De automatizar trámites a rediseñar la forma en que el Estado administra el dinero

Durante años, la transformación digital de las finanzas públicas se concentró en sustituir documentos físicos por sistemas informáticos: portales tributarios, plataformas de compras, sistemas integrados de administración financiera, expedientes electrónicos y tableros presupuestarios.

En 2026, el cambio es más profundo. La inteligencia artificial permite que estos sistemas no solo registren lo ocurrido, sino que también identifiquen riesgos, anticipen desviaciones, expliquen información compleja, recomienden acciones y ayuden a los funcionarios a tomar mejores decisiones.

El Fondo Monetario Internacional plantea que la adopción de tecnologías emergentes en la gestión financiera pública debe seguir un enfoque estructurado y orientado a objetivos, evaluando tanto los beneficios esperados como la viabilidad institucional y tecnológica. No se trata de incorporar IA porque esté de moda, sino de utilizarla para mejorar la eficiencia, la toma de decisiones y la rendición de cuentas.

Esta transformación abre un espacio enorme para ingenieros de software, arquitectos de datos, especialistas en ciberseguridad, científicos de datos, diseñadores de producto, analistas funcionales y emprendedores GovTech. Su oportunidad no consiste únicamente en desarrollar modelos predictivos. Consiste en convertir problemas fiscales concretos en productos digitales utilizables, auditables y capaces de integrarse con la operación real del Estado.

Qué comprende realmente la innovación en finanzas públicas

Las finanzas públicas abarcan mucho más que la recaudación de impuestos. Comprenden todo el ciclo mediante el cual el Estado obtiene, asigna, ejecuta, controla y comunica el uso de los recursos públicos:

Recaudación tributaria y aduanera.
Formulación y aprobación presupuestaria.
Ejecución del gasto.
Tesorería y administración de liquidez.
Compras y contrataciones públicas.
Gestión de nóminas.
Administración de deuda pública.
Transferencias, subsidios y programas sociales.
Contabilidad gubernamental.
Auditoría y control interno.
Fiscalización externa.
Transparencia y participación ciudadana.

El Banco Mundial evalúa la madurez GovTech de los países considerando precisamente los sistemas centrales del gobierno, la prestación de servicios digitales, la participación ciudadana y los habilitadores institucionales. Entre los sistemas centrales incluye plataformas de gestión financiera, recursos humanos, impuestos, aduanas y contratación electrónica.

Por eso, un proyecto de IA para finanzas públicas no debe verse como un chatbot aislado. Debe entenderse como una nueva capacidad dentro de una arquitectura gubernamental más amplia.

La principal oportunidad: convertir datos administrativos en decisiones

Los gobiernos ya producen enormes cantidades de información:

Facturas electrónicas.
Declaraciones tributarias.
Registros aduaneros.
Órdenes de compra.
Contratos.
Pagos.
Modificaciones presupuestarias.
Nóminas.
Registros de proveedores.
Transferencias.
Expedientes de auditoría.
Indicadores macroeconómicos.
Datos de proyectos de inversión.

El problema es que buena parte de estos datos continúa fragmentada entre instituciones, formatos y sistemas. Muchas entidades cuentan con bases transaccionales, pero no con una capa analítica capaz de relacionar la información y detectar patrones.

Aquí aparece la primera contribución decisiva de los profesionales de IT: construir la infraestructura que permita utilizar la inteligencia artificial de forma confiable.

En la práctica, esto implica trabajar en cinco niveles:

Integración entre sistemas.
Calidad y normalización de datos.
Modelos analíticos y de inteligencia artificial.
Interfaces de decisión para funcionarios y ciudadanos.
Controles de seguridad, auditoría y gobernanza.

El error más común es comenzar por el modelo de IA. En finanzas públicas, normalmente el mayor trabajo se encuentra antes y después del modelo: extraer datos, corregir clasificaciones, resolver duplicados, reconstruir relaciones, definir permisos, validar resultados e integrar las recomendaciones en un procedimiento institucional.

Diez proyectos de IA con alto potencial para 2026

1. Sistemas inteligentes de riesgo tributario

Una administración tributaria puede utilizar aprendizaje automático para asignar una puntuación de riesgo a contribuyentes, declaraciones, solicitudes de devolución o transacciones.

El modelo puede analizar, entre otros elementos:

Diferencias entre ventas declaradas y facturación electrónica.
Variaciones atípicas de ingresos.
Compras incompatibles con la actividad económica.
Redes de empresas relacionadas.
Proveedores de comportamiento inusual.
Solicitudes anómalas de devolución de impuestos.
Cambios frecuentes de domicilio o representante.
Secuencias sospechosas de facturación.
Diferencias entre información tributaria y aduanera.

La IA no debería decidir automáticamente que una persona o empresa cometió fraude. Su función correcta es priorizar casos para revisión humana, reducir el universo que debe analizarse manualmente y proporcionar evidencia que pueda ser examinada por un auditor.

La adopción ya es significativa: más del 70 % de las administraciones tributarias estudiadas por la OCDE utilizan IA. Entre las administraciones que la emplean, aproximadamente tres cuartas partes la aplican a la detección de evasión y fraude; también son frecuentes la evaluación de riesgos, los asistentes virtuales y el apoyo a decisiones administrativas.

Producto mínimo viable

Un primer proyecto no necesita cubrir todo el sistema tributario. Puede comenzar con:

Un impuesto.
Un tipo de contribuyente.
Una región.
Una clase de devolución.
Un comportamiento de riesgo conocido.

El MVP podría entregar semanalmente una lista de casos priorizados, explicar las variables que elevaron el riesgo y permitir que los auditores registren si la alerta fue útil. Esa retroalimentación alimentaría la siguiente versión del modelo.

Indicadores de éxito

Porcentaje de alertas confirmadas.
Incremento en hallazgos por hora de auditoría.
Reducción de falsos positivos.
Monto recuperado o regularizado.
Tiempo promedio para seleccionar casos.
Porcentaje de decisiones revisadas o revertidas.

2. Asistentes tributarios basados en normativa verificable

Los chatbots tradicionales suelen responder desde árboles de decisión limitados. En 2026 es posible construir asistentes que consulten legislación, reglamentos, resoluciones, criterios administrativos, manuales y preguntas frecuentes antes de responder.

La arquitectura adecuada es un sistema de generación aumentada por recuperación, conocido como RAG. El modelo no responde únicamente con base en su entrenamiento general: primero recupera documentos oficiales relevantes y después redacta una respuesta sustentada en ellos.

Estos asistentes pueden ayudar a:

Explicar obligaciones según el tipo de contribuyente.
Guiar la presentación de formularios.
Identificar documentación requerida.
Explicar errores en una declaración.
Orientar sobre calendarios y vencimientos.
Preparar borradores de consultas.
Traducir lenguaje técnico a lenguaje ciudadano.
Atender consultas internas de funcionarios.

El FMI destaca que la IA generativa puede transformar la relación entre las administraciones tributarias y los ciudadanos, pero advierte que su implementación requiere liderazgo, controles y salvaguardas.

Requisito fundamental

Toda respuesta debería mostrar:

La fuente utilizada.
La fecha de vigencia.
El fragmento normativo relevante.
El nivel de confianza.
Una advertencia cuando exista ambigüedad.
Un mecanismo de escalamiento a un funcionario.

Un asistente fiscal que responde con seguridad, pero sin fundamento verificable, puede ser más peligroso que no tener asistente.

3. Presupuestos predictivos y simuladores fiscales

Los presupuestos públicos suelen construirse a partir de series históricas, supuestos macroeconómicos, solicitudes institucionales y negociaciones políticas. La IA puede mejorar este proceso mediante modelos que estimen:

Recaudación por impuesto.
Ejecución presupuestaria por entidad.
Demanda futura de servicios.
Costo probable de programas.
Riesgo de subejecución.
Presiones de gasto.
Necesidades de financiamiento.
Efectos de cambios tributarios.
Impactos de inflación, empleo o tipo de cambio.

No se trata de sustituir el análisis económico ni la decisión política. Se trata de crear simuladores que permitan comparar escenarios de manera más rápida y consistente.

Un sistema podría responder preguntas como:

¿Qué ocurre con el déficit si la recaudación queda un 4 % por debajo de la meta y el gasto sanitario aumenta un 7 %?

¿Qué instituciones presentan una trayectoria de ejecución incompatible con su presupuesto vigente?

¿Qué programas tienen costos crecientes sin una mejora equivalente en resultados?

La OCDE señala que la IA puede utilizarse en pronósticos, planificación presupuestaria y monitoreo, pero subraya que estos usos deben incorporar transparencia y explicabilidad.

Diseño recomendado

Conviene separar dos componentes:

Motor cuantitativo: modelos estadísticos, series de tiempo, modelos causales y simulaciones.

Capa conversacional: un asistente que permita consultar los resultados en lenguaje natural, sin alterar los cálculos subyacentes.

Así se evita utilizar un modelo generativo para producir cifras fiscales que deberían provenir de métodos verificables.

4. Detección de anomalías en el gasto público

Los sistemas de gestión financiera contienen millones de transacciones difíciles de revisar manualmente. Un modelo de detección de anomalías puede identificar operaciones que se apartan del comportamiento habitual.

Algunas señales posibles son:

Pagos duplicados.
Proveedores inactivos que reciben pagos repentinos.
Fraccionamiento de compras.
Modificaciones presupuestarias recurrentes.
Pagos efectuados fuera de horarios normales.
Montos redondeados inusuales.
Transferencias a cuentas recientemente registradas.
Facturas consecutivas con patrones repetitivos.
Reversiones y ajustes frecuentes.
Concentración del gasto en los últimos días del período.
Diferencias entre recepción, factura y pago.
Proveedores que comparten cuentas, teléfonos o direcciones.

La detección de anomalías no necesita contar inicialmente con miles de casos de fraude confirmados. Es posible utilizar aprendizaje no supervisado para encontrar transacciones alejadas del comportamiento normal. El FMI ha documentado cómo estas técnicas pueden identificar irregularidades potenciales en datos de costos y programas públicos.

El producto correcto no es una “alarma de corrupción”

El producto debe ser una bandeja de revisión priorizada que muestre:

Qué ocurrió.
Por qué resulta inusual.
Con qué operaciones se compara.
Qué documentos están relacionados.
Qué funcionario debe revisarlo.
Qué decisión se tomó.
Si la alerta fue confirmada o descartada.

El valor no se encuentra únicamente en el algoritmo, sino en cerrar el ciclo entre detección, investigación y aprendizaje.

5. Inteligencia artificial para compras públicas

La contratación pública combina datos estructurados —montos, fechas, proveedores, códigos— con documentos extensos: bases de licitación, ofertas, contratos, dictámenes, garantías y modificaciones.

Esto hace posible combinar varias tecnologías:

Modelos de detección de anomalías.
Procesamiento de lenguaje natural.
Extracción de información documental.
Análisis de redes.
Comparación semántica.
Modelos de riesgo.
Sistemas de recomendación.
IA generativa para resumir expedientes.

Un sistema de compras inteligente podría detectar:

Procesos con poca competencia.
Proveedores recurrentemente beneficiados.
Precios alejados de referencias históricas.
Especificaciones aparentemente dirigidas.
Similitud sospechosa entre ofertas.
Empresas relacionadas que compiten entre sí.
Modificaciones contractuales excesivas.
Contratos que superan sistemáticamente plazos o montos.
Adjudicaciones fraccionadas.
Incumplimientos que no generan sanciones.
Diferencias entre lo contratado, recibido y pagado.

Un referente es ALICE, utilizado en Brasil para revisar procesos de contratación y generar alertas de riesgo. De acuerdo con Open Contracting Partnership, durante 2023 el sistema analizó cerca de 191,000 procesos y produjo alertas asociadas con auditorías sobre contratos valorados en más de US$4,500 millones.

Un proyecto innovador

Un equipo podría construir un copiloto de contratación pública que:

Lea las bases de una contratación.
Extraiga requisitos, fechas y criterios.
Compare precios con contrataciones previas.
Identifique cláusulas atípicas.
Verifique documentos faltantes.
Muestre riesgos de competencia.
Genere un resumen para el comité evaluador.
Mantenga trazabilidad de cada fuente utilizada.

La decisión de adjudicar debe seguir siendo humana y formal. La IA puede ordenar evidencia y señalar riesgos, pero no debería sustituir las responsabilidades establecidas por la ley.

6. Predicción de flujo de caja para tesorería pública

Un presupuesto aprobado no significa que el dinero esté disponible en el momento necesario. Las tesorerías deben coordinar ingresos, pagos, deuda, transferencias y saldos bancarios.

Un sistema predictivo puede estimar:

Ingresos diarios o semanales.
Concentraciones futuras de pagos.
Riesgo de insuficiencia temporal de efectivo.
Saldos ociosos.
Necesidades de financiamiento de corto plazo.
Entidades que solicitarán más cuota financiera.
Facturas que probablemente vencerán sin pago.
Efectos de distintos calendarios de desembolso.

Este proyecto puede combinar modelos de series temporales con reglas de negocio y simulaciones.

Resultado esperado

El sistema no debería limitarse a mostrar una predicción. Debe ayudar a responder:

¿Cuánto efectivo estará disponible?
¿Qué supuestos generan esa estimación?
¿Qué pagos están en riesgo?
¿Qué decisiones pueden reducir el faltante?
¿Cómo cambia el escenario si la recaudación se retrasa?

Un buen producto para tesorería convierte la predicción en escenarios de acción.

7. Copilotos para auditoría y control interno

Los equipos de auditoría dedican una parte importante de su tiempo a recopilar información, leer expedientes, cruzar documentos y preparar papeles de trabajo. La IA generativa puede asistir en estas actividades sin tomar la decisión final.

Un copiloto de auditoría podría:

Resumir contratos y expedientes.
Comparar procedimientos con una norma.
Detectar documentos faltantes.
Preparar listas de verificación.
Relacionar transacciones con evidencias.
Identificar contradicciones entre documentos.
Proponer preguntas para entrevistas.
Generar borradores de hallazgos.
Clasificar riesgos.
Consultar auditorías anteriores.
Crear cronologías de hechos.
Preparar matrices de observaciones y respuestas.

La OCDE advierte que las entidades fiscalizadoras y las instituciones fiscales independientes deberán adaptar sus metodologías para supervisar procesos financieros apoyados por IA, incluyendo nuevas capacidades de ciencia de datos y auditoría de algoritmos.

Por lo tanto, la IA tiene dos usos simultáneos en auditoría:

Auditar mejor las finanzas públicas.
Auditar los propios sistemas de IA utilizados por el gobierno.

8. Monitoreo inteligente de proyectos de inversión pública

Carreteras, hospitales, escuelas, sistemas de agua y otros proyectos generan datos presupuestarios, contractuales, físicos y geográficos.

Un sistema de IA puede relacionar:

Presupuesto aprobado.
Contratos.
Órdenes de cambio.
Pagos.
Cronogramas.
Informes de supervisión.
Fotografías.
Imágenes satelitales.
Avance físico.
Indicadores de resultados.

Esto permite detectar situaciones como:

Avance financiero superior al avance físico.
Proyectos detenidos que continúan recibiendo pagos.
Órdenes de cambio recurrentes.
Diferencias entre fotografías e informes.
Costos por unidad muy superiores a proyectos comparables.
Contratistas con múltiples retrasos.
Inversiones terminadas pero no operativas.

Una aplicación especialmente poderosa consiste en crear un gemelo digital financiero del proyecto, donde cada contrato, pago, hito, fotografía y documento se encuentre conectado.

El sistema podría mostrar a un ministro, auditor o ciudadano una respuesta sencilla:

El proyecto está ejecutado financieramente al 76 %, pero su avance físico verificado es del 54 %. Las principales diferencias provienen de tres modificaciones contractuales y dos pagos anticipados.

9. Gestión inteligente de subsidios y transferencias

Los programas sociales y subsidios enfrentan varios problemas:

Registros duplicados.
Beneficiarios fallecidos.
Personas que ya no cumplen los criterios.
Exclusión de hogares elegibles.
Pagos repetidos.
Identidades inconsistentes.
Intermediación innecesaria.
Dificultades para evaluar resultados.

La IA puede ayudar a detectar inconsistencias, priorizar verificaciones y anticipar riesgos operativos. Sin embargo, es una de las áreas de mayor sensibilidad, porque una decisión incorrecta puede privar a una persona de una prestación esencial.

Por ello, ningún modelo debería eliminar automáticamente a un beneficiario. Una alerta debe generar una revisión, una explicación comprensible y un procedimiento de apelación.

Principio de diseño

Cuanto mayor sea el impacto de una decisión sobre derechos, ingresos o acceso a servicios, mayor debe ser:

La supervisión humana.
La evidencia requerida.
La explicabilidad.
La posibilidad de impugnar la decisión.
La evaluación de sesgos.
La protección de datos.

10. Plataformas de transparencia fiscal conversacional

Los portales de transparencia suelen publicar miles de tablas y archivos que resultan difíciles de interpretar. La IA generativa permite crear interfaces donde los ciudadanos puedan consultar el presupuesto en lenguaje cotidiano.

Por ejemplo:

¿Cuánto gastó el gobierno en mantenimiento de escuelas?
¿Qué empresa recibió más contratos de una municipalidad?
¿Cómo cambió el presupuesto de salud?
¿Qué proyectos de inversión están retrasados?
¿Cuánto se ha pagado por una obra específica?
¿Qué porcentaje del presupuesto se ejecutó?

El asistente debe responder utilizando exclusivamente datos públicos verificables y proporcionar enlaces o referencias al registro original.

El Banco Mundial señala que, aunque la transformación GovTech ha avanzado, la participación digital y la publicación efectiva de información siguen rezagadas frente a otras áreas. También identifica debilidades en la medición del uso real de las plataformas gubernamentales.

Esto crea una oportunidad para que los profesionales de IT desarrollen no solo portales de datos, sino productos de comprensión pública.

Qué tecnología utilizar en cada problema

Uno de los errores más frecuentes es intentar resolver todos los casos con un modelo de lenguaje. Cada clase de problema requiere una técnica diferente.

Problema	Tecnología principal
Predecir recaudación	Series de tiempo y modelos econométricos
Detectar pagos atípicos	Detección de anomalías
Clasificar contribuyentes por riesgo	Aprendizaje supervisado
Identificar relaciones entre proveedores	Análisis de grafos
Extraer datos de contratos	OCR y procesamiento documental
Consultar normativa	RAG y modelos de lenguaje
Comparar precios de compras	Modelos estadísticos y búsqueda semántica
Simular escenarios fiscales	Modelos causales y simulación
Resumir expedientes	IA generativa
Automatizar tareas de seguimiento	Agentes con herramientas y controles
Verificar avance físico	Visión computacional y datos geoespaciales

La innovación proviene con frecuencia de combinar tecnologías. Un sistema de contratación puede utilizar reglas para verificar requisitos obligatorios, aprendizaje automático para calcular riesgos, grafos para descubrir relaciones y un modelo de lenguaje para resumir la evidencia.

Arquitectura recomendada para una plataforma de IA fiscal

1. Capa de fuentes

Puede integrar:

Sistema financiero gubernamental.
Plataforma de compras.
Administración tributaria.
Aduanas.
Nómina.
Sistema de inversión pública.
Registros de proveedores.
Facturación electrónica.
Gestión de deuda.
Bancos públicos.
Portales de datos abiertos.
Sistemas documentales.

2. Capa de interoperabilidad

Esta capa debe resolver:

APIs.
Intercambio de eventos.
Identificadores únicos.
Catálogos comunes.
Sincronización.
Validación de datos.
Control de versiones.
Trazabilidad de origen.

Los modelos no pueden compensar indefinidamente una arquitectura donde la misma institución, proveedor o proyecto tiene identificadores distintos en cada sistema.

3. Plataforma de datos

Debe incluir:

Almacén analítico.
Repositorio documental.
Catálogo de datos.
Metadatos.
Linaje.
Políticas de retención.
Clasificación de sensibilidad.
Controles de acceso.
Historial de cambios.

4. Capa de inteligencia

Aquí pueden coexistir:

Reglas determinísticas.
Modelos estadísticos.
Modelos de aprendizaje automático.
Modelos de grafos.
Motores de búsqueda.
Modelos de lenguaje.
Agentes especializados.

5. Capa de gobernanza de modelos

Cada modelo debería contar con:

Propietario institucional.
Propósito documentado.
Datos autorizados.
Variables utilizadas.
Métricas.
Umbrales.
Versiones.
Evaluaciones.
Registro de incidentes.
Fecha de revisión.
Criterios de retiro.

6. Capa de experiencia

Los resultados pueden entregarse mediante:

Tableros.
Bandejas de casos.
Alertas.
APIs.
Asistentes conversacionales.
Integraciones con sistemas existentes.
Aplicaciones móviles para supervisores.
Portales ciudadanos.

Una buena solución se integra al trabajo diario. Obligar a los funcionarios a ingresar a una plataforma adicional suele reducir la adopción.

De una idea innovadora a un proyecto ejecutable

Paso 1. Definir un problema fiscal, no una tecnología

Una mala formulación sería:

Queremos utilizar inteligencia artificial en auditoría.

Una mejor formulación sería:

Los auditores tardan seis días en seleccionar los expedientes que revisarán y solo el 8 % produce hallazgos relevantes.

La segunda formulación permite establecer una línea base y medir resultados.

Paso 2. Identificar la decisión que se quiere mejorar

Todo proyecto debe responder:

¿Quién toma actualmente la decisión?
¿Qué información utiliza?
¿Qué errores ocurren?
¿Cuánto tarda?
¿Qué consecuencia tiene una decisión equivocada?
¿Puede la IA recomendar o solamente informar?
¿Quién conserva la responsabilidad final?

La unidad de diseño no debe ser “el modelo”, sino la decisión pública.

Paso 3. Evaluar valor, factibilidad y riesgo

Una matriz de priorización puede utilizar cuatro dimensiones:

Valor público

Ahorro.
Recuperación de ingresos.
Reducción de tiempos.
Mayor transparencia.
Mejora de servicios.
Reducción de errores.
Mayor capacidad de control.

Factibilidad de datos

Disponibilidad.
Calidad.
Historial.
Identificadores comunes.
Etiquetas.
Permisos legales.
Frecuencia de actualización.

Factibilidad operativa

Personal disponible.
Integración.
Patrocinio institucional.
Capacidad de mantenimiento.
Presupuesto.
Adopción de usuarios.

Riesgo

Impacto sobre derechos.
Datos sensibles.
Posible discriminación.
Riesgo fiscal.
Exposición pública.
Ciberseguridad.
Irreversibilidad de decisiones.

Este enfoque coincide con la recomendación del FMI de evaluar objetivamente los beneficios y la viabilidad antes de adoptar tecnologías emergentes en la gestión financiera pública.

Paso 4. Construir una línea base

Antes de entrenar cualquier modelo deben medirse los resultados actuales.

Por ejemplo:

Tiempo promedio de auditoría.
Porcentaje de alertas efectivas.
Monto de pagos duplicados.
Costo por trámite.
Número de expedientes revisados.
Nivel de satisfacción.
Porcentaje de declaraciones corregidas.
Tiempo de respuesta.
Cantidad de contratos con retrasos.

Sin línea base, será imposible demostrar que la IA produjo una mejora.

Paso 5. Desarrollar un MVP en “modo sombra”

En el modo sombra, el sistema genera predicciones o recomendaciones, pero todavía no modifica la operación.

Los usuarios continúan trabajando de la manera habitual, mientras el equipo compara:

Lo que recomendó la IA.
Lo que decidió el funcionario.
Lo que finalmente ocurrió.

Esta fase permite medir precisión, descubrir variables problemáticas y entender cómo reaccionan los usuarios sin introducir inmediatamente un riesgo operativo.

Paso 6. Incorporar retroalimentación humana

Cada alerta debería permitir registrar:

Confirmada.
Parcialmente confirmada.
Descartada.
Información insuficiente.
Caso duplicado.
Nueva tipología encontrada.

Esa información transforma la operación cotidiana en un ciclo de aprendizaje.

Paso 7. Escalar progresivamente

Una secuencia razonable sería:

Prueba con datos históricos.
Modo sombra.
Piloto en una unidad.
Piloto en varias regiones.
Integración al sistema institucional.
Automatización de tareas de bajo riesgo.
Expansión nacional.
Evaluación independiente.

En el sector público, escalar demasiado rápido puede generar rechazo institucional y errores difíciles de revertir.

Cómo medir un proyecto de IA pública

La precisión del modelo no es suficiente.

Un proyecto puede tener una precisión técnica elevada y no producir ningún beneficio si los funcionarios no utilizan sus resultados.

Métricas técnicas

Precisión.
Recall o sensibilidad.
Falsos positivos.
Falsos negativos.
Calibración.
Latencia.
Disponibilidad.
Deriva del modelo.
Calidad de recuperación documental.
Tasa de respuestas sin evidencia.

Métricas operativas

Tiempo ahorrado.
Casos revisados por funcionario.
Tiempo de resolución.
Adopción.
Frecuencia de uso.
Alertas atendidas.
Tareas automatizadas.
Reducción de reprocesos.

Métricas fiscales

Ingresos recuperados.
Pagos evitados.
Ahorros.
Reducción de sobrecostos.
Mejora en ejecución.
Disminución de intereses o penalizaciones.
Mayor disponibilidad de caja.

Métricas de confianza

Decisiones apeladas.
Decisiones revertidas.
Quejas.
Diferencias entre grupos.
Incidentes de privacidad.
Explicaciones comprendidas.
Satisfacción de funcionarios y ciudadanos.

El GTMI 2025 del Banco Mundial señala que muchos gobiernos han avanzado en políticas y plataformas, pero todavía presentan debilidades al medir su utilización y desempeño real. Para los nuevos proyectos, esto significa que la analítica de adopción debe diseñarse desde el principio.

Gobernanza: la diferencia entre una demo y una solución pública confiable

Supervisión humana

Las decisiones que pueden producir sanciones, denegar prestaciones, bloquear pagos o iniciar investigaciones deben contar con revisión humana.

La IA puede:

Priorizar.
Recomendar.
Resumir.
Comparar.
Alertar.
Preparar borradores.

La responsabilidad final debe permanecer claramente asignada.

Explicabilidad

Un funcionario debería poder responder:

¿Por qué el sistema señaló este caso?
¿Qué datos utilizó?
¿Qué datos no utilizó?
¿Con qué casos se comparó?
¿Qué tan confiable es la predicción?
¿Qué podría hacer que el resultado fuera incorrecto?

Privacidad

Los sistemas fiscales contienen información extremadamente sensible. Deben aplicarse principios como:

Acceso mínimo necesario.
Separación de ambientes.
Cifrado.
Enmascaramiento.
Registro de consultas.
Retención limitada.
Evaluación de proveedores.
Prohibición de reutilización no autorizada.

Seguridad

Los sistemas de IA introducen riesgos adicionales:

Inyección de instrucciones.
Extracción de información.
Manipulación de documentos.
Envenenamiento de datos.
Dependencia de APIs externas.
Suplantación.
Automatización de ataques.
Uso indebido de credenciales.

El FMI ha advertido que la IA también puede ampliar las capacidades ofensivas de los atacantes y aumentar los riesgos cibernéticos para el sistema financiero, por lo que la resiliencia y la coordinación deben considerarse parte integral de su adopción.

Trazabilidad

Cada resultado relevante debe conservar:

Modelo utilizado.
Versión.
Instrucción.
Fuentes consultadas.
Datos de entrada.
Fecha.
Usuario.
Recomendación.
Decisión humana.
Resultado posterior.

En finanzas públicas, una respuesta útil pero imposible de auditar puede no ser aceptable.

Marcos que pueden utilizar los equipos

El marco de gestión de riesgos de IA del NIST propone cuatro funciones:

Govern: establecer políticas, responsabilidades y supervisión.
Map: comprender el contexto, usuarios, impactos y riesgos.
Measure: evaluar desempeño, seguridad, sesgos y confiabilidad.
Manage: priorizar, mitigar y monitorear riesgos.

NIST también publicó un perfil específico para inteligencia artificial generativa, orientado a incorporar consideraciones de confiabilidad durante el diseño, desarrollo, uso y evaluación de estos sistemas.

Para instituciones que operen en la Unión Europea o interactúen con su mercado, el AI Act también será relevante. Gran parte de sus disposiciones se vuelve aplicable el 2 de agosto de 2026, incluyendo obligaciones de transparencia para determinadas interacciones y contenidos generados mediante IA. Aunque una administración latinoamericana no necesariamente se encuentre dentro de su alcance, puede utilizar sus criterios como referencia de diseño.

El equipo necesario

Un proyecto serio no debería depender únicamente de científicos de datos.

Product owner de finanzas públicas

Define el problema, las reglas institucionales y los resultados esperados.

Especialista funcional

Comprende presupuesto, impuestos, compras, tesorería, deuda o auditoría.

Ingeniero de datos

Integra sistemas, normaliza información y asegura calidad.

Científico de datos o ingeniero de ML

Desarrolla, evalúa y monitorea modelos.

Ingeniero de software

Convierte el modelo en un producto estable e integrado.

Especialista en seguridad

Diseña accesos, protección, monitoreo y respuesta a incidentes.

Diseñador de experiencia

Asegura que funcionarios y ciudadanos comprendan y utilicen el sistema.

Especialista legal, de privacidad o control

Evalúa competencias, derechos, explicabilidad y procedimientos de revisión.

Responsable de cambio organizacional

Gestiona capacitación, adopción, incentivos y rediseño de procesos.

La innovación GovTech es sociotécnica: combina sistemas, personas, reglas, instituciones y decisiones.

Un plan de ejecución de 90 días

Semanas 1 y 2: descubrimiento

Seleccionar un problema.
Identificar usuarios.
Mapear el proceso.
Definir línea base.
Documentar riesgos.
Establecer indicadores.
Identificar fuentes de datos.

Semanas 3 y 4: preparación de datos

Obtener permisos.
Crear un diccionario.
Corregir duplicados.
Homologar identificadores.
Evaluar calidad.
Construir un conjunto histórico.
Definir datos prohibidos o restringidos.

Semanas 5 a 8: desarrollo del MVP

Construir una primera versión.
Crear explicaciones.
Diseñar interfaz.
Incorporar registros de auditoría.
Probar seguridad.
Evaluar falsos positivos.
Preparar documentación.

Semanas 9 y 10: modo sombra

Ejecutar con datos reales.
Comparar contra decisiones humanas.
Recopilar retroalimentación.
Ajustar umbrales.
Identificar comportamientos inesperados.

Semanas 11 y 12: piloto controlado

Activar para un grupo pequeño.
Medir adopción.
Documentar incidentes.
Calcular impacto.
Decidir si se escala, rediseña o detiene.

Oportunidades para América Latina y Guatemala

América Latina cuenta con una base digital creciente, pero mantiene diferencias importantes entre instituciones y países. En el GTMI 2025, Guatemala aparece dentro del grupo B, correspondiente a una madurez GovTech significativa, aunque todavía por debajo del grupo de mayor madurez. Esto sugiere que el país dispone de capacidades sobre las cuales construir, pero aún necesita fortalecer interoperabilidad, uso de datos, medición y escalamiento institucional.

Los proyectos con mayor factibilidad inicial para países como Guatemala probablemente sean aquellos que aprovechen sistemas y datos existentes:

Análisis de compras públicas.
Detección de anomalías en pagos.
Asistentes sobre normativa fiscal.
Clasificación de riesgo tributario.
Monitoreo de inversión pública.
Predicción de ejecución presupuestaria.
Copilotos de auditoría.
Transparencia fiscal conversacional.
Identificación de proveedores relacionados.
Conciliación automática de información financiera.

Estos proyectos pueden comenzar en una institución, municipalidad o programa específico, sin esperar una transformación integral de todo el Estado.

También existe una oportunidad empresarial. Muchas instituciones públicas no necesitan desarrollar internamente cada componente. Los profesionales de IT pueden crear productos GovTech modulares, interoperables y auditables que resuelvan problemas concretos:

Motores de riesgo.
Plataformas documentales inteligentes.
Sistemas de monitoreo contractual.
Catálogos de precios públicos.
Servicios de anonimización.
Registros de modelos.
Capas de interoperabilidad.
Asistentes normativos.
Herramientas de auditoría algorítmica.
Tableros de transparencia.

El objetivo debería ser evitar soluciones cerradas que creen una nueva dependencia. La institución debe conservar control sobre sus datos, reglas, historial de decisiones y capacidad de sustituir componentes.

Qué proyectos deberían evitarse

No toda aplicación técnicamente posible es conveniente.

Conviene evitar:

Chatbots que respondan sin citar normativa.
Modelos que impongan sanciones automáticamente.
Sistemas entrenados con datos cuya procedencia se desconoce.
Herramientas que envíen información fiscal sensible a servicios no autorizados.
Predicciones sin línea base.
Proyectos que no tengan propietario institucional.
Agentes con permisos amplios para efectuar pagos o modificar registros.
Sistemas que no permitan apelación.
Modelos adquiridos sin acceso a métricas y documentación.
Automatizaciones que reproduzcan procedimientos innecesarios.
Proyectos que dependan de una sola persona.
Pruebas de concepto sin presupuesto de mantenimiento.

La pregunta clave no es “¿puede hacerse con IA?”, sino:

¿Mejora una decisión pública de manera medible, segura, explicable y sostenible?

Conclusión: la verdadera innovación es institucional

En 2026, la inteligencia artificial ofrece a los profesionales de IT la posibilidad de participar directamente en algunos de los problemas más relevantes del Estado: recaudar mejor, gastar con mayor eficiencia, anticipar riesgos, detectar irregularidades y explicar a los ciudadanos cómo se utilizan los recursos públicos.

Pero el éxito no dependerá de construir el modelo más grande ni el asistente más impresionante.

Dependerá de resolver correctamente cinco elementos:

Un problema fiscal claramente definido.
Datos confiables e interoperables.
Un producto integrado al trabajo institucional.
Supervisión, seguridad y trazabilidad.
Medición de resultados públicos reales.

La próxima generación de innovación en finanzas públicas no estará compuesta únicamente por sistemas que registren transacciones. Estará formada por plataformas que ayuden a comprenderlas, relacionarlas, cuestionarlas y convertirlas en mejores decisiones.

Para los profesionales de IT, esta es una oportunidad extraordinaria: pasar de ser proveedores de tecnología a convertirse en arquitectos de una administración pública más inteligente, transparente y responsable.