Este artículo argumenta que la investigación existente sobre equidad en el aprendizaje automático (AA) se centra principalmente en la igualdad distributiva, lo que limita su capacidad para abordar la injusticia. Si bien la investigación previa aborda la distribución desigual de beneficios, como las oportunidades, mediante modelos de AA, no logra considerar adecuadamente los perjuicios representativos (p. ej., estereotipos y marginación), además de los perjuicios distributivos que los sistemas de AA infligen al reforzar la desigualdad estructural. Por lo tanto, este artículo propone un marco de equidad multifacético basado en el igualitarismo que integra la igualdad distributiva y relacional. Este marco proporciona una base ética más integral para abordar todos los tipos de perjuicios causados por los sistemas de AA y sugiere enfoques prácticos para su implementación en todos los procesos de AA.