CEPAL, 3 de agosto de 2026.
El trabajo conjunto entre CEPAL Lab, ILPES y la División de Estadísticas abre una oportunidad para fortalecer el Observatorio Regional de Planificación mediante una colaboración innovadora que integra conocimiento especializado, arquitectura de datos e inteligencia artificial. A partir de los planes nacionales de desarrollo de América Latina y el Caribe, la iniciativa busca convertir la información disponible en un recurso más actualizado, comparable y útil para comprender las prioridades y transformaciones de la planificación en la región.
El desafío es tan ambicioso como necesario: transformar documentos extensos y heterogéneos en información estructurada sobre el marco regulatorio, las instituciones responsables, la modalidad de elaboración, la visión y la jerarquía de objetivos de cada plan. El análisis también permitirá visibilizar dimensiones estratégicas como la participación, el seguimiento, los indicadores, los planes de acción, el presupuesto, los mecanismos de inversión y la articulación con otros instrumentos de planificación, con la validación técnica de ILPES como componente central del proceso.
La colaboración incorporará herramientas de inteligencia artificial para buscar y monitorear periódicamente los sitios web institucionales, facilitando la identificación y validación de la información más reciente disponible en cada país y favoreciendo la actualización continua del Observatorio. Asimismo, permitirá extraer contenidos desde documentos PDF, organizar y jerarquizar objetivos, identificar planes que requieren revisión y analizar su vinculación con los Objetivos de Desarrollo Sostenible. Más que incorporar tecnología por sí sola, el proyecto busca demostrar cómo la inteligencia artificial, la gobernanza de datos y el conocimiento experto pueden trabajar de manera integrada para generar información más completa, trazable y accesible, contribuyendo a una planificación del desarrollo más informada, transparente y conectada con los desafíos de la región.
El eslabón olvidado de la inteligencia artificial: los datos
 |
La inteligencia artificial puede ofrecer respuestas convincentes y, aun así, estar equivocada. Cuando los datos que la alimentan son incompletos, desactualizados, inconsistentes o poco representativos, los sistemas de IA pueden reproducir errores, amplificar sesgos y generar resultados difíciles de explicar, validar o auditar. El problema no siempre está en el modelo: muchas veces comienza mucho antes, en los datos.
Este artículo muestra cómo las deficiencias de información pueden acumularse a lo largo de todo el ciclo de vida de la IA: desde un entrenamiento sesgado o inconsistente hasta predicciones erróneas, decisiones injustas, impactos no previstos y pérdida de confianza. También plantea un desafío especialmente relevante para las instituciones que integran registros administrativos, encuestas, sistemas internos y bases históricas con diferentes definiciones, coberturas y niveles de calidad.
Antes de adoptar nuevas herramientas o seleccionar el modelo más avanzado, es necesario formular una pregunta fundamental: ¿son nuestros datos suficientemente completos, representativos, trazables y confiables para sostener decisiones responsables? Descubra por qué la calidad y la gobernanza de los datos son el verdadero punto de partida de una inteligencia artificial confiable.
Informe preliminar del Panel Científico Internacional Independiente sobre Inteligencia Artificial
Este informe preliminar aporta una mirada de alto nivel sobre el estado actual de la inteligencia artificial y los desafíos que plantea para la gobernanza global. Su valor principal no está solo en describir avances tecnológicos, sino en situar la conversación en torno a capacidades, riesgos, asimetrías de acceso y necesidades de coordinación internacional.
Para quienes trabajamos con políticas públicas y analítica institucional, el documento es útil porque conecta preguntas técnicas con decisiones de gobernanza: cómo evaluar impactos, cómo fortalecer capacidades regulatorias y cómo evitar que el desarrollo de la IA profundice desigualdades existentes. Es una lectura clave para entender por qué la discusión sobre IA ya no es solo de innovación, sino también de instituciones, reglas y responsabilidad.
Presupuestar la IA: ¿cómo evitar que su uso se convierta en una sorpresa financiera?
Cada consulta a un modelo de lenguaje puede parecer pequeña, pero cuando se integra en un chatbot, una herramienta interna o un flujo automatizado, los tokens se convierten en presupuesto. Esta nota explora cómo estimar ese costo, por qué varía tanto entre modelos y qué cambia cuando una solución incorpora documentos, historial, herramientas y múltiples usuarios.
Más que ofrecer un ranking o recomendar un proveedor, el artículo propone una forma práctica de tomar decisiones informadas: medir el costo junto con la calidad, la latencia, la fiabilidad y el valor del resultado. Con ejemplos de uso institucional, modelos de distintas regiones y escenarios de intensidad variable, la nota invita a experimentar con criterio, observar el consumo y evitar que más actividad se confunda con mejores resultados.
