El modelo de políticas de IA en el sector público que América Latina está buscando

La brecha no está donde la mayoría cree. No es que América Latina carezca de estrategias nacionales de inteligencia artificial. De hecho, muchos países las tienen. El verdadero cuello de botella es otro: las estrategias existen, pero sin presupuesto asignado, sin plan de ejecución, y sobre todo sin los mecanismos institucionales que permitan convertirlas en acción.

El Banco Interamericano de Desarrollo (BID) acaba de publicar un diagnóstico que lo dice sin rodeos: la región sufre una epidemia de "mucho plan y poca acción". Y no es una crítica vacía. Es el punto de partida para un modelo de referencia que propone soluciones concretas en tres pilares—gobernanza, infraestructura y talento—que, según el documento, son las palancas que realmente funcionan cuando se trata de implementar IA en gobiernos.

El verdadero obstáculo: una gobernanza que aún no existe

Cuando hablamos de gobernar la IA en el sector público, solemos pensar en regulación, en leyes sobre sesgos algorítmicos o transparencia. Pero el BID señala algo anterior: la mayoría de los gobiernos de la región carecen de un punto de autoridad política de alto nivel que coordine, asigne presupuesto y marque prioridades. Dicho de otro modo, no hay quién pilote.

El modelo propone crear estructuras de gobernanza con un liderazgo político explícito—idealmente en la Presidencia, Vicepresidencia o un ministerio con mandato transversal—que no sea un comité consultivo virtual, sino una unidad orgánica con presupuesto garantizado y personal técnico dedicado. Esto suena obvio hasta que entiendes que en la mayoría de países de ALC, un proyecto de IA se mueve entre ministerios sin coordinación, se pierde en silos institucionales y, cuando llega la siguiente administración, se reinicia desde cero.

Aquí es donde el documento introduce un matiz crucial: los marcos éticos y regulatorios no pueden ser binarios absolutos. Los principios de explicabilidad, transparencia y no discriminación son válidos, pero exigir su cumplimiento pleno e inmediato puede, en realidad, bloquear soluciones que generarían valor público significativo. El punto es desarrollar mecanismos de gobernanza capaces de gestionar deliberadamente las tensiones entre riesgo, beneficio público y viabilidad técnica, caso por caso. Eso es gobernar. No es regulación por regulación.

La infraestructura como capa olvidada

Nadie va a implementar IA a escala sin datos limpios, sin conectividad, sin capacidad computacional. Pero aquí está el problema: mientras que Chile, Brasil y Uruguay han invertido en supercomputadoras y centros de datos nacionales, la mayoría de países en ALC aún enfrentan brechas significativas en conectividad de banda ancha, arquitectura de datos fragmentada en silos, y en general, una ausencia de estrategia nacional sobre cómo el Estado va a tratar sus datos como un activo estratégico.

El BID dedica un apartado completo a lo que parecería un detalle técnico pero es, en realidad, crítico: la energía. Los centros de datos y los entrenamientos de modelos de IA son enormemente intensivos en energía. Los líderes tecnológicos ya hablan de la energía como "el recurso crítico de la era de la IA". Sin suficiente capacidad energética, ninguna otra capa del stack puede escalar. Para ALC, esto significa que cualquier inversión en infraestructura de cómputo tiene que estar integrada desde el inicio con una política energética clara.

En cuanto a datos, el modelo enfatiza algo a menudo pasado por alto: los datos gubernamentales están ahí, pero desorganizados. El primer paso es convertirlos en un activo operativo. Esto implica no regulación dura, sino gobernanza ágil de datos: designar responsables en cada institución, establecer estándares mínimos de calidad, crear canales seguros para compartir datos entre agencias, y hacerlo sin que sea un trámite de seis meses.

Talento: la brecha que se agranda

Aquí es donde los números son realmente desconcertantes. El Índice Latinoamericano de Inteligencia Artificial 2025 documenta que desde 2022, la penetración relativa de talento en IA en ALC ha disminuido, no aumentado. Mientras que la región forma nuevos programas de maestría y doctorado en IA, la fuga de especialistas hacia centros de investigación y empresas tecnológicas en Estados Unidos, Europa y Asia es más rápida que la capacidad local de formar talento nuevo.

El BID no oculta la magnitud del problema: es global, no regional. Existe una escasez mundial de ingenieros de datos, especialistas en MLOps y arquitectos de sistemas que saben cómo llevar modelos a producción de manera segura. El sector público suele perder esta competencia porque no puede competir en salarios, condiciones de trabajo o ambiente de innovación.

La propuesta es triple: formar talento en paralelo (programas intensivos, bootcamps, academias digitales gubernamentales), atraer talento externo mediante programas de becas y fellowships que inviten a expertos nacionales en el exterior a colaborar, y retener a través de nuevas estructuras de carrera—Chief Data Officers, Chief AI Officers, laboratorios de innovación pública donde pueden experimentar sin burocracia.

Lo honesto del documento es este párrafo: sin talento capacitado, no hay transformación digital. Cada experto formado o retenido multiplica la capacidad del Estado. Y este esfuerzo toma años, no meses.

Las barreras que nadie menciona (pero todos las viven)

Uno de los apartados más valiosos del modelo es su análisis de por qué fallan los proyectos de IA en el sector público. No es por falta de tecnología. Según el MIT, el 95% de iniciativas de IA en empresas no logran generar valor, y el factor principal no es técnico sino organizacional: la IA no se integra bien a los procesos existentes porque no se ha rediseñado nada.

El documento lo traduce al sector público: intentar encajar soluciones de IA en procesos burocráticos rígidos, sin replantear flujos de trabajo, sin capacitar al personal que va a usarlas y sin gestión del cambio, produce pilotos que nunca escalan. Un chatbot puede funcionar técnicamente, pero si el área responsable de atención al ciudadano no lo integra con sus sistemas, queda subutilizado.

Las soluciones propuestas son menos tecnológicas que organizacionales: alineación entre tecnología y procesos, gestión del cambio real (comunicación, capacitación, demostración de quick wins), cerrar brechas de habilidades específicas, proyectos modulables que se expanden gradualmente, y cooperación interinstitucional en lugar de innovación en silos.

Soberanía tecnológica: no significa autarquía

El documento introduce un concepto que está ganando peso en las agendas de ALC: soberanía tecnológica. Pero su definición es pragmática, no idealista. No se trata de que cada país desarrolle su propia IA desde cero—eso es imposible. Se trata de que cada país controle los componentes críticos de su pila tecnológica y decida dónde es necesaria independencia y dónde resulta más efectivo forjar alianzas estratégicas.

En infraestructura y cómputo, la soberanía puede significar centros de datos nacionales. En datos, significa asegurar que información sensible del gobierno no sea procesada en servidores fuera de control jurisdiccional nacional. En modelos de IA generativa, el documento señala un riesgo: usar APIs de modelos cerrados operados por proveedores extranjeros envía datos sensibles del Estado fuera del control nacional. De ahí la importancia del modelo español ALIA y proyectos como Latam-GPT en Chile: son modelos de IA abiertos, auditables, entrenados con datos locales, que permite a ALC reducir dependencia sin sacrificar calidad.

Pero en plataformas y aplicaciones, la propuesta es más pragmática: equilibrio entre fomentar industria local y aprovechar las mejores herramientas globales, evitando encierro con un único proveedor.

Lo que encontrarás en el documento completo

El modelo es extenso y, honestamente, completo. Incluye un diagnóstico de tres niveles de madurez en adopción de IA (pioneros, adoptantes, exploradores), una guía paso a paso para autoridades que preguntan "¿por dónde empiezo hoy mismo?", un anexo dedicado a políticas para el ecosistema de investigación, y una galería de casos de éxito en gobiernos de ALC—desde PROMETEA en Argentina (que redujo sentencias judiciales de 90 minutos a uno) hasta sistemas de auditoría aumentada en Brasil que identifican fraudes, o asistentes virtuales en Colombia que atienden millones de consultas tributarias.

Más allá de lo operativo, el BID propone un balance que parece sencillo pero no lo es: pequeñas victorias acumuladas, gestión transparente de tensiones entre riesgo y beneficio, e integración de la IA con políticas energéticas, de datos y de desarrollo económico. No es una panacea. Es una hoja de ruta.

Descarga el modelo de referencia completo del BID. Incluye marcos de gobernanza adaptados, estrategias de talento para gobiernos de ALC, análisis de obstáculos concretos en implementación, y una guía paso a paso para comenzar hoy mismo con proyectos piloto que escalen. Descarga aquí

Reflexiones finales

El documento confirma algo que la mayoría intuye pero pocos dicen: ALC no necesita más planes de IA. Necesita instituciones capaces de ejecutarlos. Eso requiere que alguien pilote, que alguien asigne presupuesto multianual, que los datos de gobierno se ordenen, que el talento sea capacitado y retenido, y que los pilotos aprendan haciendo en lugar de planificar indefinidamente.

El BID ha entregado un modelo que es, a su vez, pragmático y ambicioso. Pragmático en que no propone autarquía tecnológica imposible. Ambicioso en que confía en que, con gobernanza, infraestructura y talento bien alineados, ALC puede dejar de ser consumidora pasiva de IA y convertirse en creadora de soluciones adaptadas a sus propios contextos.

El momento de iniciar no es el próximo año. Es ahora. Cada día de inacción es una oportunidad perdida en una carrera tecnológica que, para ALC, ya está en marcha.