Plumas NCC |Radiografía crítica del Plan Nacional de Inteligencia Artificial en México

Por: Mtro. Rodolfo Guerrero Martínez

 

 

Cuando un gobierno publica un plan nacional de inteligencia artificial, el texto suele leerse dos veces: una primera, como manifiesto de intenciones; una segunda, más exigente, como conjunto de compromisos verificables. En ese sentido, el Plan Nacional de Inteligencia Artificial de México, presentado en abril de 2026, resiste razonablemente bien la primera lectura y muestra fisuras notorias en la segunda.

Este artículo examina esas fisuras a partir de cuatro ejes que, en conjunto, determinan si una estrategia de IA puede sostenerse en el tiempo: el diseño del marco legal y su gobernanza, los mecanismos para evaluar impacto, riesgo y calidad de los datos, la existencia de métricas y rendición de cuentas verificables, y la sostenibilidad de la infraestructura soberana que el propio Plan coloca como su activo más visible.

Es primordial enfatizar que el fin no es desestimar el esfuerzo, que resulta comparativamente más ambicioso que el de buena parte de la región, sino someterlo al mismo estándar con el que se juzgan las estrategias de países que llevan más tiempo enfrentando estos dilemas. Así también, la comparación revela que México ha atendido con solvencia las preguntas de infraestructura y talento, sin embargo, deja abiertas las preguntas de gobernanza operativa, medición y sostenibilidad que, a largo plazo, suelen ser las que determinan si una política de IA sobrevive a un cambio de administración.

I. Marco legal y gobernanza: principios sin arquitectura sancionatoria

Los Principios de Chapultepec ofrecen un lenguaje ético convincente, pero operan como declaración programática, no como norma exigible. El Plan anuncia un marco legal federal articulado en seis principios —transparencia, licitud, no discriminación, proporcionalidad, supervisión humana y corresponsabilidad— sin precisar todavía qué autoridad tendrá facultades de investigación, sanción y reparación.

Precisamente, esa omisión contrasta con el Reglamento europeo de IA, que clasifica los sistemas por niveles de riesgo y asigna obligaciones diferenciadas a proveedores, responsables del despliegue y usuarios de los sistemas considerados de alto riesgo, con un régimen de cumplimiento verificable antes de su introducción en el mercado (Diario Oficial de la Unión Europea, 2024). Además, la Recomendación revisada del Consejo de la Organización para la Cooperación y el Desarrollo Económico (OCDE) sobre Inteligencia Artificial, adoptada en mayo de 2024, insiste en un punto que el Plan mexicano apenas esboza: los principios solo generan confianza cuando se acompañan de mecanismos nacionales de implementación con recursos identificables (OCDE, 2024).

Concentrar la coordinación en una sola agencia —la Agencia de Transformación Digital y Telecomunicaciones— simplifica el organigrama, pero también convierte a esa dependencia en un cuello de botella si su capacidad técnica no crece al mismo ritmo que sus responsabilidades.

II. Evaluación de impacto, riesgo y datos: una promesa sin metodología declarada

El Plan reconoce que la IA pública debe evaluarse antes de automatizar, empero no adopta ni adapta explícitamente una metodología de evaluación de impacto. Dicha ausencia resulta significativa porque existen marcos ya probados que el propio ecosistema internacional de gobernanza utiliza como referencia. De acuerdo con el Marco de Gestión de Riesgos de IA del Instituto Nacional de Estándares y Tecnología (NIST) organiza la tarea en cuatro funciones —gobernar, mapear, medir y gestionar— que permiten trazar el peligro desde el diseño hasta el monitoreo posterior al despliegue (NIST, 2023).

Por otra parte, el catálogo de evaluación de IA del Fraunhofer IAIS (2023) ofrece, de manera complementaria, seis dimensiones de confiabilidad —equidad, autonomía y control, transparencia, fiabilidad, seguridad y protección de datos— que podrían operacionalizar los principios de Chapultepec en criterios auditables. Ninguno de estos marcos aparece referenciado en el Plan, lo que sugiere que la evaluación de impacto seguirá diseñándose caso por caso, con el riesgo de heterogeneidad entre dependencias que ya enfrentan otros países en etapas tempranas de implementación.

La dimensión de datos agrava el problema, dado que, el Plan declara los datos como bien público, sin embargo, no describe un protocolo de evaluación de calidad, representatividad o sesgo previo al entrenamiento de modelos. La guía de evaluación de impacto basada en derechos humanos elaborada por BSR subraya que estas evaluaciones deben integrar pruebas de equidad, revisión de calidad de datos y ejercicios de red teaming como parte de un mismo proceso, no como controles aislados posteriores al despliegue (BSR, 2025).

En proyectos como el Modelo de Grafos contra Factureras o el Gestor Inteligente de Desastres, que procesan información fiscal y datos sensibles sobre personas desaparecidas u hospitalizadas, la ausencia de un protocolo declarado de evaluación de impacto no es un detalle técnico menor, sino una omisión que compromete la defensa misma de los principios que el Plan proclama.

III. Métricas, transparencia y rendición de cuentas

El cuarto principio de Chapultepec exige que ninguna decisión se automatice si no puede explicarse. Se trata de un estándar exigente que, no obstante, corre el riesgo de confundirse con una solución técnica ya resuelta. Siu et al. (2025) muestran que buena parte de las herramientas etiquetadas como explicables ofrecen justificaciones posteriores a la decisión que no reflejan el proceso real de cómputo, lo que puede generar una falsa sensación de rendición de cuentas sin modificar la capacidad de las personas afectadas para impugnar un resultado. El Plan no distingue entre explicabilidad técnica y mecanismos de impugnación efectivos, y tampoco fija indicadores públicos que permitan verificar, con el tiempo, si sus herramientas cumplen ese estándar.

La investigación del Ada Lovelace Institute sobre percepciones públicas de la IA en el sector público confirma que esta distinción no es académica: las personas valoran la explicabilidad por encima de la exactitud y consideran que la confianza depende de procesos claros de apelación y reparación, no solo de la existencia de un principio declarado (Parker y Carter, 2025).

El Plan tampoco se compromete con indicadores externos ya disponibles para medir su propio avance. Instrumentos como el índice de madurez GovTech del Banco Mundial o el índice de preparación gubernamental en IA de Oxford Insights permitirían fijar metas comparables en el tiempo, pero el Plan no los adopta como referencia de seguimiento, de modo que la evaluación de sus resultados dependerá, por ahora, de los propios reportes gubernamentales.

IV. El costo ambiental que falta por nombrar

Coatlicue, la súper computadora cuántica concentra la parte más contundente del Plan: 314 petaflops, una inversión pública de aproximadamente 6,000 millones de pesos y un modelo de acceso híbrido entre investigación abierta y renta de cómputo industrial. Dicho logro de infraestructura, empero, se presenta prácticamente sin referencia a su huella energética o hídrica, un vacío que contrasta con la tendencia observada en otras estrategias nacionales.

Radu (2025) documenta que, aunque las consideraciones ambientales fueron periféricas en la primera generación de estrategias de IA, las más recientes integran de manera creciente objetivos de eficiencia energética, economía circular y resiliencia climática, con países como Costa Rica incorporando explícitamente criterios de impacto ambiental mínimo en sus estándares técnicos de cómputo.

La comparación con Singapur resulta especialmente instructiva, ya que su actualización de la Estrategia Nacional de IA vincula expresamente el crecimiento de cómputo con la sostenibilidad del ecosistema y con mecanismos de integración industrial de largo plazo, en lugar de tratar la capacidad de procesamiento como un fin en sí mismo (National AI Strategy Update, 2026).

En cambio, el Plan mexicano, enumera aplicaciones prioritarias de Coatlicue —clima, agricultura, energía, salud— sin abordar la paradoja de que una supercomputadora dedicada en parte a modelar escenarios climáticos deba, a su vez, rendir cuentas sobre su propio consumo energético. La sostenibilidad de la infraestructura soberana no puede limitarse a la disponibilidad de cómputo, debido a que exige también transparencia sobre su costo ambiental y sobre el efecto que su operación tendrá en la matriz energética nacional, un capítulo que el Plan deja, por ahora, sin desarrollar.

A esto se suma una pregunta de sostenibilidad institucional más amplia: la investigación del Alan Turing Institute sobre uso del tiempo en el sector público británico muestra que la adopción de IA generativa transforma de manera desigual las cargas de trabajo entre funciones administrativas, lo que exige políticas específicas de recualificación y gestión del cambio (Hashem et al., 2025).

Adicionalmente, el Plan menciona la formación de talento como pilar autónomo, pero no conecta explícitamente esa formación con la gestión del desplazamiento de tareas que sus propios proyectos —desde el agente conversacional Ventanilla 24/7 hasta el sistema de clasificación de patentes del IMPI— ya están generando dentro de la administración pública.

V. Una arquitectura ambiciosa que necesita bisagras operativas

El Plan Nacional de Inteligencia Artificial acierta en diagnosticar que México no puede limitarse a importar herramientas ajenas y en construir, en un plazo breve, activos de infraestructura y talento poco comunes en la región. Pero una radiografía más exigente muestra que sus tres pilares originales —ética, capacidades e infraestructura— carecen todavía de las bisagras operativas que los convertirían en política de Estado duradera, a través de una arquitectura sancionatoria clara, una metodología declarada de evaluación de impacto y datos, indicadores públicos de seguimiento y una contabilidad explícita del costo ambiental de su propia infraestructura.

Ninguna de estas ausencias invalida el proyecto; todas, sin embargo, marcan la distancia entre un plan bien intencionado y una política capaz de rendir cuentas de sí misma en cinco o diez años.

Referencias

Aitken, M., Leslie, D., Ostmann, F., Pratt, J., Margetts, H., & Dorobantu, C. (2022). Common regulatory capacity for AI. The Alan Turing Institute.

BSR. (2025). A human rights-based approach to impact assessment (Guide 3 of the Responsible AI Practitioner Guides for Taking a Human Rights-Based Approach to Generative AI).

Diario Oficial de la Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. DOUE L 2024/1689.

Fraunhofer IAIS. (2023). Guideline for designing trustworthy artificial intelligence: AI assessment catalog.

Hashem, Y., Bright, J., Chakraborty, S., Onslow, K., Francis, J., Poletaev, A., & Esnaashari, S. (2025). Mapping the potential: Generative AI and public sector work. Using time use data to identify opportunities for AI adoption in Great Britain’s public sector. The Alan Turing Institute.

Kolt, N., Caputo, N., Boeglin, J., O’Keefe, C., Bommasani, R., Casper, S., Cuéllar, M.-F., Feldman, N., Gabriel, I., Hadfield, G. K., Hammond, L., Henderson, P., Kasirzadeh, A., Lazar, S., Reuel, A., Wei, K. L., & Zittrain, J. (2026). Legal alignment for safe and ethical AI. Transactions on Machine Learning Research.

National AI Strategy Update. (2026). Refreshed enablers: Industry, government, research, talent, capabilities and ecosystem integration. Gobierno de Singapur.

NIST (National Institute of Standards and Technology). (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). U.S. Department of Commerce.

OCDE (Organización para la Cooperación y el Desarrollo Económicos). (2024). Recomendación revisada del Consejo sobre Inteligencia Artificial [C/MIN(2024)16/FINAL].

Parker, I., y Carter, L. (2025). Licence to build: Public attitudes to public sector AI. Ada Lovelace Institute.

Radu, R. (2025). The global landscape of national AI strategies (Background paper, World Development Report 2026). Blavatnik School of Government, University of Oxford.

Secretaría de Ciencia, Humanidades, Tecnología e Innovación y Agencia de Transformación Digital y Telecomunicaciones. (2026). Plan Nacional de Inteligencia Artificial. Gobierno de México.

Siu, H. C., Suh, A., Smith, N., & Hurley, I. (2025). «Explainable» AI has some explaining to do. MIT Case Studies in Social and Ethical Responsibilities of Computing.