Uso de la inteligencia artificial en la transparencia gubernamental y el combate a la corrupción*

Use of Artificial Intelligence in Government Transparency and the Fight Against Corruption

DOI 10.22430/21457778.3706 Logotecnologicas PDF Tablas

Recibido: 14 de octubre de 2025
Aceptado: 11 de febrero de 2026

Cómo referenciar / How to reference
Garcia-Benitez, V. H., Ruvalcaba-Gómez, E. A., & Hernandez Martinez, I. (2026). Uso de la inteligencia artificial en la transparencia gubernamental y el combate a la corrupción. Trilogía Ciencia Tecnología Sociedad, 18(38), e3706. https://doi.org/10.22430/21457778.3706

 

Resumen

La corrupción estructural que deteriora el desarrollo y la confianza en las instituciones puede ser enfrentada con la inteligencia artificial, una herramienta con capacidad de transformación para fortalecer la transparencia gubernamental en el sector público. El objetivo de la investigación es identificar y analizar las características de las prácticas más relevantes que utilizan inteligencia artificial para combatir la corrupción en el mundo. El enfoque metodológico fue cualitativo, descriptivo y comparativo, basado en un estudio de 19 iniciativas internacionales. Se halla una tendencia mundial a utilizar la inteligencia artificial a través del machine learning supervisado, principalmente en áreas de alta vulnerabilidad como las compras públicas y la administración tributaria. Se observa que hay una implementación de la inteligencia artificial como una herramienta que complementa las capacidades humanas, no como un reemplazo. Aunque se han presentado resultados financieros significativos, el análisis evidencia desafíos comunes como la deficiencia en la calidad de los datos, la falta de personal capacitado y una notable brecha entre el avance tecnológico y el desarrollo de marcos jurídicos y éticos. En conclusión, la eficacia de la inteligencia artificial depende de factores contextuales como la madurez institucional y la gobernanza de datos, y necesita una reforma integral de las capacidades estatales con el fin de garantizar un uso transparente, ético y responsable.

Palabras clave: combate a la corrupción, inteligencia artificial, sector público, transparencia gubernamental.

Abstract

Structural corruption, which undermines development and erodes trust in public institutions, can be addressed through the use of Artificial Intelligence (AI)—a transformative tool with the potential to strengthen transparency in the public sector. Against this backdrop, the present study aims to identify and analyze the characteristics of the most significant AI-based practices used worldwide to combat corruption. To this end, a qualitative, descriptive, and comparative approach was adopted, based on the examination of 19 international initiatives. The findings reveal a global trend toward the use of AI—through supervised machine learning—primarily in areas that are highly vulnerable to corruption, such as public procurement and tax administration. In particular, the evidence indicates that AI is generally implemented as a tool that enhances, rather than replaces, human capabilities. Despite the notable financial outcomes reported in the literature, the analysis also highlights recurring challenges, including poor data quality, a shortage of skilled personnel, and a significant gap between technological advancement and the development of legal and ethical frameworks. In conclusion, the effectiveness of AI in combating corruption is contingent on contextual factors like institutional maturity and data governance. Additionally, a comprehensive strengthening of government capacities is required to ensure that AI is employed in a transparent, ethical, and responsible manner.

Keywords: fight against corruption, artificial intelligence, public sector, government transparency.

INTRODUCCIÓN

La corrupción es uno de los principales obstáculos para el desarrollo de las comunidades, ya que afecta a todos los sectores de la sociedad (Alto Comisionado de las Naciones Unidas para los Derechos Humanos, s.f.; Banerjee et al., 2012). Se puede entender la corrupción como el abuso del poder para obtener beneficios personales, a través de acciones ilegales, lo cual tiene un impacto en los sectores público y privado (Damijan, 2023; Shleifer & Vishny, 1993). De acuerdo con Doshi y Ranganathan (2019) y Jain (2001), este fenómeno implica el uso indebido de la autoridad para obtener beneficios, lo que genera efectos negativos en el desarrollo económico y en la estabilidad de las instituciones.

La corrupción afecta la transparencia del gobierno, la eficiencia del gasto público y la confianza de los ciudadanos en las instituciones (Damijan, 2023; Doshi & Ranganathan, 2019). Trasciende las acciones individuales, en tanto evidencia patrones sistemáticos y un orden en la sociedad en el que las normas y el bien común son sobrepasados por intereses particulares, lo cual repercute en el ejercicio del poder y en la repartición de recursos (Mungiu-Pippidi, 2015). Para autores como Luna-Pla y Nicolás-Carlock (2020) y Zhang et al. (2023), esto se agudiza si las instituciones públicas carecen de mecanismos de fiscalización y control, para evitar la impunidad y el abuso del poder.

En este contexto, la inteligencia artificial (IA) ha sido una herramienta útil para transformar la administración pública (Henman, 2020; Jankin Mikhaylov et al., 2018). Con ella ha mejorado la detección y prevención de actos de corrupción, gracias a su capacidad para procesar grandes cantidades de datos, identificar patrones irregulares y reducir la discrecionalidad humana. Como afirman Köbis et al. (2021), la IA puede fortalecer la integridad de las instituciones al hacer más transparentes y auditables los procesos administrativos. En distintos países este desarrollo tecnológico se está utilizando en áreas como la auditoría fiscal, las compras gubernamentales, el monitoreo de declaraciones patrimoniales, la gestión de denuncias y otros procesos donde frecuentemente ocurren actos de corrupción.

Aunque han aumentado las iniciativas que implementan a la IA para promover la transparencia, todavía no hay un estudio comparativo sistemático de estas experiencias internacionales que permita identificar sus características, similitudes y diferencias. La ausencia de sistematización hace más difícil la generación de aprendizajes transferibles y limita la oportunidad de replicar modelos exitosos adaptados a diferentes contextos institucionales. Bracci (2023) y Wirtz et al. (2019) afirman que la implementación de estas tecnologías en el sector público enfrenta múltiples desafíos, no solo técnicos, sino también éticos, legales y de gobernanza que deben tenerse en cuenta para evitar riesgos asociados a la automatización, como el sesgo algorítmico o la opacidad en la toma de decisiones.

La tecnopolítica en el sector público —el uso estratégico y sistemático de sistemas digitales para la organización, la comunicación y la transformación de la acción política colectiva (Gutiérrez-Rubí, 2014)— se ha extendido a la política institucional (Candón-Mena & Montero-Sánchez, 2021), lo que ha permitido que, de forma gradual, la gestión pública, la formulación de políticas y los mecanismos de deliberación y participación ciudadana se desarrollen a través de infraestructuras tecnológicas, reconfigurando las relaciones entre Estado, los ciudadanos y los procesos de gobernanza.

A partir de estas consideraciones, el presente artículo se pregunta: ¿cuáles son las características de las prácticas más relevantes que utilizan IA para combatir la corrupción en el sector público a nivel mundial? Para responder esta pregunta, se estudiarán las prácticas existentes, reconociendo que su éxito no está ligado solo a su desarrollo tecnológico (Elmousalami, 2021; Neumann et al., 2024), sino también al nivel de madurez del sistema institucional, al grado de supervisión ética y a los marcos normativos que regulan su uso. Tal como señala Bustelo Gracia (2025), es imperativo auditar los algoritmos utilizados en el sector público para garantizar su respeto a los principios de transparencia, equidad y responsabilidad.

El estudio realiza una revisión comparativa de iniciativas internacionales, analizando aspectos clave como el tipo de IA utilizada, el nombre de la iniciativa, sus características principales, su marco legal y ético, el grado de madurez tecnológica alcanzado y el tipo de función institucional que reemplaza o automatiza. La finalidad es ofrecer un panorama claro y organizado del uso de la IA en la gestión pública, para ampliar el conocimiento sobre su implementación, aportando evidencia comparada sobre los principales elementos que lo caracterizan.

REVISIÓN DE LA LITERATURA

Esta sección establece el marco teórico conceptual que articula tres áreas de estudio para la modernización del gobierno: la transparencia gubernamental, el combate a la corrupción y el uso de la IA en el sector público. Según diversos estudios, una mayor transparencia es clave en la disminución de la corrupción, pues fortalece los procesos de rendición de cuentas (Mungiu-Pippidi, 2023; Vian, 2020). El reto es explorar cómo con las capacidades algorítmicas de la IA se puede enfrentar la corrupción y superar los enfoques tecnocráticos tradicionales (Köbis et al., 2022; Larsson & Heintz, 2020).

Transparencia gubernamental

Esta es una de las bases fundamentales para fortalecer la democracia y la gobernanza, garantizando el acceso a la información pública sobre las actividades, las decisiones y los recursos del gobierno (Porumbescu et al., 2022). La transparencia reduce las diferencias de información entre gobierno y ciudadanos, facilitando la rendición de cuentas, el control social (Fox, 2007) y la confianza en las instituciones, elemento clave para la estabilidad política y el desarrollo económico.

Según Fung et al. (2007), hay dos tipos principales de transparencia: la pasiva, que permite a los ciudadanos solicitar información, y la activa, que se relaciona con la difusión proactiva de información relevante. Esta distinción es útil para entender cómo optimizar el acceso a la información y aumentar la participación de los ciudadanos. Por su parte, la teoría de la agencia sostiene que, al acercar la información a los ciudadanos, la transparencia limita la discrecionalidad de los funcionarios públicos, disminuyendo las oportunidades de corrupción y posibilitando la rendición de cuentas (Bauhr & Grimes, 2014). Sin un flujo adecuado de información, los funcionarios públicos pueden aprovecharse del desconocimiento ciudadano para beneficio propio.

De acuerdo con la Organización para la Cooperación y el Desarrollo Económico (OECD, 2017), la transparencia no debe considerarse como un fin en sí mismo, sino como parte de un enfoque integral de gobierno abierto que fomente la participación ciudadana y la colaboración de los diferentes sectores de la sociedad. Esta perspectiva considera que la apertura institucional solo genera valor público cuando se vincula con la acción social y el control democrático. Se ha demostrado que los gobiernos con mayores índices de transparencia activa suelen tener bajos índices de corrupción y una gestión pública más eficiente, en tanto que el acceso a la información mejora el escrutinio ciudadano y la rendición de cuentas (Bertot et al., 2010).

Androniceanu (2021) y Lourenço (2023) sostienen que la transparencia gubernamental implica que la información sobre la gestión pública sea accesible, clara y oportuna para la ciudadanía, lo que permite que las personas puedan vigilar, cuestionar y exigir a los funcionarios públicos. En un gobierno transparente hay mayor fiscalización de recursos públicos y eficiencia en la administración pública (Chen & Neshkova, 2020; Erkkilä, 2020). En este tipo de gobierno, las políticas públicas transparentes son una estrategia que incluye participación ciudadana y mecanismos de control interno (Agu et al., 2024; Vian, 2020; Villeneuve et al., 2020).

Como se mencionó, las plataformas digitales y los portales de datos abiertos han transformado el manejo gubernamental de la información pública (Al Sulaimani & Ozuem, 2022; Shenkoya, 2023), pues han facilitado el acceso a los datos y su reutilización, fomentándose la fiscalización, la creación de políticas públicas basadas en evidencia y la formación de un espacio en común entre el gobierno y la ciudadanía (Janssen et al., 2012; Mackey & Cuomo, 2020; Matheus et al., 2023). Así, la transparencia se consolida como un principio imprescindible de la gobernanza, cuya confianza depende de la conexión con otros mecanismos institucionales y tecnológicos que aseguren su accesibilidad y utilidad para la ciudadanía.

Combate a la corrupción

La corrupción se puede entender como una conducta motivada para obtener un beneficio privado a costa del bien público, apartándose de las normas establecidas (Friedrich, 2017). Es un mecanismo de poder y dominación (Rendtorff, 2010) que se manifiesta, por ejemplo, con el uso de dinero para obtener beneficios y ventajas. Según Banshiwal (2024), la corrupción ocurre cuando los individuos priorizan ilícitamente sus intereses personales sobre sus responsabilidades públicas.

El soborno, la extorsión, el nepotismo y el tráfico de influencias son algunas de las formas que asume la corrupción en los ámbitos administrativo y político, afectando la integridad y eficiencia de las instituciones públicas. Rose-Ackerman y Palifka (2016) refieren que la corrupción, además de afectar la confianza ciudadana, tiene efectos como la desigualdad social y el debilitamiento del Estado de derecho.

Por este motivo, debe entenderse como un fenómeno estructural, además de individual o moral, que se desarrolla cuando no hay mecanismos efectivos de control y transparencia en las instituciones. Klitgaard (2008) formuló una ecuación que resume los factores que la facilitan:

Corrupción = Monopolio + Discrecionalidad – Rendición de cuentas

Esta ecuación implica que los actos de corrupción aumentan si los funcionarios públicos tienen poder exclusivo sobre decisiones clave (monopolio), actúan con libertad sin normas claras (discrecionalidad) y no están sujetos a mecanismos de fiscalización y consecuencias legales (rendición de cuentas). Igualmente, la corrupción puede entenderse como una transacción oculta entre agentes racionales que buscan maximizar su utilidad. Klitgaard (1988) afirma que la corrupción aparece cuando las personas perciben que el beneficio supera el riesgo de ser detectado y castigado. La corrupción responde a una lógica de incentivos, y no únicamente a factores culturales o éticos.

Además, este problema se asocia con la toma de decisiones sobre el gasto público y el desvío de recursos hacia proyectos menos necesarios, pero más fáciles de manipular (Delavallade, 2006; Moschovis, 2010). Esto aumenta el costo y la eficiencia de los servicios públicos, pues se incluyen montos que no se utilizan para lo que fue recaudado. De acuerdo con Morris y Blake (2010), la corrupción genera un círculo vicioso de desconfianza, en el cual los ciudadanos dejan de cumplir la ley porque perciben que las élites no lo hacen.

En el mundo, la corrupción sigue siendo un problema grave y generalizado. Según el Índice de Percepción de la Corrupción 2024 (Transparency International U.S., 2025) —que evalúa a 180 países y que considera factores como el desvío de fondos públicos, el uso de cargos públicos para beneficio propio, la integridad e independencia del poder judicial y el soborno—, más de dos tercios de los países obtienen puntuaciones inferiores a 50 sobre 100, lo que indica elevados niveles de corrupción percibida en el sector público a nivel global (Merino, 2015, 2022, 2024).

El combate a la corrupción se ha convertido en una prioridad en el mundo, con instituciones como la OECD y el Banco Mundial liderando los esfuerzos. Mungiu-Pippidi et al. (2011) mencionan que, a pesar de la alta prioridad otorgada a la cooperación para el desarrollo, los enfoques actuales han arrojado resultados decepcionantes, lo que ha provocado el debate sobre nuevas metodologías para atender este problema. Se ha propuesto un «sistema nacional de integridad», compuesto por ocho pilares interdependientes: la conciencia pública, las estrategias públicas anticorrupción, la participación ciudadana, los organismos de control, el poder judicial, la participación del sector privado, los medios de comunicación y la cooperación internacional (Doig & McIvor, 2003; Langseth et al., 1997; Lukito, 2016).

Sin embargo, las acciones gubernamentales existentes siguen siendo principalmente reactivas, enfocándose en las sanciones por los actos de corrupción en lugar de trabajar en su prevención, a pesar de la persistencia de actos de corrupción en países con sanciones severas (Alfaro Paredes, 2025). Esto hace que en el combate a la corrupción sea necesario no solo castigar la corrupción ocurrida, sino anticiparse a ella mediante mecanismos de prevención y vigilancia, en los que tecnologías como la IA juegan un papel importante. Estas herramientas tecnológicas permiten automatizar procesos como las auditorías, identificar patrones irregulares y reducir las oportunidades de actos discrecionales de las autoridades.

Uso de IA en el sector público

La IA en el sector público ha surgido como una herramienta con un alto potencial transformador, que determina no solo la manera en que los gobiernos diseñan y ejecutan las políticas públicas, sino también la gestión administrativa, la prestación de servicios y la interacción con la ciudadanía (Ruvalcaba-Gómez & Garcia-Benitez, 2025c; van Noordt & Misuraca, 2022; Wirtz et al., 2019). A través del uso de algoritmos, de modelos predictivos, del procesamiento de lenguaje natural y del aprendizaje automático, los sistemas de IA permiten la automatización de tareas repetitivas, la optimización de procesos complejos y el mejoramiento en la toma de decisiones en situaciones caracterizadas por grandes volúmenes de información, limitaciones en los recursos y exigencias de eficiencia (Garcia Benitez et al., 2025; Ruvalcaba-Gómez & Garcia-Benitez, 2025a, 2025b; Susar & Aquaro, 2019; Valle-Cruz et al., 2020; Wirtz et al., 2021).

En diversas áreas de la administración pública, como la recaudación fiscal, la fiscalización de contratos, la justicia, la seguridad ciudadana y la gestión de programas sociales, la IA está tomando un rol clave para el mejoramiento en la capacidad de respuesta y en la rendición de cuentas de las administraciones públicas (Susar & Aquaro, 2019; van Noordt & Misuraca, 2022). De acuerdo con Wirtz et al. (2019, 2021), los países están invirtiendo activamente en sistemas de IA, con el objetivo de aumentar la productividad en la gestión pública y mejorar los servicios públicos.

Además, este desarrollo tecnológico permite analizar en tiempo real grandes cantidades de datos, encontrar patrones de riesgo, automatizar procesos complejos y proporcionar información predictiva que fortalece la toma de decisiones basada en evidencia dentro del sector público (OECD & CAF Development Bank of Latin America, 2022). Una de las ventajas más importantes de la IA en el sector público es su contribución a que la transparencia se fortalezca. La automatización de auditorías, el monitoreo continuo de transacciones públicas y el análisis de los datos pueden facilitar la detección temprana de actos de corrupción, conflictos de interés o malversación de fondos (Köbis et al., 2022; Odilla, 2023). Para Ruvalcaba-Gómez y Garcia-Benitez (2025a), la IA se convierte en una herramienta que mejora los resultados de la gestión pública y contribuye a la integridad institucional de la administración pública.

Desafíos, oportunidades y riesgos de la IA en el sector público

El uso de IA en el sector público no está libre de desafíos. Uno de los principales riesgos es la falta de transparencia en los algoritmos, lo que se llama el dilema de la «caja negra», en el que los sistemas automatizados toman decisiones sin que los funcionarios públicos o los ciudadanos comprendan con claridad cómo (Susar & Aquaro, 2019; Wirtz et al., 2019). Esta falta de explicabilidad puede afectar la legitimidad, especialmente cuando las decisiones tienen un impacto negativo en el acceso a servicios públicos, en los procesos administrativos o en la asignación de recursos públicos.

Otro reto es la protección de datos personales. Dado que muchos modelos de IA requieren acceder a grandes cantidades de información sensible, incluyendo datos financieros, biométricos o de salud, es necesario contar con marcos regulatorios que garanticen la privacidad, la no discriminación y la seguridad de la información (Andraško et al., 2021; Zuiderveen Borgesius, 2020). Una de las recomendaciones de la OECD (2019) es el desarrollo de políticas públicas que promuevan una IA confiable, ética, transparente, segura y centrada en el ser humano.

La brecha de capacidades institucionales representa un desafío clave para la adopción efectiva de tecnologías como la IA (Jankin Mikhaylov et al., 2018; Susar & Aquaro, 2019). Cuando las organizaciones gubernamentales no cuentan con el personal técnico necesario, limita su capacidad para diseñar, implementar o supervisar los sistemas algorítmicos. De acuerdo con Katzenbach y Ulbricht (2022), la implementación de estas tecnologías se acompaña de estrategias de capacitación continua para los servidores públicos, así como del fortalecimiento de equipos interdisciplinarios y de mecanismos de gobernanza que garanticen una supervisión humana y transparente en todas las fases del proceso.

La IA ofrece oportunidades y retos en el combate a la corrupción en diversos sectores, al poder procesar grandes cantidades de datos para detectar conductas fraudulentas, señalar transacciones sospechosas e identificar irregularidades en las contrataciones públicas (Del Rey-Puech et al., 2025). De esta forma, posibilita mayor eficiencia, reducción del error humano y toma de decisiones basada en datos (AllahRakha, 2025). Como muestran Bozhenko y Petrenko (2022), un mayor desarrollo tecnológico y digital de los procesos del sector público se correlaciona con la reducción de los niveles e índices de percepción de la corrupción.

Por lo tanto, la implementación de la IA implica riesgos, como tener algoritmos sesgados, la posible manipulación de los datos para beneficio propio y la posibilidad de ocultar prácticas corruptas en lugar de exponerlas (AllahRakha, 2025; Del Rey-Puech et al., 2025). No obstante, los marcos de gobernanza son relevantes para el éxito de este avance tecnológico. Köbis et al. (2021) sostienen que las iniciativas del gobierno pueden correr el riesgo de convertirse en control autoritario, mientras que las iniciativas de la sociedad civil se enfrentan a limitaciones de acceso a los datos. El uso idóneo de la IA para enfrentar la corrupción dependerá de la supervisión humana, de los mecanismos de auditoría y de la rendición de cuentas para maximizar su potencial.

La tecnopolítica en el uso de la IA en el sector público

Desde una perspectiva tecnopolítica, la IA debe usarse de forma estratégica para propiciar la organización y la acción colectiva en la fiscalización del poder público (Gutiérrez-Rubí, 2021). En este enfoque de gobernanza digital la tecnología automatiza procesos con el fin de generar valor público al involucrar a la ciudadanía en el monitoreo de las instituciones (Jimbo-Santana y Jimbo-Santana, 2021).

La IA en la tecnopolítica propicia una transición de un sistema de fiscalización con tiempos determinados a un proceso de supervisión constante y permanente (de la Torre López, 2025; Jimbo-Santana & Jimbo-Santana, 2021). El seguimiento de las políticas públicas y las instituciones que permite la IA tiene como efecto la identificación de relaciones causales que antes desconocía el ciudadano (Cabrera Altieri et al., 2025; Jimbo-Santana & Jimbo-Santana, 2021). Asimismo, el uso de datos abiertos procesados por IA facilita que los ciudadanos sean vigilantes proactivos de sus representantes (Gutiérrez-Rubí, 2021).

Con base en la tecnopolítica, los algoritmos y los datos no pertenecen solo a las grandes organizaciones y/o empresas, sino que se gestionan como un bien público (Cabrera Altieri et al., 2025). Esto implica, según Gutiérrez-Rubí (2021), que la tecnología es útil para reducir la desigualdad y fortalecer la autodeterminación digital frente a las estructuras de poder convencionales.

METODOLOGÍA

Se adoptó un enfoque cualitativo, descriptivo y comparativo, adecuado para estudiar fenómenos complejos y multidimensionales como el uso de la IA en contextos gubernamentales, y describir y comparar las experiencias existentes facilitando la comprensión de las estrategias, tecnologías y resultados de diversas iniciativas internacionales (Lim, 2025; Ruvalcaba-Gómez & Garcia-Benitez, 2025b).

Se hace un estudio documental basado en la recolección, sistematización y análisis de información pertinente obtenida de fuentes confiables y especializadas (García Benítez & Ruvalcaba-Gómez, 2021; Morgan, 2022), lo que posibilita un análisis riguroso y actualizado. De acuerdo con Tamayo y Tamayo (2003), este tipo de estudio es idóneo para construir conocimiento a partir de la revisión, interpretación y síntesis crítica de documentos, especialmente en investigaciones exploratorias, descriptivas o de análisis comparativo.

Recolección de los datos

Se realizó una búsqueda sistemática (García Benitez et al., 2025) en bases de datos académicas y portales oficiales, tales como Google Académico, Scielo, bases de datos gubernamentales, portales de organismos internacionales, así como reportes institucionales y documentos técnicos. Se emplearon palabras clave en español e inglés: inteligencia artificial, artificial intelligence, anticorrupción, anti-corruption, transparencia, transparency, gobierno digital, digital government, sector público, public sector, así como combinaciones entre ellas, para asegurar una amplia cobertura temática y geográfica.

Selección de los casos

Se eligieron 19 países con distintos niveles de desarrollo económico y tecnológico que han implementado iniciativas destacadas en el uso de IA para la detección, prevención y combate a la corrupción en el sector público. Los países son: Canadá, Estados Unidos, México, Colombia, Dinamarca, España, Francia, Italia, Reino Unido, China, Corea del Sur, India, Singapur, Ghana, Kenia, Nigeria, Sudáfrica, Australia y Nueva Zelanda. Con esta diversidad de países se busca una visión global de las diferentes realidades y los contextos institucionales, para identificar similitudes y diferencias significativas.

En la Tabla 1 se organizan y sistematizan las características de las prácticas identificadas en los textos revisados, describiendo las variables que permiten reconocer los elementos más relevantes de cada iniciativa. Esta se utilizó como instrumento para la codificación y el análisis de la información con datos recolectados de forma cuidadosa para garantizar la calidad y precisión (Khoa et al., 2023).

Tabla 1. Variables para analizar las iniciativas de IA que combaten la corrupción
Variable
Descripción
PaísLugar donde se desarrolla y aplica la iniciativa
Nombre de la iniciativaDenominación oficial o común del programa, plataforma o proyecto basado en IA
AñoMomento en que fue implementada o puesta en marcha
Tipo de IA utilizadaClasificación tecnológica, por ejemplo, machine learning, procesamiento de lenguaje natural, algoritmos predictivos, big data
Sector donde se aplicaÁreas de aplicación: compras públicas, administración tributaria, auditorías, participación ciudadana, monitoreo y evaluación
CaracterísticasDescripción general de la iniciativa, su alcance, funcionalidades y tecnología empleada
ResultadosImpactos reportados en términos de mejora de la transparencia, eficiencia administrativa, detección o reducción de actos corruptos, o incremento de la participación ciudadana
Desafíos clavePrincipales obstáculos identificados, como barreras tecnológicas, resistencia institucional, limitaciones legales, éticas o sociales
Nivel de madurezEstado actual de desarrollo de la iniciativa, desde proyectos piloto hasta implementación consolidada y masiva
Marco legal o éticoReferencias a normativas, regulaciones o políticas que sustentan, regulan o limitan el uso de la IA en ese contexto
FuentesDocumentos, artículos, informes o portales de donde se extrajo la información
¿A quién sustituye?Funciones, procesos o actores humanos que son reemplazados o asistidos por la tecnología
Fuente: elaboración propia.
Proceso para el análisis de los datos

Este estudio se apoyó en un proceso de sistematización y análisis de los datos obtenidos de la literatura y de los documentos oficiales de cada uno de los casos seleccionados (Ruvalcaba-Gómez & Garcia-Benitez, 2023). El procedimiento metodológico siguió las siguientes etapas:

  1. Búsqueda y recolección documental: búsqueda sistematizada con palabras clave definidas y filtro de resultados con criterios de actualidad, confiabilidad, pertinencia y calidad académica.
  2. Selección y registro de datos: se eligieron y registraron los datos relevantes, cuidando la precisión y la integridad de la información.
  3. Análisis temático y comparativo: con técnicas de codificación y categorización, se identificaron características, similitudes y diferencias entre las distintas iniciativas.
RESULTADOS

Esta sección presenta el análisis descriptivo de las diferentes iniciativas internacionales que implementan IA para el combate a la corrupción. La investigación desarrolla un análisis comparativo de los países que destacan en cada uno de los continentes, basándose en las similitudes y diferencias que se identifican respecto a las siguientes características: el tipo de IA que se utiliza, el sector en donde se aplica, qué busca sustituir la IA, el marco legal o ético que lo regula, el nivel de madurez de la iniciativa, así como los resultados que se han obtenido y los desafíos que implica la adopción de este desarrollo tecnológico (ver Tablas 2 a 6).

Tabla 2. Mapeo de iniciativas de IA para combatir la corrupción en América
Variable
Colombia
Estados Unidos
Canadá
México
Nombre de la iniciativaVigiaAnalytics ProgramFintracPlataforma Digital Nacional
Año2021202420232022
Tipo de IA utilizadaMachine learning supervisadoMachine learning supervisadoMachine learning supervisadoMachine learning supervisado
Sector donde se aplicaContratación públicaPagos federalesInteligencia financieraContratación pública
CaracterísticasSistema de alerta temprana para contratación públicaAnaliza transacciones federales y detecta fraudes en tiempo realAnaliza en tiempo real millones de transacciones bancarias y detecta patrones de lavado de dinero y financiamiento ilícitoIdentifica patrones de riesgo de corrupción en contratos públicos, enfocándose en la relación comprador-proveedor
ResultadosMejora la supervisión de contratos y detecta irregularidades con anticipaciónPrevención y recuperación de más de 4 mil millones de dólares en fraudesAumento de reportes de transacciones sospechosas (de 114 422 en 2015 a 560 858 en 2022-2023)Buen desempeño en la identificación de contratos irregulares; modelo aplicable internacionalmente
Desafíos claveFalta de personal capacitado y calidad limitada de los datosCalidad y disponibilidad de datos; coordinación entre agenciasManejo de grandes volúmenes de datos y protección de derechosCalidad y homogeneidad de datos públicos
Nivel de madurezActivoOperativo y en expansiónOperativo y en expansiónPiloto
Marco legal o éticoProtección de datos personales de acuerdo con la legislación colombianaSe basa en el executive order 14110 y en normas de IA, transparencia, gobernanza y protección de datosLey de blanqueo de capitales y el poder regulador de Fintrac alineado con marco de IA responsableEn proceso de alineación con principios éticos de transparencia y protección de datos
FuentesGallego (2021)Thomas (2025)Government of Canada (2023)Aldana et al. (2022)
¿A quién sustituye?A los analistas humanos que revisan manualmente contratos, bases de datos o posibles casos de corrupción con compras públicasParcialmente a los auditores humanos tradicionales que hacían revisiones caso por casoA los analistas financieros humanos que antes analizaban manualmente reportes de transacciones sospechosasComplementa el trabajo de las instituciones tradicionales de control y fiscalización
Fuente: elaboración propia.
Tabla 3. Mapeo de iniciativas de IA para combatir la corrupción en Europa
Variable
Italia
Francia
Dinamarca
Reino Unido
España
Nombre de la iniciativaAutorità Nazionale Anticorruzione (ANAC)AntiCor AISocial AI Monitoring SystemPublic Sector Fraud Authority (PSFA)Estatal de Administración Tributaria
Año20232023-2025201520232024
Tipo de IA utilizadaIA integrada y blockchainMachine learning supervisadoMachine learning supervisado y minería de datosMachine learning supervisadoMachine learning supervisado
Sector donde se aplicaContratación públicaHacienda públicaBienestar socialFraude en pagos públicosInspección tributaria
CaracterísticasAutomatización del ciclo de licitaciones públicas mediante IA y blockchain para prevenir corrupciónUsa IA para analizar datos fiscales y transacciones, detectando automáticamente fraudes y anomalías tributariasEmplea hasta 60 modelos de IA para analizar datos administrativos, detectando fraudes en pagos de bienestar antes de ser procesadosUtiliza la plataforma Snap para detectar redes de fraude en pagos públicos mediante análisis de redes y machine learningUtiliza IA para analizar datos fiscales y transacciones, mejorando la selección de contribuyente con riesgo a fraude
ResultadosAdopción de un nuevo código de contrataciones con IA50 % de las investigaciones por fraude iniciadas por IARecuperación de 23 millones de euros con un presupuesto anual de 3.1 millonesDetección de más de 140 millones de euros en pagos indebidosMejora en la selección de casos de riesgo y aumento en la recuperación de deudas.
Desafíos claveFalta de evidencia empírica sobre impactos realesProtección de datos sensiblesRiesgo de vigilancia masiva, discriminación algorítmica, protección de datos sensibles y sesgo étnicoCalidad de datos, coordinación interdepartamentalRiesgo de opacidad algorítmica
Nivel de madurezFase inicialOperativo y en expansiónOperativo y en expansiónOperativo y escaladoOperativo en fase de escalamiento
Marco legal o éticoDecreto Legislativo 36/2023; supervisión algorítmica con base en la Ley 190/2012Normas nacionales de protección de datos y principios éticos de IA en hacienda francesaRegulaciones de privacidad nacionales y europeasMarco del Government Counter Fraud Functional StrategyBasado en la estrategia nacional de IA (2020), real decreto 817/2023 y supervisión futura de la Agencia Española de Supervisión de la Inteligencia Artificial (Aesia)
FuentesBizzini (2024)Gouvernement de la République française (2025)Amnesty International (2024)Cabinet Office et al. (2023)Gobierno de España (2025)
¿A quién sustituye?No sustituye a la autoridad; automatiza y optimiza el análisis y vigilancia de procedimientos licitatorios y contratosSustituye parcialmente a revisiones manuales y análisis tradicionales de grandes volúmenes de datos fiscalesSustituye parcialmente tareas repetitivas de revisión manual de casos y verificación de elegibilidadSustituye parcialmente las auditorías manuales y análisis tradicionales en detección de fraudes en pagos y contratacionesSustituye parcialmente los procesos manuales tradicionales de revisión y análisis de declaraciones fiscales
Fuente: elaboración propia.
Tabla 4. Mapeo de iniciativas de IA para combatir la corrupción en Asia
Variable
Corea del Sur
India
Singapur
China
Nombre de la iniciativaKonepsGovernment e-Marketplace (GeM)GovTechSistema de supervisión del Partido Comunista de China (PCCh)
Año2006201620232012
Tipo de IA utilizadaMachine learning supervisadoMachine learning y deep learningMachine learning y minería de datosMachine learning supervisado
Sector donde se aplicaContratación públicaCompras públicasCompras públicasDisciplina gubernamental
CaracterísticasUtiliza machine learning para analizar contratos y detectar colusión en licitaciones públicas vía indicadores predictivosUtiliza IA para analizar patrones de comportamiento en compras públicas y detectar posibles fraudes o colusiónUtiliza IA para correlacionar datos de recursos humanos, pagos a proveedores y relaciones familiares, para detectar riesgo de fraude en adquisiciones públicasEmplea IA para analizar múltiples bases de datos (bancos, propiedades, transacciones) y detectar casos tempranos de corrupción entre funcionarios locales
ResultadosAhorro estimado de 6.5 millones de dólares anualesFacilitó compras por 65 mil millones de dólares entre 2024-2025Identificación regular de casos sospechososIdentificación de 8721 funcionarios implicados (2012-2019)
Desafíos claveRiesgo de fraude en etapas menos visiblesCalidad de datos industrialesIntegración de datos sensiblesFalta de transparencia algorítmica
Nivel de madurezOperativoOperativoPiloto en expansiónOperativo
Marco legal o éticoMandato legal y marcos de transparencia de acuerdo con la OECDPolítica de gobierno digital; en proceso de inclusión de blockchain e IA explicativaEn el marco de Smart Nation y las políticas de GovTech, con reglas internas de protección de datos y supervisión humana de alertasRespaldado por la comisión central de disciplina del partido; actúa bajo marcos de supervisión interna, pero con escasas transparencia externa
FuentesMolepo y Jahed (2022)Balasubramanyam (2025)Government Technology Agency of Singapore (2024)TomoNews US (2019)
¿A quién sustituye?Sustituye parcialmente procesos manuales y descentralizados de gestión de contrataciones públicasSustituye parcialmente procesos manuales de evaluación de proveedores, revisión de contratos y control de riesgoSustituye parcialmente tareas manuales como revisión de contratos, evaluación de proveedores y análisis de riesgoComplementa las labores de vigilancia y control de los órganos disciplinarios del PCCh
Fuente: elaboración propia.
Tabla 5. Mapeo de iniciativas de IA para combatir la corrupción en África
Variable
Kenia
Sudáfrica
Nigeria
Ghana
Nombre de la iniciativaKERS-AIOpen Contracting Data StandardNigerian Integrity PortalOpen Data Initiative
Año2024202320242023
Tipo de IA utilizadaMachine learning, minería de datos y Natural Language ProcessingMachine learning y análisis de redesMachine learning, minería de datos y Natural Language ProcessingMachine learning, minería de datos y Natural Language Processing
Sector donde se aplicaAdministración tributariaLicitaciones públicasCompras públicasContraloría social
CaracterísticasLa IA analiza datos fiscales, transacciones e importaciones, para detectar evasión y fraudesLa IA analiza compras públicas mediante aprendizaje automático y análisis de redes, alertando posibles fraudes y colusiones en licitacionesUtiliza IA, minería de datos y análisis de denuncias ciudadanas para detectar fraudes en contrataciones públicasPlataforma que utiliza IA, minería de datos y denuncias ciudadana automatizada para detectar fraudes en contrataciones públicas y pagos indebidos
ResultadosRecuperación de 30 millones de dólares entre 2023-2024Detección de 30 000 licitaciones fraudulentas en 3 añosRecuperación de 4 millones de dólares en menos de 24 horasReducción de prácticas corruptas en contratación pública
Desafíos claveSabotaje interno y privacidad de datosInteroperabilidad entre plataformasFragmentación de datos públicosResistencia institucional
Nivel de madurezPiloto en expansiónPiloto en expansiónPiloto en escalamientoPiloto en expansión
Marco legal o éticoKenya Revenue Authority (KRA) Act Cap 469Public Procurement Act 28/2024, Public Finance Management Act (PFMA)/Municipal Finance Management Act (MFMA)Independent Corrupt Practices and Other Related Offences Commission (ICPC)Public Procurement Authority Act y Whistle-Blower Act (2006)
FuentesObura (2024)Duja Consulting (2025)NAN (2024)Mensah (2017)
¿A quién sustituye?Sustituye los métodos manuales de auditoría, fiscalización y detección de evasoresComplementa el trabajo de la fiscalización y compras públicasComplementa los registros civiles tradicionales y bases de datos dispersas del gobiernoComplementa a las instituciones de auditoría y control gubernamental
Fuente: elaboración propia.
Tabla 6. Mapeo de Iniciativas de IA para combatir la corrupción en Oceanía
Variable
Australia
Nueva Zelanda
Nombre de la iniciativaRobodebt SchemeAlgorithm charter for Aotearoa New Zealand
Año20252025
Tipo de IA utilizadaMachine learning supervisadoMachine learning supervisado
Sector donde se aplicaSeguridad social y administración tributariaSector público
CaracterísticasEmplea la IA para detectar fraudes fiscales y pagos indebidos en tiempo real, analizando grandes volúmenes de datos de transaccionesEstablecimiento de un marco de IA responsable para asegurar el uso ético, transparente y centrado en la ciudadanía
ResultadosPrevención de 2.5 millones de dólares en fraudes por el impuesto sobre bienes y serviciosAdopción en 37 de 50 agencias gubernamentales
Desafíos claveGobernanza de IA en desarrolloAusencia de políticas vinculantes
Nivel de madurezPiloto avanzadoFormativo/desarrollo
Marco legal o éticoDirectrices de la Australian National Audit Office (ANAO); Políticas de la Australian Public Service Commission (APSC) para uso responsable de la IAAlineado al modelo de IA de la OECD; Privacy Act, Bill of Rights Act y Human Rights Act
FuentesAldane (2025)New Zealand Government (2023)
¿A quién sustituye?Sustituye parcialmente la revisión manual de pagos indebidos en programas de seguridad socialComplementa a las agencias del sector público en la toma de decisiones basadas en datos
Fuente: elaboración propia.
Diferencias y similitudes en las iniciativas de IA para combatir la corrupción

El mapeo de las iniciativas muestra una tendencia creciente hacia la adopción de la IA como herramienta para el combate a la corrupción. El análisis comparativo a través de los continentes demuestra que, si bien existen particularidades regionales, se presentan patrones en la aplicación de esta tecnología en el mundo. Los esfuerzos se concentran en sectores de la administración pública con alta vulnerabilidad, como las contrataciones y compras públicas, la administración tributaria y la gestión de pagos federales o de bienestar social (Adobor & Yawson, 2023; Odilla, 2023). Este enfoque sugiere una estrategia orientada a intervenir en los puntos más críticos donde se han manifestado los actos de corrupción.

El machine learning supervisado es la tecnología de IA más utilizada (Köbis et al., 2022; Lyeonov et al., 2024). Desde el programa Vigia en Colombia hasta el Robodebt Scheme en Australia, se emplea para analizar grandes cantidades de datos e identificar patrones que sugieran irregularidades, fraudes o colusiones. La contratación pública es el campo de acción principal en países tan diversos como México, Italia, Corea del Sur y Sudáfrica, donde los sistemas de IA se enfocan en detectar anomalías en licitaciones y en las relaciones entre compradores y proveedores (Adobor & Yawson, 2023; Ayobami et al., 2023). Otros ámbitos del sector público relevantes incluyen la inteligencia financiera, como en el caso de Canadá, y la inspección tributaria, como se observa en España y Kenia.

Un hallazgo importante es que la IA no se utiliza como un sustituto del ser humano, sino como una herramienta de complemento a las capacidades de las instituciones gubernamentales (Jarrahi, 2018; Licklider, 1960). Proyectos como la Plataforma Digital Nacional de México y el Open Data Initiative de Ghana están diseñados para complementar el trabajo de las organizaciones públicas. En otros contextos, como en Estados Unidos, Reino Unido y España, la IA reemplaza de forma parcial las actividades repetitivas, como las auditorías caso por caso o la revisión de declaraciones fiscales. Esto permite que los analistas humanos concentren sus esfuerzos en casos de alto riesgo que los algoritmos han filtrado previamente.

El nivel de madurez de estas iniciativas varía significativamente entre regiones (Dener et al., 2021; Dreyling et al., 2024). Mientras que en Europa y América del Norte se encuentran sistemas de IA en fase de expansión, como los de Canadá, Francia y Reino Unido, otras de las implementaciones en África y América Latina, como las de Nigeria, Kenia y México, se encuentran aún en fase piloto o de escalamiento inicial. Como indican Aderibigbe et al. (2023) y Jha y Singh (2024), esta disparidad refleja diferencias en la inversión, la infraestructura de datos y la capacidad institucional para adoptar tecnologías complejas, indicando que, aunque la tendencia es global, el ritmo de implementación es heterogéneo.

Potencial y desafíos de la IA para combatir la corrupción

Los resultados cuantitativos reportados son uno de los indicadores más importantes del uso de la IA para el combate a la corrupción. El Analytics Program de Estados Unidos ha logrado la prevención y recuperación de más de 4 mil millones de dólares en fraudes (Alms, 2024), mientras que el PSFA del Reino Unido ha detectado más de 140 millones de euros en pagos indebidos (Gore & Williamson, 2024). En otras regiones, los impactos también son significativos, con recuperaciones de 30 millones de dólares en Kenia (Mukabi, 2024) y la detección de más de 30 000 licitaciones fraudulentas en Sudáfrica (Maisiri, 2024).

La implementación de la IA enfrenta desafíos comunes en el mundo. El principal obstáculo identificado en casi todas las iniciativas es la calidad, disponibilidad y homogeneidad de los datos. La efectividad de los modelos de aprendizaje automático depende directamente de la calidad de los datos con los que son entrenados (Susar & Aquaro, 2019; Wirtz et al., 2019), un problema explícitamente mencionado en Colombia, Estados Unidos y Francia. Otros desafíos recurrentes incluyen la falta de personal capacitado, la coordinación entre dependencias gubernamentales y la resistencia institucional al cambio (Ruvalcaba Gómez & García Benítez, 2023), como se reporta en Colombia y Ghana, respectivamente.

En cuanto a los marcos legales y éticos, la mayoría de las iniciativas operan bajo sistemas normativos y leyes preexistentes, como las de protección de datos personales. Sin embargo, el desarrollo de marcos regulatorios diseñados específicamente para la adopción de la IA en el sector público sigue siendo uno de los desafíos a enfrentar en muchos países (de Almeida et al., 2021; Scherer, 2015). Mientras naciones como Nueva Zelanda con Algorithm Charter o España con su Estrategia Nacional de IA buscan establecer una gobernanza proactiva, otras se encuentran en proceso de alinear sus iniciativas con principios éticos. Esto subraya la necesidad de un desarrollo normativo que avance en paralelo a la implementación de la IA.

Tecnopolítica en el uso de la IA para combatir la corrupción

Según los hallazgos referentes a la tecnopolítica, el uso de la IA es una estrategia común y en desarrollo para combatir la corrupción, principalmente en áreas de alta vulnerabilidad institucional, como la gestión de programas sociales, la administración tributaria y la contratación pública, con peculiaridades y ajustes según el contexto y las circunstancias de cada país. Si bien los datos cuantitativos revelan impactos económicos importantes en varios países, el potencial tecnopolítico de la IA tiene aún retos persistentes asociados con la cantidad y calidad de los datos, la escasez de expertos especializados y la falta de marcos legales y éticos específicos.

La IA debe evitar la arbitrariedad y la opacidad de los algoritmos cerrados para que la tecnopolítica funcione en contra de la corrupción (Gutiérrez-Rubí, 2021), apoyando decisiones claras, lejos de convertirse en cajas negras que ocultan sesgos o decisiones injustas (de la Torre López, 2025; Jimbo-Santana & Jimbo-Santana, 2021). Para Cabrera Altieri et al. (2025) y de la Torre López (2025), es necesario que la IA respete la dignidad humana y la protección de datos personales, para impedir que sea una herramienta de opresión o una que permita fraudes de identidad digital.

CONCLUSIONES

En la investigación se reconocieron las iniciativas más relevantes que implementan la IA para el combate a la corrupción y el fomento de la transparencia gubernamental en el mundo, a través de un análisis documental con enfoque descriptivo, cualitativo y comparativo de casos seleccionados, sistematizando información relevante de 19 iniciativas de países.

Se constató que el desarrollo tecnológico de la IA es útil para el combate a la corrupción, aunque su sola implementación no soluciona un problema tan complejo. Según el análisis comparativo, el éxito y la continuidad de estas iniciativas se relaciona con factores como la madurez institucional, la calidad de la infraestructura para los datos y la presencia de marcos de gobernanza. Asimismo, se evidenció que la IA no acelera procesos, que su funcionalidad depende de las condiciones existentes con que se ejecuta y que es útil para mejorar las capacidades y habilidades de las personas, en vez de sustituirlas por completo (Köbis et al., 2021, 2022; Licklider, 1960).

La IA se utiliza en la mayoría de los proyectos para automatizar la detección de anomalías en distintos conjuntos de datos, posibilitando el análisis estratégico y la toma de decisiones complejas. En este contexto, el reto es que las organizaciones públicas capaciten al capital humano para entender y actuar en función de los resultados generados por los algoritmos.

Por otra parte, si se considera que los datos son los elementos más importantes para entrenar los modelos de IA, hay límites a su potencial que se deben enfrentar, como la falta de interoperabilidad entre dependencias, la diversidad de las bases de datos de las organizaciones públicas y la deficiente calidad y estandarización de la información. En este sentido, más que invertir a gran escala en algoritmos sofisticados, se requieren esfuerzos estratégicos en la gobernanza de datos y en la creación de una infraestructura digital integral.

La investigación revela que puede haber una brecha en la gobernanza digital en el mundo, por las diferencias en el nivel de madurez y la escala de las aplicaciones de IA entre los países, pues en Europa y América del Norte hay sistemas en expansión con resultados financieros cuantificables, mientras que las iniciativas en África y América Latina están en fases piloto y enfrentan barreras estructurales.

Además, hay un importante desfase entre el acelerado avance tecnológico de la IA y la creación de marcos legales y éticos para su regulación. La mayoría de las iniciativas están abordando la falta de transparencia y los sesgos algorítmicos con marcos normativos antiguos no aptos para este propósito. Esta ausencia de regulación específica para usar la IA en el sector público puede generar incertidumbre y desconfianza de los ciudadanos hacia el gobierno. En conclusión, las disparidades en la madurez institucional y las diferencias en la regulación e infraestructura muestran que el potencial de la IA para combatir la corrupción está condicionado por contextos políticos, económicos y éticos.

El presente trabajo tiene limitaciones que se deben reconocer. El análisis se basa en un mapeo descriptivo de iniciativas a partir de fuentes públicas, lo que no permite una evaluación causal profunda sobre el impacto de la IA en la reducción de los niveles de corrupción. En futuras líneas de investigación se busca orientar los estudios hacia la medición del impacto de la IA, así como a análisis cualitativos de los procesos de adaptación en las organizaciones públicas y las resistencias institucionales que surgen durante la implementación de estas tecnologías. El análisis comparativo presentado no busca generalizar soluciones, sino ofrecer un panorama general de lo que se está haciendo en el mundo en esta materia.

El presente artículo muestra avances significativos en la implementación de la IA para el combate a la corrupción; sin embargo, aún es necesaria una mayor estandarización y evaluación del impacto, pues muchas de las iniciativas se encuentran en fases piloto y carecen de evaluación independiente.

Los hallazgos sugieren que la tecnopolítica en el análisis de la IA en el combate contra la corrupción y la transparencia gubernamental es un proceso de cambio institucional que, integrado estratégicamente en las dinámicas de la acción pública, puede incrementar la capacidad del gobierno para detectar, vigilar y rendir cuentas.

La IA proporciona herramientas para la vigilancia y el análisis de los datos sin precedentes, pero se requiere de una transformación de las capacidades, los procesos y las estructuras gubernamentales en materia de gobernanza de datos, desarrollo de capital humano y marcos normativos. Por lo que el desafío no solo se encuentra en la programación del algoritmo, sino también en la transformación del sector público.

CONFLICTOS DE INTERÉS

Los autores declaran no tener conflictos de interés.

CONTRIBUCIÓN DE AUTORÍA

Todos los autores contribuyeron conjuntamente a este artículo y asumen la responsabilidad conjunta de su contenido.

DECLARACIÓN DE USO DE INTELIGENCIA ARTIFICIAL

Los autores declaran un uso marginal de la herramienta de inteligencia artificial generativa Gemini durante la fase de preparación del manuscrito para ajuste del fraseo. El uso de esta herramienta se centró exclusivamente en la corrección ortotipográfica de puntuación y sintaxis del texto. Se garantiza un uso ético y honesto de la herramienta utilizada.

NOTAS AL PIE

  • arrow_upward Esta investigación contó con el apoyo de la Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI) del Gobierno de México, con un proyecto de investigación desarrollado desde El Colegio de Jalisco. Este estudio también contó con el apoyo del Proyecto de Investigación PID2022-136283OB-I00, del Ministerio de Ciencia de España, AEI/10.13039/50110001103 y ESF+.
REFERENCIAS