IA en los servicios públicos de América Latina: un modelo de gobernanza para salir del piloto

La IA ya entró en el Estado, ahora falta darle un marco de gobernanza, aquí algunas ideas

En 2023 un juez en Colombia usó ChatGPT para complementar los argumentos de un fallo de tutela sobre los derechos de un niño con trastorno del espectro autista. El caso llegó a la Corte Constitucional, que en la sentencia T-323 de 2024 fijó criterios para el uso de IA generativa en la justicia: puede apoyar tareas administrativas, de gestión documental y de síntesis de textos, siempre con supervisión humana, y nunca puede reemplazar el razonamiento del juez.

Tres años después la historia se repitió en Chile. Este mes apareció en una resolución de la Corte de Apelaciones de Santiago una instrucción que decía «Eres un juez de la Corte de Apelaciones que debe redactar la parte considerativa de la sentencia». La ministra Jenny Book ordenó rectificarla y pidió explicaciones al relator suplente, que aclaró que el texto correspondía a un trabajo ajeno a la causa y que no se usó para resolverla (El Mercurio, 25 de octubre de 2026).

Esos episodios resumen bastante bien cómo está llegando la inteligencia artificial al sector público latinoamericano. Primero la usan las personas, después aparecen las reglas.

Cómo están adoptando la IA los servicios públicos de la región

La primera etapa es silenciosa. En casi todos los países de la región hay funcionarios que usan a diario ChatGPT, Claude, Gemini o Copilot para redactar oficios, resumir expedientes, preparar respuestas o revisar normativa. Casi siempre con cuentas personales, con información institucional y sin ninguna regla que diga qué se puede subir y qué no. En el mundo privado lo llaman «shadow AI». En el sector público el riesgo es mayor, porque buena parte de esa información son datos personales de ciudadanos. Solo en los poderes judiciales de América Latina, el proyecto Sistemas de Algoritmos Públicos de la Universidad de los Andes contabiliza más de 60 herramientas de IA implementadas.

La segunda etapa es la de los pilotos y las grandes apuestas. Brasil lanzó su Plano Brasileiro de Inteligência Artificial con una inversión anunciada de R$ 23 mil millones hasta 2028, y en 2025 formalizó un proyecto de R$ 390 millones para usar IA en la gestión y prestación de servicios públicos, empezando por integrar datos dispersos del Cadastro Único, salud y educación. En Chile, la Secretaría de Gobierno Digital recibió en 2025 34 iniciativas de IA de distintos servicios y el programa Hazlo con IA se propuso capacitar a 32 mil funcionarios. Hay entusiasmo y hay ganas. Lo que cuesta encontrar en la región son resultados medidos: ahorros, tiempos de respuesta, errores evitados.

La tercera etapa son las estrategias nacionales, y aquí aparece la primera brecha. El Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025, que elaboran CENIA y CEPAL, muestra que 9 de los 19 países analizados tienen una estrategia nacional de IA, pero solo una minoría la ha actualizado, tiene presupuesto asignado o cuenta con un plan de implementación. Otros 7 no tienen ninguna hoja de ruta. Hay ejemplos que van en la dirección correcta. Colombia aprobó en febrero de 2025 su Política Nacional de IA (CONPES 4144), con 106 acciones, más de 116 millones de dólares hasta 2030 y un objetivo explícito de impulsar la adopción en las entidades públicas. Uruguay aprobó en noviembre de 2024 su Estrategia Nacional de IA 2024-2030, liderada por AGESIC. El problema es que entre la estrategia nacional y el jefe de un servicio que tiene que decidir si compra o no un chatbot hay un trecho enorme que casi nadie está cubriendo.

La cuarta etapa, que recién empieza, es el paso de las recomendaciones a las obligaciones. Hasta ahora predominan las reglas blandas. En Chile, una circular de 2023 con lineamientos para los jefes de servicio y las recomendaciones de transparencia algorítmica del Consejo para la Transparencia, de aplicación voluntaria y progresiva. Pero el escenario está cambiando. El Senado de Brasil aprobó en diciembre de 2024 el proyecto de ley de IA (PL 2338/2023). En Chile, el 1 de diciembre de este año entra en vigencia la nueva ley de protección de datos personales (Ley 21.719), que regula las decisiones automatizadas, y el proyecto de ley de IA fue despachado al Senado en octubre de 2025. Los servicios van a tener que demostrar qué sistemas usan, con qué datos y quién responde por ellos, y la mayoría hoy no puede hacerlo. Como referencia, un estudio de GobLab UAI y el Consejo para la Transparencia en Chile encontró en 2021 que el 80% de los sistemas automatizados detectados en el Estado no tenía ninguna información publicada en el sitio web de la institución.

A esto se suman dos restricciones regionales que el ILIA deja en evidencia. Gran parte de los datos que producen nuestros Estados no está disponible en condiciones de ser usada para desarrollar IA, y la capacidad de cómputo está muy concentrada (Brasil tiene más del 90% de la región). Para la mayoría de los servicios públicos eso significa depender de modelos y nubes de grandes proveedores globales, con todo lo que implica en soberanía, costos y protección de datos.

La ciudadanía también está mandando señales. En Chile, la encuesta ICSOH UDP de agosto de 2026 muestra que el 80% apoya obligar por ley a que siempre exista atención de personas en bancos, salud y servicios públicos. Y el ILIA registra que 8 de los 19 países no reportan ningún caso de uso de IA en democracia digital. La gente usa IA a diario, pero no quiere quedar sola frente a un algoritmo cuando se juega un beneficio o un derecho, y todavía tiene pocos espacios para opinar sobre cómo la usa el Estado.

Hay un problema de fondo que se repite en toda la región: la IA se está montando sobre procesos de transformación digital incompletos. Un servicio con datos dispersos, trámites en papel y sin un responsable claro de su transformación digital difícilmente va a gobernar bien sus sistemas de IA, esté en Santiago, Bogotá, Lima o Ciudad de México.

Un marco para ordenar la casa

Hace varios años adapté, a partir del trabajo de Louis Meuleman (2006) sobre gobernanza, un marco que uso desde entonces para analizar procesos de transformación. Tiene seis componentes ordenados en capas: una visión arriba, un núcleo formado por valores, estrategia y estructura, las personas que sostienen ese núcleo y, en la base, los modelos de gestión donde todo se convierte en servicios concretos.

Me pareció un buen punto de partida para pensar la gobernanza de la IA, y lo aterricé a la escala de un servicio público. La mirada es la del jefe de servicio y su equipo directivo, que es donde finalmente se toman las decisiones y se asumen las responsabilidades. Las estrategias nacionales son necesarias, pero la IA se usa, se compra y se equivoca dentro de cada institución.

Sin la intención de querer ser exhaustivo, analice cada una de las dimensiones de gobernanza identificando algunas preguntas que me precer relevante que cada servicio público que quiera avanzar en procesos de adopción de IA debería reflexionar.

Visión: para qué queremos IA

La primera pregunta es para qué. La IA tiene que responder a la misión del servicio y a los problemas concretos de sus usuarios: listas de espera, errores en el pago de beneficios, trámites repetidos, fiscalizaciones mal focalizadas. Si la visión parte de la herramienta disponible, la agenda la terminan definiendo los proveedores. La visión también tiene que ser realista. Un servicio que todavía no ordena sus datos ni digitaliza sus procesos debe asumir que su primera etapa es justamente esa. Y tiene que declarar límites: qué decisiones de su competencia nunca quedarán en manos de un sistema automatizado.

Algunas preguntas:

• ¿Qué parte de nuestra misión podríamos cumplir mejor con IA?
• ¿Qué problemas de nuestros usuarios queremos resolver primero?
• ¿Qué decisiones nunca dejaremos en manos de un sistema automatizado?
• ¿Estamos en condiciones de usar IA hoy, o primero tenemos que resolver la base digital y de datos?

Estrategia: qué hacemos primero y con qué recursos

La estrategia convierte la visión en un portafolio de iniciativas. Parte por un diagnóstico honesto de datos, procesos y capacidades, y sigue con un criterio explícito para priorizar casos de uso. Mi recomendación es combinar iniciativas de bajo riesgo y resultados rápidos (apoyo a la redacción, clasificación de solicitudes, búsqueda en normativa interna) con uno o dos proyectos estructurales de mayor impacto. Cada iniciativa debe clasificarse según su riesgo para las personas, porque eso define los controles que se le exigen. Es la lógica que sigue el AI Act europeo, la que recogen los proyectos de ley de Brasil y Chile. A esto hay que sumar el tema presupuestario y los proceso de compra (propiedad intelectual, reutilización de datos, control de acceso a terceros y términos del contrato), para no quedar solo en el piloto.

Algunas preguntas:

• ¿Qué datos tenemos, en qué calidad, dónde están y quién es su dueño?
• ¿Cuáles son nuestros tres a cinco casos de uso prioritarios y con qué criterio los elegimos?
• ¿Está la IA en nuestra formulación presupuestaria, con recursos para operar más allá del piloto?
• ¿Qué condiciones mínimas exigiremos a cualquier proveedor?
  

Valores: las reglas del día a día

Aquí la herramienta más concreta que tiene un servicio es una política interna de uso de IA, aprobada formalmente, que fije principios, usos permitidos y prohibidos, y responsabilidades. Antes de escribirla conviene levantar qué están usando hoy los funcionarios y con qué información, porque la política tiene que hacerse cargo de esa realidad y ofrecer alternativas seguras. Los casos del juez colombiano y de la Corte de Apelaciones de Santiago muestran que esperar a que llegue una sentencia, un escándalo o una ley para ordenar el uso es la peor opción. Parte relevante de los valores son la transparencia hacia los usuarios y la revisión de sesgos (desigualdades territoriales, étnicas, de género y socioeconómicas) en los datos históricos del servicio

Algunas preguntas:

• ¿Tenemos una política interna de uso de IA aprobada formalmente?
• ¿Qué herramientas están usando hoy nuestros funcionarios y con qué información?
• ¿Cómo sabe un usuario que un sistema de IA intervino en su caso?
• ¿Hemos revisado si nuestros datos históricos contienen sesgos?

Estructura: quién decide y quién responde

Sin patrocinio explícito de la autoridad del servicio, la IA queda confinada al área de TI. Se necesita un responsable de IA y datos con nivel directivo y atribuciones reales, y un comité interno donde se sienten las áreas de negocio, TI, jurídica, seguridad de la información y el encargado de protección de datos, con la tarea de revisar y autorizar los sistemas de mayor riesgo antes de que entren en operación. Lo que casi nadie tiene escrito es quién responde cuando un sistema se equivoca: el dueño del proceso, el área técnica, el proveedor o el funcionario que validó. Cada servicio debería tener esa definición por escrito antes del primer incidente.

Algunas preguntas:

• ¿La autoridad del servicio ha respaldado formalmente esta agenda?
• ¿Quién es el responsable de IA y datos, y a quién reporta?
• ¿Quién autoriza que un sistema de IA entre en operación?
• ¿Quién responde cuando un sistema produce una decisión errónea o un daño?

Personas: capacidades y supervisión real

Todo proceso de transformación descansa en las personas, y con la IA eso se nota más. Los directivos necesitan criterio para evaluar propuestas sin depender del discurso del proveedor. Los equipos técnicos necesitan capacidades especializadas que nuestros Estados tienen muchas dificultades para atraer y retener con escalas remuneracionales rígidas. El ILIA muestra que en la región la alfabetización básica en IA es cuatro veces mayor que el talento especializado, y esa brecha se siente especialmente en el sector público. Hay un punto que me parece crítico: la supervisión humana. Las normas exigen que una persona revise las decisiones apoyadas en IA, pero si ese funcionario no tiene tiempo, información ni respaldo para discrepar del sistema, la supervisión se convierte en un timbre.

Algunas preguntas:

• ¿Qué capacidades tenemos y cuáles nos faltan?
• ¿Qué formación reciben los funcionarios de la institución en materia de IA?
• ¿Tiene el funcionario que supervisa un sistema las condiciones reales para corregirlo?
• ¿Qué canal tiene el usuario que prefiere atención humana?

Modelos de gestión: donde la IA se vuelve servicio

Es la capa donde todo lo anterior se materializa. El punto de partida es un inventario de los sistemas de IA del servicio, propios y de terceros, con su propósito, los datos que usan, su responsable y su nivel de riesgo. Sorprende la cantidad de instituciones que no podrían responder hoy cuántos sistemas tienen operando. Sobre ese inventario se construye todo lo demás: una ficha por sistema, una evaluación de impacto obligatoria para los de alto riesgo, un procedimiento formal de puesta en producción, auditorías periódicas, un mecanismo para reportar incidentes y un monitoreo continuo con umbrales definidos para suspender un sistema cuando su desempeño se degrada. Esto debe complementarse con un canal para que el usuario impugne una decisión apoyada en IA y obtenga revisión humana, integrado a la atención que ya existe. E indicadores de valor público: tiempos de respuesta, errores, cobertura, satisfacción y costos. Un sistema que funciona técnicamente pero no mejora el servicio solo suma complejidad.

Algunas preguntas:

• ¿Sabemos cuántos sistemas de IA operan hoy en el servicio y quién responde por cada uno?
• ¿Qué pasos debe cumplir un sistema antes de entrar en operación?
• ¿Cómo monitoreamos su desempeño?
• ¿Qué indicadores muestran que el sistema mejoró el servicio?

Tres ejes que cruzan todo

Hay tres temas que aparecen en todas las capas. Los datos están en la visión (qué dependencia aceptamos), en la estructura (quién es su dueño), en los valores (privacidad) y en la gestión (calidad). El riesgo ordena la estrategia, define qué instancias de revisión se activan y qué controles se exigen. Y la rendición de cuentas conecta los principios declarados con las responsabilidades y con los mecanismos de reclamo. Si este último eje falla, el resto del modelo se queda en el papel.

Lo que el servicio no controla

Un modelo a escala institucional tiene que reconocer su entorno. El marco legal, los lineamientos de la agencia de gobierno digital, el presupuesto que se negocia con el ministerio de Hacienda o Finanzas, las reglas del empleo público y los criterios de los órganos de control y de transparencia vienen dados. El servicio no los puede cambiar, pero sí anticiparlos y hacer explícitas sus restricciones en la estrategia.

Por dónde partir

Si tuviera que recomendarle a un jefe de servicio, en cualquier país de la región, tres cosas para los próximos seis meses, serían estas.

• Inventario de los sistemas de IA que ya operan y de las herramientas que usan sus funcionarios.
• Política interna de uso de IA aprobada formalmente.
• Responsable de IA y datos con nivel directivo y un comité que revise los casos de mayor riesgo.

Ninguna de las tres requiere grandes presupuestos, y las tres van a ser necesarias de todos modos cuando las leyes de datos personales y de IA empiecen a fiscalizarse.