistémica desde una comunidad local.

Para nosotras es importante que exista la posibilidad de que las comunidades puedan desarrollar sus propias tecnologías. Y este proyecto trata de crear las condiciones para hacerlo posible. Hacer posible que todas las personas, independientemente del lugar que ocupan en la sociedad, puedan tener la posibilidad de desarrollar las tecnologías que quieren y que necesitan. Y no que venga alguien más a desarrollar algo que no necesitan o que no está diseñado para ellas y que tiene el fin de convertirlas en consumidoras de algo que beneficia a otros. Es una cuestión de soberanía.

– ref. Paola Ricaurte, experta en IA: “América Latina está pagando los costos del desarrollo de la IA con sus datos y sus tierras” – https://theconversation.com/paola-ricaurte-experta-en-ia-america-latina-esta-pagando-los-costos-del-desarrollo-de-la-ia-con-sus-datos-y-sus-tierras-275414

May 26, 2026

La odontología forense es una herramienta clave para identificar víctimas de catástrofes

Source: The Conversation – (in Spanish) – By Ana Hospital Ribas, Profesora de Odontologia Legal y Forense. Directora Diploma Odontologia Legal y Forense, Universitat Internacional de Catalunya

Cuando se retiraron las aguas tras el tsunami del océano Índico, ocurrido el 26 de diciembre de 2004, alrededor del 80 % de las decenas de miles de víctimas, sobre todo extranjeras, pudieron ser identificadas gracias a sus datos dentales, ya fuera por métodos exclusivamente odontológicos o en combinación con otros. Sin remontarse tan atrás en el tiempo, este método forense también fue básico para poner nombres y apellidos a las personas que perdieron la vida a consecuencia de la dana de Valencia.

Y es que la identificación odontológica es un procedimiento fundamental en contextos –desastres masivos o casos judiciales en los que los cuerpos están gravemente dañados o descompuestos– donde otras herramientas como el estudio de la huella digital y las partes blandas del cadáver resultan limitados o inviables.

No hay dos dentaduras iguales

La cavidad bucal es “la caja negra del organismo”, tal y como definió el profesor y gran experto español José Manuel Reverte Coma. Presenta características únicas en cada individuo, como la propia forma dental, tratamientos protésicos, ausencias dentarias y alteraciones patológicas. No existen dos dentaduras iguales.

Además, los dientes son estructuras extremadamente resistentes a condiciones adversas –como el calor, la putrefacción o la presión física–, ya que están formados por esmalte, uno de los tejidos más duros del organismo.

Aunque no son los únicos elementos dentro de la cavidad bucal con validez identificativa: también los labios o las arrugas del paladar tienen características individualizadoras. Otra ventaja es que podemos obtener ADN a partir de estructuras dentales en casos donde los registros odontológicos comparativos por sí solos no resultan concluyentes.

Un verdadero DNI dental

Existen dos tipos de identificaciones odontológicas: la reconstructiva y la comparativa. La primera consiste en obtener datos antropométricos de restos esqueléticos como los maxilares y dientes para determinar especie, grupo poblacional, edad, talla…. Por su parte, la identificación comparativa coteja los datos dentales de personas desaparecidas (antemortem) con registros dentales de las víctimas (postmortem). En el caso de desastres de masas como accidentes aéreos, terremotos, incendios, ataques terroristas o siniestros ferroviarios como el de Adamuz se utiliza esta última.

El éxito de una identificación depende de la disponibilidad de buenos registros dentales antemortem (historia clínica, odontogramas, radiografías, fotografías intraorales, modelos dentales…) para poder comparar con los datos postmortem. Sin estos registros, la comparación puede ser imposible o menos fiable, por muy bien que trabajen los equipos DVI (siglas de Disaster Victim Identification).

Por todo ello, una buena práctica odontológica y el mantenimiento de historiales dentales detallados por parte de los odontólogos incrementan enormemente las posibilidades de identificación en situaciones de desastre. De ahí la importancia concienciar a estos profesionales para que obtengan registros dentarios de forma detallada y meticulosa. Hoy en día, tener una ortopantomografía (radiografía panorámica de la dentición) equivale a poseer un documento de identidad, un DNI.

Una disciplina en pleno desarrollo

En los últimos tiempos, los avances tecnológicos han impulsado avances significativos en la odontología forense: la radiografía digital, la tomografía, el escaneo intraoral 3D y los sistemas de gestión electrónica de registros han mejorado la precisión y eficiencia en la comparación de datos antemortem y postmortem. Además, el uso de software especializado para comparar datos dentales, como el sistema PlassData que se utilizó en el tsunami de 2004, mejoró considerablemente la eficiencia del proceso.

De todos modos, también hay que señalar la odontología no siempre se revela como el método más eficaz en los desastres masivos. Por ejemplo, la mayor parte de las víctimas de los atentados terroristas del 11 de marzo de 2004 en Madrid fueron identificadas por dactiloscopia, ya que el análisis de los dientes cobra más protagonismo en aquellos casos en que no es posible comparar huellas dactilares por el mal estado de las manos de las víctimas o por no tener registro de datos antemortem. Y en el caso del vuelo 9525 de Germanwings, que causó 150 muertes en los Alpes franceses en 2015, se utilizaron todos los métodos primarios –odontología, dactiloscopia y ADN–, pero la mayoría de víctimas se identificaron mediante el análisis genético.

En definitiva, la identificación odontológica en catástrofes es una herramienta científica, válida y fiable que ha permitido poner nombre y apellidos a miles de víctimas en desastres de masas o en casos criminales, aunque es importante conocer las limitaciones de cada método. El éxito está en la combinación de todos ellos.

Ana Hospital Ribas no recibe salario, ni ejerce labores de consultoría, ni posee acciones, ni recibe financiación de ninguna compañía u organización que pueda obtener beneficio de este artículo, y ha declarado carecer de vínculos relevantes más allá del cargo académico citado.

– ref. La odontología forense es una herramienta clave para identificar víctimas de catástrofes – https://theconversation.com/la-odontologia-forense-es-una-herramienta-clave-para-identificar-victimas-de-catastrofes-275635

May 26, 2026

Por qué todos los docentes deberían entender cómo funciona el cerebro

Source: The Conversation – (in Spanish) – By Katya Martin Requejo, Profesora e investigadora en neuroeducación, Mondragon Unibertsitatea

Imaginemos a Lucas, un alumno de cinco años que no logra quedarse sentado durante la asamblea. El docente A, sin formación en cómo funciona el cerebro, agota su paciencia. Piensa que el niño desafía las normas o que le faltan límites familiares. El docente B, que tiene conocimientos de neuroeducación, respira tranquilo. Sabe que el cuerpo de Lucas necesita moverse para mantener la atención. En lugar de obligarlo a estar quieto, le ofrece un cojín de movimiento para balancearse. O le pide que sea su ayudante para repartir el material.

La diferencia entre ambos profesores no es solo la buena voluntad, sino el conocimiento.

Entender el desarrollo del cerebro cambia la mirada del profesor; permite comprender qué hay detrás de la conducta y el aprendizaje. La neuroeducación nos da información valiosa para todas las edades: ayuda en la infancia con los periodos sensibles o en los cambios emocionales de la adolescencia. Además, nos enseña a ver la diferencia entre lo que es una variabilidad natural y un desafío en el desarrollo.

Impulsar el desarrollo antes de los 6 años

Entre los 0 y 6 años se asientan las bases del aprendizaje futuro. En esta etapa, el cerebro infantil se construye a una velocidad asombrosa.

Los conocimientos sobre el cerebro permiten al docente identificar y estimular los pilares del aprendizaje a tiempo (agilidad con los sonidos, control del cuerpo o de la vista…). Por ejemplo, el maestro sabe que los juegos de lenguaje o el conteo rápido no son simples pasatiempos: son las raíces biológicas de la futura lectura y del cálculo. Si detecta dificultades en estas áreas, actúa de inmediato.

Para ello, utiliza juegos de palabras, de movimiento y sensoriales, lo que blinda al maestro contra la prisa pedagógica. Ya no intenta acelerar procesos para los que el cerebro aún no está preparado. El docente ayuda así a madurar las bases del aprendizaje.

Leer más:
¿Podemos enseñar a los niños a “pisar el freno”? Qué es la inhibición conductual

Esta intervención planificada favorece una inclusión preventiva. Además, ayuda a preparar los cerebros para las futuras exigencias respetando su biología.

De 6 a 12: ajustar la mirada a la maduración funcional

En esta etapa, el cerebro se reorganiza para afrontar aprendizajes culturales como la lectura y las matemáticas, un proceso conocido como reciclaje neuronal.

Aquí entran en juego las funciones ejecutivas, el centro de control para planificar, organizarse y atender. Su desarrollo no sigue una línea recta ni es igual para todos. Esta madurez varía muchísimo entre los alumnos del aula.

A veces, un niño olvida siempre el material, no frena sus impulsos o no espera su turno. Estas conductas se suelen etiquetar como falta de interés o de atención, pero puede ser una simple falta de madurez. El maestro comprende que el centro de control (la corteza prefrontal) puede presentar un desfase madurativo de hasta tres años en algunos niños. Y esto puede ocurrir sin que exista ningún trastorno.

Este conocimiento transforma la gestión del aula. El docente ya no se siente desafiado, comprende que el alumno aún no tiene las herramientas biológicas para responder. Por eso, aplica ayudas visuales o recordatorios que compensan esa falta de madurez temporal.

Trabajar a favor del cerebro adolescente

La adolescencia es una etapa de limpieza y especialización cerebral. El cerebro elimina conexiones en desuso para ganar velocidad y eficiencia. Este proceso se conoce como poda sináptica.

Saber esto permite al docente aliarse con la biología del alumno. Por ejemplo, le permite comprender por qué los jóvenes tardan más en tener sueño, un cambio que altera su descanso. Su baja alerta por la mañana no es una falta de respeto: es una realidad biológica que reduce su rendimiento en las primeras horas.

Leer más:
Estudiar más horas no siempre implica aprender más: la trampa de la carga cognitiva

Por otro lado, el docente comprende el desequilibrio madurativo del adolescente. Su sistema emocional está muy activo, pero su freno racional aún sigue en obras.

En esta edad, el motor es la relevancia social. Por ello, es vital diseñar retos reales donde trabajen en equipo y tengan autonomía. Se pueden proponer proyectos basados en sus intereses y que ayuden a mejorar su propio barrio o su centro. Así, al vincular el aprendizaje con su identidad, el compromiso sustituye a la rebeldía.

De la retórica a la práctica fundamentada

El conocimiento sobre el cerebro dota al docente de un mapa para navegar la diversidad del aula. La diversidad es la norma neurobiológica, no la excepción. Entender esto permite diseñar entornos que respeten y potencien el ritmo de cada estudiante.

Leer más:
Neurocosas: por qué el prefijo ‘neuro’ no convierte cualquier idea en ciencia

Además, este saber protege al maestro contra los neuromitos, falsas creencias sin base científica que dañan la educación. La ciencia no quita humanidad a la enseñanza, sino que le da herramientas reales. Así, la inclusión se convierte en una práctica diaria que cuida el potencial de cada estudiante.

Las personas firmantes no son asalariadas, ni consultoras, ni poseen acciones, ni reciben financiación de ninguna compañía u organización que pueda obtener beneficio de este artículo, y han declarado carecer de vínculos relevantes más allá del cargo académico citado anteriormente.

– ref. Por qué todos los docentes deberían entender cómo funciona el cerebro – https://theconversation.com/por-que-todos-los-docentes-deberian-entender-como-funciona-el-cerebro-279983

May 26, 2026

Cuanto más ‘pegajosos’ son los estafilococos, mejor nos recuperamos de la infección

Source: The Conversation – (in Spanish) – By Francesc Coll, Científico titular en genómica microbiana, Instituto de Biomedicina de Valencia (IBV – CSIC)

Representación de una colonia de bacterias _Staphylococcus aureus_. Kateryna Kon/Shutterstock

La diversidad genética es una característica natural de todos los seres vivos. En humanos, nuestros genes influyen en aspectos como los rasgos físicos o la predisposición a desarrollar ciertas enfermedades. Del mismo modo, los microorganismos que causan infecciones presentan también variaciones genéticas, que pueden influir en cómo evoluciona una infección: cuánto dura, qué riesgo de complicaciones tiene, qué antibióticos son eficaces para su tratamiento o qué gravedad puede alcanzar.

Una de las características más importantes de las bacterias infecciosas es su resistencia o susceptibilidad a los antibióticos. La resistencia está codificada en los genes de la bacteria y determina a qué fármaco puede sobrevivir y frente a cuál es vulnerable. Conocer esta información es fundamental para elegir el tratamiento más eficaz y utilizar los antibióticos adecuados en cada infección.

Virulencia, clave en la infección

Sin embargo, dicha resistencia no es el único rasgo bacteriano que influye en la gravedad de una infección. La forma en que la bacteria interactúa con el sistema inmunitario y los tejidos del huésped también desempeña un papel clave.

Estos mecanismos, conocidos como factores de virulencia, son especialmente importantes en las infecciones causadas por Staphylococcus aureus, una bacteria que se encuentra en el 30 % de la población, principalmente en la piel y la nariz. Es inofensiva para la mayoría, aunque puede causar desde infecciones cutáneas leves hasta infecciones graves del torrente sanguíneo, con tasas de mortalidad del 20-40 % en casos severos.

El estafilococo utiliza proteínas de superficie llamadas adhesinas, que actúan como pequeños ganchos y le permiten adherirse a tejidos dañados, vasos sanguíneos o implantes médicos. Además, produce toxinas capaces de dañar células inmunes, como las plaquetas y los neutrófilos, dificultando la defensa frente a la infección.

Tanto la capacidad de adherirse a los tejidos como la de evadir el sistema inmunitario están determinadas por los genes de la bacteria.

El sistema inmune reacciona antes a las bacterias pegajosas

En este sentido, un estudio liderado por el Instituto de Biomedicina de Valencia (IBV), del Consejo Superior de Investigaciones Científicas (CSIC), y la Universidad de Varsovia ha identificado un nuevo factor que influye en la gravedad de las infecciones sanguíneas causadas por Staphylococcus aureus.

Tras analizar muestras de pacientes de Polonia y Francia, los investigadores observaron que la capacidad de la bacteria para adherirse a proteínas humanas es clave en la respuesta inmunitaria frente a la infección.

El equipo estudió 236 cepas obtenidas de infecciones sanguíneas y evaluó su capacidad para unirse al fibrinógeno y la fibronectina, dos proteínas esenciales para la reparación y organización de los tejidos.

Después, compararon estos datos con el genoma y la capacidad de producción de toxinas de la bacteria, y la evolución clínica de los pacientes.

Los resultados mostraron diferencias entre cepas. Aquellas con mayor capacidad de adhesión, en ausencia de alta toxicidad, provocaban una respuesta inflamatoria más rápida, señal de que el sistema inmunitario detecta antes la infección y activa sus defensas para impedir que la bacteria se multiplique sin control.

Además, los investigadores analizaron los genes del microorganismo en busca de pistas genéticas que expliquen esas diferencias. Según sus resultados, cambios en los genes que codifican las adhesinas son un factor importante que afecta la adhesión. Además, identificaron otros factores de la superficie bacteriana cuya expresión y abundancia interfiere con la eficacia de unión de las adhesinas.

Hacia un tratamiento personalizado de las infecciones

Lo que este y otros estudios precedentes han demostrado es que son múltiples los factores del paciente y de la bacteria que determinan la evolución y gravedad de las infecciones.

Analizar de forma simultánea sus propiedades adhesivas y tóxicas podría ayudar a evaluar mejor el riesgo en casos de bacteriemia por estafilococo, una infección que en España se sitúa entre 20 y 30 casos por cada 100 000 habitantes, con entre 9 000 y 14 000 nuevos casos cada año.

La valiosa ayuda de la secuenciación genética

Los avances en las tecnologías de secuenciación de ADN han permitido durante la última década leer el genoma completo de los seres vivos de forma cada vez más rápida y asequible. En el caso de las bacterias, con un genoma aproximadamente mil veces más pequeño que el humano, secuenciar su genoma tiene un coste relativamente bajo, entre 50 y 100 euros por muestra.

Este desarrollo tecnológico está transformando el estudio y tratamiento de las infecciones bacterianas. A medida que aumenta el conocimiento sobre qué genes y variantes genéticas del microorganismo causan resistencia a antibióticos y su capacidad de causar enfermedad, la secuenciación del genoma bacteriano podría identificar rápidamente estos rasgos en cada infección.

En el futuro, esta información podría incorporarse de forma rutinaria a la práctica clínica para anticipar la gravedad de una enfermedad, predecir posibles complicaciones y seleccionar desde el inicio el tratamiento antibiótico más eficaz para cada paciente.

Francesc Coll ha recibido fondos de la Agencia Estatal de Investigación (AEI) (referencias PID2023-152061NA-I00 y CNS2023-144312) financiados por el Ministerio de Ciencia e Innovación, la Agencia Estatal de Investigación (MCIN/AEI/10.13039/501100011033) y fondos «NextGenerationEU»/PRTR de la Unión Europea. Este estudio ha sido financiado por el Centro Nacional de Ciencias de Polonia a través de los proyectos de investigación SONATA (2018/31/D/NZ6/02648) y OPUS (2022/47/B/NZ6/03379), ambos condecidos a la Dra. Marta Zapotoczna, colaboradora y coautora en este estudio (DOI: 10.1038/s41467-026-72657-5).

– ref. Cuanto más ‘pegajosos’ son los estafilococos, mejor nos recuperamos de la infección – https://theconversation.com/cuanto-mas-pegajosos-son-los-estafilococos-mejor-nos-recuperamos-de-la-infeccion-283611

May 26, 2026

¿Es la edad o es la historia? El reto de entender por qué cambiamos al envejecer

Source: The Conversation – (in Spanish) – By Marta Caballero García, Profesora titular, UNIR – Universidad Internacional de La Rioja

¿Votamos distinto a los 80 años por habernos hecho mayores o por la generación en la que nacimos? Diferenciar los cambios biológicos (la edad) de los generacionales (la cohorte) y de los hitos históricos (el periodo) es fundamental en sociología. Solo así podremos evitar el edadismo y diseñar políticas públicas basadas en realidades y no en prejuicios estadísticos.

Imaginemos que observamos que las personas de 80 años usan menos las redes sociales que las de 20. La explicación parece obvia: “A los mayores no les interesa la tecnología”. Pero ¿es realmente la edad la que apaga el interés digital o es que esa generación nació en un mundo sin pantallas? Si volvemos a hacer la pregunta dentro de sesenta años, cuando los jóvenes de hoy tengan 80, ¿dejarán de usar las redes sociales?

En la sociología del envejecimiento esta pregunta aparentemente simple esconde lo que llamamos el “trilema de la investigación del ciclo vital”. Separar lo que nos pasa por cumplir años de lo que nos pasa por haber nacido en un año concreto es un reto mayúsculo. Tanto, que los investigadores Andrew Bell y Kelvin Jones lo definieron en 2014 como una búsqueda a veces fútil, pero esencial para entender nuestra sociedad.

Los tres hilos de la trenza: edad, cohorte y periodo

Con el fin de entender cómo envejecemos, los sociólogos debemos aprender a distinguir tres dimensiones que, en la realidad, aparecen trenzadas de forma casi indisoluble:

El efecto de edad (maduración). Es lo que le ocurre al individuo por el simple hecho biológico y psicológico de envejecer. Por ejemplo, la pérdida de masa ósea o el hecho de que nuestras redes de amigos se vuelvan más pequeñas pero más selectivas. Es un proceso interno.
El efecto de cohorte (generación). Se refiere a la mochila que cargamos por haber nacido en un momento determinado. Las mujeres nacidas en la España de los años 40 tienen, de media, menos estudios que las nacidas en los 80. Esto no es un efecto de la edad (no es que al envejecer se olvide lo aprendido), sino un efecto de cohorte: su generación no tuvo el mismo acceso a la universidad ni oportunidades para acceder.
El efecto de periodo (el momento histórico). Son eventos que nos golpean a todos a la vez, tengamos la edad que tengamos. La pandemia de covid-19, la crisis económica de 2008 y la invención de internet cambiaron la vida de niños y ancianos simultáneamente, aunque el impacto fuera distinto para cada uno.

La trampa de las matemáticas

El problema, como advierten Bell y Jones, es que estas tres variables están unidas por una ecuación matemática perfecta:

Edad = Año actual (Periodo) – Año de nacimiento (Cohorte)

Si conocemos dos de estos datos, el tercero queda automáticamente fijado. Esta dependencia crea un punto ciego estadístico. Durante años, muchos investigadores han intentado crear modelos matemáticos sofisticados para separar estos efectos de forma mecánica.

Sin embargo, Bell y Jones lanzan una advertencia seria: confiar ciegamente en el software puede llevarnos a conclusiones erróneas. A veces los resultados que parecen sólidos son solo artefactos matemáticos, espejismos de los datos.

La estadística, por sí sola, no puede decirnos si un octogenario no fuma porque se cuida más al ser mayor (edad), porque las leyes antitabaco han influido en todos (periodo) o porque sus compañeros de generación que fumaban ya han fallecido y solo quedan los no fumadores (un efecto de selección de la cohorte).

De la caja negra a la verosimilitud sociológica

¿Significa esto que debemos rendirnos? Al contrario. La solución que proponen los expertos no es más matemáticas, sino más sociología.

En lugar de tratar los datos como una caja negra, el investigador debe usar el contexto histórico. No basta con introducir el año en una fórmula: hay que introducir eventos reales. Si queremos estudiar el empleo en los mayores no miremos solo su edad. Miremos si esa generación vivió una reforma laboral específica o una crisis industrial en su juventud.

Debemos pasar de la precisión estadística absoluta a la verosimilitud sociológica. La pregunta clave no es solo qué dice el gráfico, sino si ese resultado tiene sentido con lo que sabemos de la historia. ¿Cómo vivió la generación del baby boom la transición democrática? ¿Cómo afectó la posguerra a la salud nutricional de quienes hoy tienen 90 años en España?

Por qué esto nos importa a todos

Entender este trilema no es solo un ejercicio académico. Tiene consecuencias reales en cómo diseñamos hospitales, sistemas de pensiones y ciudades. Si cometemos el error de pensar que un comportamiento es un efecto de edad, cuando en realidad es un efecto de cohorte, estaremos creando soluciones para un problema que desaparecerá con la siguiente generación. O ignorando las raíces históricas de la desigualdad.

Envejecer no es un proceso que ocurra en el vacío. Somos el resultado de nuestra biología, pero también de los tiempos que nos ha tocado vivir y de la generación con la que compartimos el viaje. Para entender la vejez no basta con mirar el calendario. Hay que leer los libros de historia.

Marta Caballero García no recibe salario, ni ejerce labores de consultoría, ni posee acciones, ni recibe financiación de ninguna compañía u organización que pueda obtener beneficio de este artículo, y ha declarado carecer de vínculos relevantes más allá del cargo académico citado.

– ref. ¿Es la edad o es la historia? El reto de entender por qué cambiamos al envejecer – https://theconversation.com/es-la-edad-o-es-la-historia-el-reto-de-entender-por-que-cambiamos-al-envejecer-280406

May 26, 2026

¿Cómo puede asesorar la ciencia en mitad de una crisis?

Source: The Conversation – (in Spanish) – By Eduardo Oliver, Científico Titular, Centro de Investigaciones Biológicas Margarita Salas (CIB – CSIC)

Cuando estalla una crisis –una pandemia, un incendio forestal, un conflicto geopolítico, una erupción volcánica– la sociedad mira hacia la ciencia en busca de certezas. Pero la ciencia, especialmente en situaciones límite, no funciona a base de certezas, sino de evidencias incompletas, hipótesis revisables y debates razonados. Y esta tensión entre la necesidad de respuestas rápidas y la naturaleza gradual del conocimiento científico es, precisamente, el primer gran obstáculo para un buen asesoramiento público.

La experiencia reciente nos ha mostrado que el reto no es solo generar conocimiento, sino hacerlo útil, hacerlo comprensible y hacerlo legítimo ante los ojos de la ciudadanía y de los decisores políticos. Pero esa capacidad no se improvisa en mitad de una emergencia. Para que la ciencia pueda orientar decisiones públicas en contextos de alta presión, deben existir previamente estructuras, procedimientos y perfiles capaces de conectar el conocimiento disponible con las necesidades reales de quienes toman decisiones.

A partir de estudios internacionales y lecciones aprendidas durante la covid-19, pueden identificarse al menos cinco grandes desafíos.

1. Incertidumbre y urgencia: cuando no hay tiempo y los datos no alcanzan

Las crisis rara vez se gestionan con información completa. Los datos cambian, se corrigen o llegan con retraso. Pese a ello, gobiernos y medios de comunicación reclaman respuestas inmediatas y conclusiones firmes. Esta presión puede llevar a comunicar la ciencia como si fuera más segura de lo que realmente es. O, por el contrario, dar la impresión de que la constante revisión de la evidencia existente es un signo de debilidad.

Pero la incertidumbre no es un error: es el punto de partida de cualquier decisión informada. Comunicarla bien –sin alarmismo, pero sin paternalismo– sigue siendo una de las asignaturas pendientes en la comunicación institucional.

Por eso, una de las funciones más importantes del asesoramiento científico no es prometer certezas, sino ordenar la incertidumbre: distinguir qué se sabe, qué no se sabe todavía, qué opciones existen y qué riesgos implica cada una o qué acciones cabe tomar por parte de gobiernos y ciudadanos.

Además, tal y como recomiendan guías internacionales de comunicación del riesgo, es conveniente comunicar consistente y frecuentemente, usando fuentes y mensajeros de confianza, y explicar claramente que la información va a cambiar rápidamente conforme avance el conocimiento de la situación y cuándo se espera que vuelva a haber información nueva.

2. Polarización y politización: cuando los datos se convierten en munición

En contextos polarizados, cualquier recomendación científica corre el riesgo de interpretarse como un posicionamiento, una toma de partido. La instrumentalización del conocimiento, es decir, usar solo los datos que confirman la posición propia, erosiona la confianza social. No importa tanto si la recomendación es sólida, sino de qué “lado político” parece venir.

Por eso, los asesores científicos se encuentran en un campo minado: deben ser independientes, pero no aislados; deben comunicarse con responsables políticos, pero sin convertirse en actores políticos.

La independencia del asesoramiento no significa distancia absoluta respecto de la política, sino reglas claras para interactuar con ella sin quedar subordinado a intereses partidistas o coyunturales.

Esto exige diferenciar bien los papeles. La ciencia informa, amplía opciones y explicita riesgos. La decisión final corresponde a quienes tienen responsabilidad democrática.

3. Sobrecarga informativa y desinformación: competir contra bulos y ruido mediático

Durante las crisis, la información que circula crece a más velocidad que la capacidad de la ciudadanía para evaluarla. En ese río revuelto, los bulos encuentran un terreno fértil: son simples, emocionales y se propagan con gran velocidad, mientras que el asesoramiento científico es más matizado y requiere contexto.

No basta con “desmentir” noticias falsas. Hace falta anticiparse, construir mensajes claros y consistentes, y cultivar una relación previa de confianza con la ciudadanía. Esa confianza no se activa “por decreto” durante una crisis. Se construye antes, mediante instituciones creíbles, transparencia, comunicación sostenida y una cultura pública que reconozca la evidencia como parte legítima del debate democrático.

4. Tensiones institucionales: expertos y decisores en diálogo imperfecto

Los gobiernos deben tomar decisiones con múltiples dimensiones –económicas, sociales, sanitarias, políticas– y la ciencia es solo una de ellas. Esto genera, inevitablemente, tensiones, discrepancias entre comités científicos, falta de coordinación, estructuras de asesoramiento poco definidas o cambios de criterio difíciles de explicar.

Un buen asesoramiento no depende solo de tener expertos brillantes, sino de diseñar instituciones preparadas para escucharlos y traducir su conocimiento a opciones políticas viables. Asesorar científicamente no es solo pedir la opinión de una persona experta: requiere capacidades específicas de síntesis, mediación y traducción entre comunidades con tiempos, lenguajes y responsabilidades distintas.

5. Dimensión ética y social: decisiones que no afectan por igual a toda la población

Toda recomendación tiene consecuencias desiguales. Medidas de confinamiento, restricciones de movilidad, asignación de recursos o protocolos sanitarios no impactan de la misma forma en todos los grupos sociales. Por eso, el asesoramiento científico no debe limitarse a estimar la eficacia técnica de una medida. También debe ayudar a anticipar sus impactos sociales, territoriales y distributivos, especialmente sobre quienes parten de situaciones de mayor vulnerabilidad.

Los asesores científicos tienen la responsabilidad de identificar estos efectos y de explicarlos con transparencia. Pero aquí surge un dilema clásico: ¿cuánta transparencia es compatible con la necesidad de confidencialidad en situaciones de riesgo?

Estructuras permanentes de asesoramiento y otras medidas

¿Cómo mejorar entonces? Sin duda, conviene preparar las estructuras permanentes de asesoramiento antes de la crisis, no durante ella. Pero también:

● Reconocer y profesionalizar la figura del asesor científico, con funciones, mandatos, y responsabilidades claras.

● Profesionalizar la comunicación científica institucional, integrando expertos en comunicación del riesgo y formatos breves, claros y adaptados a los tiempos de la decisión pública.

● Fomentar la cooperación entre científicos y responsables políticos, con roles claros y reglas de transparencia.

● Proteger la integridad científica frente a presiones políticas o mediáticas, mediante códigos de conducta y mecanismos de independencia técnica.

● Crear canales ágiles para combatir la desinformación, pero también para escuchar las preocupaciones ciudadanas.

La ciencia como infraestructura democrática

La lección es clara: las crisis no crean de la nada la capacidad de asesorar, y las crisis no van a desaparecer. Lo que sí puede mejorar es nuestra capacidad para conectar la evidencia científica con decisiones legítimas y socialmente aceptadas. El asesoramiento científico no es un lujo técnico: es una pieza central del funcionamiento de las democracias modernas.

Durante mucho tiempo, el asesoramiento científico en la toma de decisiones públicas fue fragmentario, reactivo y dependiente de contactos informales o comités ad hoc creados en plena urgencia. Hoy sabemos que esa improvisación tiene un coste elevado. Contar con organismos estables, bien organizados y estructurados en el corazón del poder legislativo y ejecutivo, no solo mejora la calidad de las decisiones, sino que aporta coherencia, continuidad y legitimidad democrática.

La diferencia entre consultar ciencia cuando estalla la crisis y tenerla integrada de forma permanente es, en muchos casos, la diferencia entre reaccionar tarde o estar preparados. En un mundo cada vez más complejo, invertir en ciencia es también invertir en resiliencia social.

Eduardo Oliver es presidente de la asociación Ciencia en el Parlamento. Esta asociación recibe fondos de la convocatoria de Proyectos I+P de FECYT para el fomento del asesoramiento científico (FCT-24-20693).

Emilia Aiello es vicepresidenta de la asociación Ciencia en el Parlamento.

– ref. ¿Cómo puede asesorar la ciencia en mitad de una crisis? – https://theconversation.com/como-puede-asesorar-la-ciencia-en-mitad-de-una-crisis-283342