Sin datos de calidad, México difícilmente podrá desarrollar una IA que entienda su propia realidad

Imaginemos que un gobierno municipal utiliza un asistente de inteligencia artificial para orientar a las personas sobre los servicios públicos disponibles. Una persona le pregunta cómo realizar un trámite, otra quiere conocer los apoyos disponibles para su comunidad y alguien más utiliza expresiones propias de su región.

El sistema responde correctamente algunas preguntas y se confunde con otras. Conoce conceptos y procedimientos utilizados en otros países, aunque no siempre comprende la terminología de las instituciones mexicanas; reconoce el español, aunque tiene dificultades con algunas formas de hablar o con contextos particulares del país. El problema no necesariamente está en el algoritmo: una parte de la explicación puede encontrarse en algo mucho más básico, los datos con los que aprendió.

Los sistemas de inteligencia artificial no conocen el mundo de la misma manera que las personas. Aprenden patrones a partir de grandes cantidades de textos, imágenes, audio, código y otros datos, por lo que la información utilizada para desarrollarlos influye en lo que pueden reconocer, las preguntas que pueden responder y los contextos que comprenden. Esto plantea una pregunta importante para México: si queremos utilizar la inteligencia artificial para resolver nuestros problemas, ¿qué tanto conocen estos sistemas sobre nuestra propia realidad?

Cuando hablamos de las capacidades necesarias para desarrollar inteligencia artificial solemos pensar en centros de datos, semiconductores, energía, conectividad y talento especializado. Existe otro componente que recibe menos atención fuera de los círculos técnicos, aunque resulta fundamental para el funcionamiento de estos sistemas: los datos.

Podemos imaginarlos como parte de la materia prima con la que aprende un sistema de IA. Durante su entrenamiento, un modelo analiza enormes cantidades de información e identifica relaciones y patrones que posteriormente utiliza para generar una respuesta, reconocer una imagen, traducir un texto o realizar muchas otras tareas. La calidad de esa materia prima influye, por lo tanto, en las capacidades que posteriormente desarrolla.

Tener más datos no necesariamente significa tener mejores datos. Un conjunto puede contener millones de documentos y seguir teniendo problemas si la información está duplicada, desactualizada, mal etiquetada o representa solamente a una parte de la población. La discusión sobre inteligencia artificial necesita considerar no sólo cuánto dato existe, sino qué contiene, de dónde viene, a quién representa y qué tan buena es su calidad.

Estas preguntas cobran especial importancia cuando un sistema diseñado para funcionar en muchos países comienza a utilizarse para resolver problemas específicos de México. Un modelo puede tener capacidades generales extraordinarias y aun así necesitar información y evaluaciones adicionales para desenvolverse adecuadamente en un contexto local.

Aquí aparece un concepto particularmente útil para entender el problema: WEIRD. Las siglas provienen de Western, Educated, Industrialized, Rich and Democratic: sociedades occidentales, educadas, industrializadas, ricas y democráticas.

El concepto surgió en las ciencias sociales para señalar un problema de representatividad. Durante años, numerosos estudios sobre comportamiento humano utilizaron muestras provenientes principalmente de estas sociedades y después generalizaron sus conclusiones a poblaciones con características y contextos muy diferentes. La pregunta de fondo era sencilla: ¿podemos asumir que una muestra representa a toda la humanidad cuando una gran parte de las personas estudiadas comparte determinadas características?

Con la inteligencia artificial podemos hacernos una pregunta parecida. Los enormes conjuntos de información utilizados para desarrollar estos sistemas no necesariamente representan de la misma manera a todos los países, idiomas y comunidades, porque la propia información disponible en internet presenta desequilibrios.

Common Crawl permite observar una parte de este fenómeno. Este enorme repositorio abierto de páginas de internet ha sido utilizado ampliamente para construir conjuntos de datos destinados a investigación y desarrollo de inteligencia artificial. En sus rastreos recientes, el español representa alrededor de 4.6% de las páginas clasificadas por idioma, mientras que el inglés representa poco más de 40%. 1

La diferencia no significa que todos los modelos de inteligencia artificial estén entrenados con esas mismas proporciones. Cada desarrollador utiliza diferentes fuentes, filtros y procesos de entrenamiento, por lo que no podemos trasladar directamente la composición de Common Crawl a un modelo específico. Lo que sí permite observar es una característica de una de las mayores fuentes abiertas de información de internet: los idiomas no están representados en las mismas proporciones.

Supongamos que queremos utilizar inteligencia artificial para desarrollar un asistente que ayude a comprender procedimientos administrativos mexicanos. No bastaría con que el sistema hubiera procesado una enorme cantidad de textos en español; necesitamos comprobar que conoce nuestras instituciones, procedimientos, vocabulario administrativo y formas de relacionarnos con el gobierno.

Algo parecido ocurre con sistemas para educación, salud, agricultura o atención ciudadana. Un modelo puede conocer perfectamente la palabra “maíz” y tener poca información sobre las condiciones agrícolas de diferentes regiones mexicanas; puede hablar español con fluidez y desconocer expresiones utilizadas en determinados lugares; puede comprender conceptos jurídicos generales y confundir instituciones mexicanas con sus equivalentes en otros países.

La representatividad, por lo tanto, va mucho más allá del idioma. Incluye diferencias regionales, socioeconómicas, culturales e institucionales que pueden ser relevantes dependiendo del uso que se dará a una herramienta de inteligencia artificial. Incluye además considerar la diversidad lingüística del país cuando se desarrollan sistemas destinados a interactuar con la población mexicana, de manera que estas tecnologías puedan responder mejor a las distintas personas y contextos que existen en México.

El objetivo no consiste en esperar que un solo modelo conozca cada expresión, comunidad o contexto del país. Se trata de reconocer que un buen desempeño general no garantiza automáticamente el mismo nivel de utilidad para todas las personas y que la representatividad de los datos es uno de los factores que pueden influir en esas diferencias.

La falta de representatividad puede parecer un problema abstracto hasta que un sistema de IA comienza a utilizarse en situaciones reales. Pensemos en una herramienta para analizar imágenes médicas: si fue desarrollada principalmente con información proveniente de determinados grupos poblacionales, resulta importante evaluar si mantiene un desempeño adecuado cuando se utiliza con otros. Algo similar puede ocurrir con herramientas utilizadas para analizar documentos, detectar fraude, apoyar procesos educativos o atender consultas ciudadanas.

Una diferencia de desempeño puede tener consecuencias para las personas, especialmente cuando la herramienta interviene en servicios importantes o ayuda a orientar una decisión. Por esta razón, evaluar un sistema únicamente con promedios generales puede ocultar diferencias relevantes entre los grupos o contextos en los que será utilizado.

Conviene distinguir entre sesgo en los datos y discriminación. Que un conjunto de información tenga desequilibrios no significa automáticamente que un sistema producirá una decisión discriminatoria, aunque sí puede representar un riesgo que necesita medirse, documentarse y atenderse. La representatividad se ha convertido por ello en una parte importante de la discusión sobre la gobernanza de la inteligencia artificial.

Los Principios de Inteligencia Artificial de la OCDE incluyen entre sus recomendaciones fomentar ecosistemas que permitan el acceso a datos y conocimientos de calidad, representativos y respetuosos de la privacidad. La discusión ya no consiste únicamente en desarrollar modelos con mayores capacidades; necesitamos comprender mejor las condiciones bajo las cuales funcionan y las poblaciones para las que ofrecen resultados adecuados.

México no parte de cero. El país genera grandes cantidades de información mediante censos, encuestas, registros administrativos, información geográfica, estadísticas económicas, datos ambientales, legislación, documentos públicos, investigaciones y materiales educativos. Esta riqueza de información puede convertirse en un activo para desarrollar y evaluar aplicaciones de inteligencia artificial más cercanas a nuestra realidad.

La existencia de esos datos no significa automáticamente que estén listos para utilizarse en sistemas de IA. Una colección de documentos puede ser extremadamente valiosa para una persona que quiere consultar información específica y, al mismo tiempo, requerir un trabajo considerable antes de poder procesarse a gran escala. Una base sin información sobre su origen puede contener datos relevantes y resultar difícil de interpretar correctamente.

Un archivo desactualizado puede introducir errores, mientras que un conjunto que representa principalmente a determinada población puede funcionar de manera distinta cuando se utiliza con otros grupos. Por eso, la calidad de los datos para inteligencia artificial requiere más que volumen: los conjuntos necesitan estar estructurados, documentados y actualizados, además de incluir información que permita conocer su procedencia, las condiciones bajo las cuales fueron recopilados y sus principales limitaciones.

Una estrategia para fortalecer las capacidades de México en inteligencia artificial puede comenzar por identificar información de alto valor para desarrollar y evaluar estos sistemas. Estadísticas oficiales, legislación, documentos públicos, información geoespacial, publicaciones científicas de acceso abierto, materiales educativos y corpus lingüísticos son algunos ejemplos de recursos que pueden contribuir a ese objetivo.

Reunirlos en un solo lugar sería apenas el primer paso. Cada conjunto necesita información que permita saber de dónde proviene, cuándo fue actualizado, bajo qué condiciones puede utilizarse, qué población representa y cuáles son sus limitaciones. Esta documentación adquiere especial importancia cuando una institución utiliza sistemas desarrollados por terceros y no conoce todos los detalles de los datos empleados durante su entrenamiento.

México puede desarrollar conjuntos de evaluación propios para responder una pregunta sencilla: ¿qué tan bien funciona un sistema en nuestro contexto? Si una institución quiere utilizar un asistente de IA para orientar a la ciudadanía, por ejemplo, podría probarlo con preguntas sobre trámites mexicanos, instituciones públicas, vocabulario local, expresiones regionales y distintas formas de plantear una misma solicitud.

El mismo principio puede aplicarse a otros sectores. Un sistema utilizado en educación necesita evaluarse con contenidos y poblaciones relevantes para el sistema educativo mexicano; una herramienta para analizar documentos jurídicos necesita comprender la terminología y las instituciones del país; una aplicación para el sector agrícola necesita probarse frente a las condiciones en las que realmente será utilizada. Evaluar con información representativa permite identificar las limitaciones antes de que se conviertan en problemas para las personas.

México no necesita aislarse de los avances internacionales para desarrollar inteligencia artificial relevante para su población. Podemos aprovechar modelos globales, investigación internacional e infraestructura desarrollada en otros países, al mismo tiempo que construimos los datos y las capacidades necesarias para adaptarlos y evaluarlos en nuestro contexto.

Esta ruta puede ser especialmente valiosa porque desarrollar un gran modelo desde cero requiere cantidades enormes de cómputo, energía, datos, talento y recursos financieros. Adaptar y evaluar tecnologías existentes con información de calidad abre oportunidades para universidades, empresas e instituciones públicas mexicanas y permite concentrar esfuerzos en resolver problemas concretos.

La inteligencia artificial puede convertirse en una herramienta para mejorar servicios públicos, acelerar investigación científica, aumentar la productividad y crear nuevas formas de acceder al conocimiento. Para aprovechar esas posibilidades necesitamos ampliar la conversación sobre la infraestructura que hace posible su desarrollo. No solamente necesitamos capacidad de cómputo, centros de datos, conectividad y talento; México necesita infraestructura de datos de calidad y representativa de su realidad.

La pregunta relevante no es si México puede producir la misma cantidad de datos digitales que las mayores economías del mundo. Una pregunta más útil es si podemos construir y aprovechar información suficientemente buena para que los sistemas de inteligencia artificial comprendan mejor nuestras instituciones, nuestro territorio, nuestras formas de hablar y la diversidad de las personas a quienes buscamos beneficiar.

Una inteligencia artificial puede hablar español con enorme fluidez y aun así conocer poco de México. Reducir esa distancia entre hablar nuestro idioma y comprender nuestro contexto puede hacer la diferencia entre adoptar inteligencia artificial simplemente porque está disponible y utilizarla para desarrollar soluciones que realmente respondan a las necesidades del país.


1 Common Crawl identifica automáticamente el idioma principal de las páginas HTML que recopila. En tres rastreos de 2026, el español representó 4.68%, 4.64% y 4.63% de las páginas clasificadas, mientras que el inglés representó aproximadamente 40.8%, 40.6% y 40.5%, respectivamente. Las cifras corresponden a páginas HTML clasificadas por idioma principal y no a la composición de los conjuntos de entrenamiento de un modelo de IA en particular.

5 octubre, 2026

Lorem