Inteligencia artificial, sostenibilidad ambiental y justicia: hacia un marco jurídico integral para el desarrollo tecnológico ético

• Jiménez Vargas, Pedro Jesús ^[1]
  1. [1] Universidad Internacional de La Rioja

     Universidad Internacional de La Rioja

     Logroño, España

     
• Localización: Estudios de Deusto: revista de Derecho Público, ISSN 0423-4847, Vol. 74, Nº. 1, 2026, págs. 85-120
• Idioma: español
• DOI: 10.18543/ed.3576
• Títulos paralelos:
  • Artificial intelligence, environmental sustainability and justice: towards a comprehensive legal framework for ethical technological development
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio analiza cómo se relacionan la inteligencia artificial, la sostenibilidad y la justicia ambiental, proponiendo una forma completa de ver todo el ciclo de vida de la IA. Es muy importante que la justicia algorítmica se aplique a diferentes niveles para solucionar las desigualdades locales, nacionales e internacionales. También es clave proteger los datos como bienes comunes y evitar que se exploten digitalmente. Además, necesitamos modelos de gobierno donde los ciudadanos participen y tengan control democrático, incluyendo a las comunidades más vulnerables. La resiliencia socioecológica es un principio legal importante para adaptar las normas a los riesgos e incertidumbres de la tecnología. Para concluir, se revisarán cuatro limitaciones relevantes al uso actual de la inteligencia artificial para la sostenibilidad: la deformación disciplinaria, la invisibilización de su impacto ambiental, la escasa presencia de justicia ambiental y la escasa participación comunitaria. Se hace necesario afrontar estos retos con el ánimo de poder repensar el desarrollo de una IA más crítica y, a la vez, inclusiva.

    Recibido: 14 agosto 2025Aceptado: 20 octubre 2025

  • English

    This study analyzes how artificial intelligence, sustainability, and environmental justice relate, proposing a comprehensive way of looking at the entire AI lifecycle. It is critical that algorithmic justice be applied at different levels to address local, national, and international inequalities. It is also key to protect data as common goods and prevent its digital exploitation. Furthermore, we need models of government where citizens participate and have democratic control, including the most vulnerable communities. Socio-ecological resilience is an important legal principle for adapting regulations to the risks and uncertainties of technology. To conclude, four relevant limitations to the current use of artificial intelligence for sustainability will be reviewed: disciplinary distortion, the invisibility of its environmental impact, the limited presence of environmental justice, and the limited community participation. These challenges must be addressed in order to rethink the development of a more critical yet inclusive AI.

    Received: 14 August 2025Accepted: 20 October 2025

• Referencias bibliográficas
  • Attfield, R. (2010). La ética ambiental y la sostenibilidad global. En Ética ambiental y políticas internacionales, 69–87. Organización de...
  • Camastra, F. y González, R. (2025). Inteligencia artificial, sostenibilidad e impacto ambiental. Un estudio narrativo y bibliométrico. Región...
  • Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
  • Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608; doi:...
  • Escobar, Arturo. 1995. Encountering Development: The Making and Unmaking of the Third World. Princeton, NJ: Princeton University Press; enlace...
  • Folke, C., Carpenter, S.R., Walker, B., Scheffer, M., Chapin, T., & Rockstrom, J. (2010). Resilience Thinking: integrating Resilience,...
  • Franklin, Ursula M. The Real World of Technology. Rev. ed. Toronto, Ont.: House of Anansi Press, 2004; enlace web: https://ms.z-library.sk/book/2364185/...
  • Gabrys, J. (2016). Practicing, materialising and contesting environmental data. Big Data & Society, 3(2). doi: https://doi.org/10.1177/2053951716673391
  • Meadows, D. H., Meadows, D. L., Randers, J., & Behrens III, W. W. (1972). The limits to growth: A report for the Club of Rome’s project...
  • Mejías, U.A & Couldry, N. (2019). “Colonialismo de datos: repensando la relación de los datos masivos con el sujeto contemporáneo”. Virtualis,...
  • McQuillan, D. (2022). Resisting AI: An anti-fascist approach to artificial intelligence. Bristol University Press; doi: https://doi.org/10.51952/9781529213522
  • Raji, I. D., & Buolamwini, J. (2019). Actionable auditing: Investigating the impact of publicly naming biased performance results of commercial...
  • Reichstein, M., Camps Valls, G., Stevens, B. et al. Deep learning and process understanding for data driven Earth system science. Nature 566,...
  • Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., ... & Bengio, Y. (2019). Tackling climate change with...
  • Schlosberg, D. (2007). Defining Environmental Justice: Theories, Movements, and Nature. Oxford University Press: enlace web: https://www.referat.am/library/...
  • Schlosberg, D. (2011). Justicia ambiental y climática: De la equidad al funcionamiento comunitario. Ecología Política, (41), 25–35.
  • Schlosberg, D. and Collins, L.B. (2014). From environmental to climate justice: climate change and the discourse of environmental justice....
  • Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63; doi: https://doi.org/10.1145/3381831
  • Slack, D., Hilgard, S., Jia, E., Singh, S., & Lakkaraju, H. (2020). Fooling LIME and SHAP: Adversarial attacks on post hoc explanation...
  • Temper, L., del Bene, D. & Martinez-Alier, J., (2015). “Mapping the frontiers and front lines of global environmental justice: the EJAtlas”,...
  • Vinuesa, R., Azizpour, H., Leite, I. et al. The role of artificial intelligence in achieving the Sustainable Development Goals. Nat Commun...