Recibido: 14 de octubre de 2025
Aceptado: 11 de febrero de 2026
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.
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.
La corrupción es uno de los principales obstáculos para el desarrollo de las comunidades, ya que afecta a todos los sectores de la sociedad (
La corrupción afecta la transparencia del gobierno, la eficiencia del gasto público y la confianza de los ciudadanos en las instituciones (
En este contexto, la inteligencia artificial (IA) ha sido una herramienta útil para transformar la administración pública (
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.
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 (
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 (
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.
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 (
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 (
Según
De acuerdo con la Organización para la Cooperación y el Desarrollo Económico (
Como se mencionó, las plataformas digitales y los portales de datos abiertos han transformado el manejo gubernamental de la información pública (
La corrupción se puede entender como una conducta motivada para obtener un beneficio privado a costa del bien público, apartándose de las normas establecidas (
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.
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.
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.
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 (
En el mundo, la corrupción sigue siendo un problema grave y generalizado. Según el Índice de Percepción de la Corrupción 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.
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 (
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 (
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 (
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 (
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 (
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 (
La brecha de capacidades institucionales representa un desafío clave para la adopción efectiva de tecnologías como la IA (
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 (
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 (
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 (
La IA en la tecnopolítica propicia una transición de un sistema de fiscalización con tiempos determinados a un proceso de supervisión constante y permanente (
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 (
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 (
Se hace un estudio documental basado en la recolección, sistematización y análisis de información pertinente obtenida de fuentes confiables y especializadas (
Se realizó una búsqueda sistemática (
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 (
Variable | Descripción |
| País | Lugar donde se desarrolla y aplica la iniciativa |
| Nombre de la iniciativa | Denominación oficial o común del programa, plataforma o proyecto basado en IA |
| Año | Momento en que fue implementada o puesta en marcha |
| Tipo de IA utilizada | Clasificación tecnológica, por ejemplo, machine learning, procesamiento de lenguaje natural, algoritmos predictivos, big data |
| Sector donde se aplica | Áreas de aplicación: compras públicas, administración tributaria, auditorías, participación ciudadana, monitoreo y evaluación |
| Características | Descripción general de la iniciativa, su alcance, funcionalidades y tecnología empleada |
| Resultados | Impactos reportados en términos de mejora de la transparencia, eficiencia administrativa, detección o reducción de actos corruptos, o incremento de la participación ciudadana |
| Desafíos clave | Principales obstáculos identificados, como barreras tecnológicas, resistencia institucional, limitaciones legales, éticas o sociales |
| Nivel de madurez | Estado actual de desarrollo de la iniciativa, desde proyectos piloto hasta implementación consolidada y masiva |
| Marco legal o ético | Referencias a normativas, regulaciones o políticas que sustentan, regulan o limitan el uso de la IA en ese contexto |
| Fuentes | Documentos, 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 |
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 (
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).
Variable | Colombia | Estados Unidos | Canadá | México |
| Nombre de la iniciativa | Vigia | Analytics Program | Fintrac | Plataforma Digital Nacional |
| Año | 2021 | 2024 | 2023 | 2022 |
| Tipo de IA utilizada | Machine learning supervisado | Machine learning supervisado | Machine learning supervisado | Machine learning supervisado |
| Sector donde se aplica | Contratación pública | Pagos federales | Inteligencia financiera | Contratación pública |
| Características | Sistema de alerta temprana para contratación pública | Analiza transacciones federales y detecta fraudes en tiempo real | Analiza en tiempo real millones de transacciones bancarias y detecta patrones de lavado de dinero y financiamiento ilícito | Identifica patrones de riesgo de corrupción en contratos públicos, enfocándose en la relación comprador-proveedor |
| Resultados | Mejora la supervisión de contratos y detecta irregularidades con anticipación | Prevención y recuperación de más de 4 mil millones de dólares en fraudes | Aumento 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 clave | Falta de personal capacitado y calidad limitada de los datos | Calidad y disponibilidad de datos; coordinación entre agencias | Manejo de grandes volúmenes de datos y protección de derechos | Calidad y homogeneidad de datos públicos |
| Nivel de madurez | Activo | Operativo y en expansión | Operativo y en expansión | Piloto |
| Marco legal o ético | Protección de datos personales de acuerdo con la legislación colombiana | Se basa en el executive order 14110 y en normas de IA, transparencia, gobernanza y protección de datos | Ley de blanqueo de capitales y el poder regulador de Fintrac alineado con marco de IA responsable | En proceso de alineación con principios éticos de transparencia y protección de datos |
| Fuentes | ||||
| ¿A quién sustituye? | A los analistas humanos que revisan manualmente contratos, bases de datos o posibles casos de corrupción con compras públicas | Parcialmente a los auditores humanos tradicionales que hacían revisiones caso por caso | A los analistas financieros humanos que antes analizaban manualmente reportes de transacciones sospechosas | Complementa el trabajo de las instituciones tradicionales de control y fiscalización |
Variable | Italia | Francia | Dinamarca | Reino Unido | España |
| Nombre de la iniciativa | Autorità Nazionale Anticorruzione (ANAC) | AntiCor AI | Social AI Monitoring System | Public Sector Fraud Authority (PSFA) | Estatal de Administración Tributaria |
| Año | 2023 | 2023-2025 | 2015 | 2023 | 2024 |
| Tipo de IA utilizada | IA integrada y blockchain | Machine learning supervisado | Machine learning supervisado y minería de datos | Machine learning supervisado | Machine learning supervisado |
| Sector donde se aplica | Contratación pública | Hacienda pública | Bienestar social | Fraude en pagos públicos | Inspección tributaria |
| Características | Automatización del ciclo de licitaciones públicas mediante IA y blockchain para prevenir corrupción | Usa IA para analizar datos fiscales y transacciones, detectando automáticamente fraudes y anomalías tributarias | Emplea hasta 60 modelos de IA para analizar datos administrativos, detectando fraudes en pagos de bienestar antes de ser procesados | Utiliza la plataforma Snap para detectar redes de fraude en pagos públicos mediante análisis de redes y machine learning | Utiliza IA para analizar datos fiscales y transacciones, mejorando la selección de contribuyente con riesgo a fraude |
| Resultados | Adopción de un nuevo código de contrataciones con IA | 50 % de las investigaciones por fraude iniciadas por IA | Recuperación de 23 millones de euros con un presupuesto anual de 3.1 millones | Detección de más de 140 millones de euros en pagos indebidos | Mejora en la selección de casos de riesgo y aumento en la recuperación de deudas. |
| Desafíos clave | Falta de evidencia empírica sobre impactos reales | Protección de datos sensibles | Riesgo de vigilancia masiva, discriminación algorítmica, protección de datos sensibles y sesgo étnico | Calidad de datos, coordinación interdepartamental | Riesgo de opacidad algorítmica |
| Nivel de madurez | Fase inicial | Operativo y en expansión | Operativo y en expansión | Operativo y escalado | Operativo en fase de escalamiento |
| Marco legal o ético | Decreto Legislativo 36/2023; supervisión algorítmica con base en la Ley 190/2012 | Normas nacionales de protección de datos y principios éticos de IA en hacienda francesa | Regulaciones de privacidad nacionales y europeas | Marco del Government Counter Fraud Functional Strategy | Basado 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) |
| Fuentes | |||||
| ¿A quién sustituye? | No sustituye a la autoridad; automatiza y optimiza el análisis y vigilancia de procedimientos licitatorios y contratos | Sustituye parcialmente a revisiones manuales y análisis tradicionales de grandes volúmenes de datos fiscales | Sustituye parcialmente tareas repetitivas de revisión manual de casos y verificación de elegibilidad | Sustituye parcialmente las auditorías manuales y análisis tradicionales en detección de fraudes en pagos y contrataciones | Sustituye parcialmente los procesos manuales tradicionales de revisión y análisis de declaraciones fiscales |
Variable | Corea del Sur | India | Singapur | China |
| Nombre de la iniciativa | Koneps | Government e-Marketplace (GeM) | GovTech | Sistema de supervisión del Partido Comunista de China (PCCh) |
| Año | 2006 | 2016 | 2023 | 2012 |
| Tipo de IA utilizada | Machine learning supervisado | Machine learning y deep learning | Machine learning y minería de datos | Machine learning supervisado |
| Sector donde se aplica | Contratación pública | Compras públicas | Compras públicas | Disciplina gubernamental |
| Características | Utiliza machine learning para analizar contratos y detectar colusión en licitaciones públicas vía indicadores predictivos | Utiliza IA para analizar patrones de comportamiento en compras públicas y detectar posibles fraudes o colusión | Utiliza IA para correlacionar datos de recursos humanos, pagos a proveedores y relaciones familiares, para detectar riesgo de fraude en adquisiciones públicas | Emplea IA para analizar múltiples bases de datos (bancos, propiedades, transacciones) y detectar casos tempranos de corrupción entre funcionarios locales |
| Resultados | Ahorro estimado de 6.5 millones de dólares anuales | Facilitó compras por 65 mil millones de dólares entre 2024-2025 | Identificación regular de casos sospechosos | Identificación de 8721 funcionarios implicados (2012-2019) |
| Desafíos clave | Riesgo de fraude en etapas menos visibles | Calidad de datos industriales | Integración de datos sensibles | Falta de transparencia algorítmica |
| Nivel de madurez | Operativo | Operativo | Piloto en expansión | Operativo |
| Marco legal o ético | Mandato legal y marcos de transparencia de acuerdo con la OECD | Política de gobierno digital; en proceso de inclusión de blockchain e IA explicativa | En el marco de Smart Nation y las políticas de GovTech, con reglas internas de protección de datos y supervisión humana de alertas | Respaldado por la comisión central de disciplina del partido; actúa bajo marcos de supervisión interna, pero con escasas transparencia externa |
| Fuentes | ||||
| ¿A quién sustituye? | Sustituye parcialmente procesos manuales y descentralizados de gestión de contrataciones públicas | Sustituye parcialmente procesos manuales de evaluación de proveedores, revisión de contratos y control de riesgo | Sustituye parcialmente tareas manuales como revisión de contratos, evaluación de proveedores y análisis de riesgo | Complementa las labores de vigilancia y control de los órganos disciplinarios del PCCh |
Variable | Kenia | Sudáfrica | Nigeria | Ghana |
| Nombre de la iniciativa | KERS-AI | Open Contracting Data Standard | Nigerian Integrity Portal | Open Data Initiative |
| Año | 2024 | 2023 | 2024 | 2023 |
| Tipo de IA utilizada | Machine learning, minería de datos y Natural Language Processing | Machine learning y análisis de redes | Machine learning, minería de datos y Natural Language Processing | Machine learning, minería de datos y Natural Language Processing |
| Sector donde se aplica | Administración tributaria | Licitaciones públicas | Compras públicas | Contraloría social |
| Características | La IA analiza datos fiscales, transacciones e importaciones, para detectar evasión y fraudes | La IA analiza compras públicas mediante aprendizaje automático y análisis de redes, alertando posibles fraudes y colusiones en licitaciones | Utiliza IA, minería de datos y análisis de denuncias ciudadanas para detectar fraudes en contrataciones públicas | Plataforma que utiliza IA, minería de datos y denuncias ciudadana automatizada para detectar fraudes en contrataciones públicas y pagos indebidos |
| Resultados | Recuperación de 30 millones de dólares entre 2023-2024 | Detección de 30 000 licitaciones fraudulentas en 3 años | Recuperación de 4 millones de dólares en menos de 24 horas | Reducción de prácticas corruptas en contratación pública |
| Desafíos clave | Sabotaje interno y privacidad de datos | Interoperabilidad entre plataformas | Fragmentación de datos públicos | Resistencia institucional |
| Nivel de madurez | Piloto en expansión | Piloto en expansión | Piloto en escalamiento | Piloto en expansión |
| Marco legal o ético | Kenya Revenue Authority (KRA) Act Cap 469 | Public 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) |
| Fuentes | ||||
| ¿A quién sustituye? | Sustituye los métodos manuales de auditoría, fiscalización y detección de evasores | Complementa el trabajo de la fiscalización y compras públicas | Complementa los registros civiles tradicionales y bases de datos dispersas del gobierno | Complementa a las instituciones de auditoría y control gubernamental |
Variable | Australia | Nueva Zelanda |
| Nombre de la iniciativa | Robodebt Scheme | Algorithm charter for Aotearoa New Zealand |
| Año | 2025 | 2025 |
| Tipo de IA utilizada | Machine learning supervisado | Machine learning supervisado |
| Sector donde se aplica | Seguridad social y administración tributaria | Sector público |
| Características | Emplea la IA para detectar fraudes fiscales y pagos indebidos en tiempo real, analizando grandes volúmenes de datos de transacciones | Establecimiento de un marco de IA responsable para asegurar el uso ético, transparente y centrado en la ciudadanía |
| Resultados | Prevención de 2.5 millones de dólares en fraudes por el impuesto sobre bienes y servicios | Adopción en 37 de 50 agencias gubernamentales |
| Desafíos clave | Gobernanza de IA en desarrollo | Ausencia de políticas vinculantes |
| Nivel de madurez | Piloto avanzado | Formativo/desarrollo |
| Marco legal o ético | Directrices de la Australian National Audit Office (ANAO); Políticas de la Australian Public Service Commission (APSC) para uso responsable de la IA | Alineado al modelo de IA de la OECD; Privacy Act, Bill of Rights Act y Human Rights Act |
| Fuentes | ||
| ¿A quién sustituye? | Sustituye parcialmente la revisión manual de pagos indebidos en programas de seguridad social | Complementa a las agencias del sector público en la toma de decisiones basadas en datos |
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 (
El machine learning supervisado es la tecnología de IA más utilizada (
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 (
El nivel de madurez de estas iniciativas varía significativamente entre regiones (
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 (
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 (
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 (
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 (
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 (
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.
Los autores declaran no tener conflictos de interés.
Todos los autores contribuyeron conjuntamente a este artículo y asumen la responsabilidad conjunta de su contenido.
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.