Conocimiento i Política | Revista Boliviana Internacional en Ciencia Política
Número 7, 2026 | ISSN electrónico: 3106-4736
Artículo de revisión | DOI: 10.64480/cip.2026.n7.08
____________________________________________________________________________________
Big Data e Inteligencia Artificial como medios digitales en la política pública: adopción, práctica y barreras
Big Data and Artificial Intelligence as Digital Media in Public Policy: Models of Adoption, Practice, and Barriers
José David Vallejo Manzur 1
1 El Colegio de Tamaulipas.
vallejocfh@hotmail.com
Erick Leobardo Alvarez-Aros 0000-0002-1934-5442 2
2 Universidad Católica de El Salvador.
erick.alvarez@catolica.edu.sv (Autor de correspondencia)
Palabras clave: Políticas públicas, prospectiva, Big Data, Inteligencia artificial, adopción tecnológica y gobierno digital.
Keywords: Public policies, foresight, Big Data, Artificial Intelligence, technological adoption and digital government.
____________________________________________________________________________________
Cómo citar (APA): Vallejo Manzur, J. D., &Alvarez-Aros, E. L. (2026). Big Data e Inteligencia Artificial como medios digitales en la política pública: adopción, práctica y barreras. Conocimiento i Política, 7(1), 245-272. DOI pendiente de asignación.
En un mundo caracterizado por la rápida transformación tecnológica, la inteligencia artificial (IA) y el Big Data han emergido como herramientas fundamentales para enfrentar los desafíos sociales, económicos y políticos. Estas tecnologías han revolucionado sectores clave como la salud, la movilidad y las campañas electorales, permitiendo una toma de decisiones más eficiente basada en el análisis de grandes volúmenes de datos y patrones complejos. En el ámbito de las políticas públicas, estas herramientas están redefiniendo la forma en que los gobiernos diseñan, implementan y evalúan sus estrategias, marcando un punto de inflexión en la modernización gubernamental.
El Big Data, con su capacidad para procesar volúmenes masivos de información en tiempo real, permite a los tomadores de decisiones identificar tendencias sociales, anticipar fenómenos emergentes y personalizar políticas en función de las necesidades ciudadanas (Mayer-Schönberger &Cukier, 2013). La IA, por su parte, complementa este análisis al ofrecer modelos predictivos avanzados, simulaciones y automatización en la gestión de problemas complejos, desde la asignación de recursos hasta la planificación urbana (Goodfellow et al., 2016). Este enfoque optimiza la eficiencia gubernamental y abre nuevas posibilidades para abordar problemas sistémicos con un enfoque prospectivo.
En campañas electorales, estas tecnologías han transformado la forma en que los partidos y candidatos comprenden y analizan al electorado. Herramientas basadas en Big Data recopilan información de redes sociales, encuestas y patrones de consumo, mientras que la IA segmenta a los votantes según preferencias políticas, valores y comportamientos. Estas herramientas permiten diseñar mensajes personalizados que resuenan con segmentos específicos del electorado, maximizando la efectividad de las estrategias de comunicación política (Tucker et al., 2017; Munger &Phillips, 2021). Además, los algoritmos predictivos se emplean para anticipar resultados electorales y modelar escenarios, lo que refuerza la toma de decisiones estratégicas en tiempo real (Issenberg, 2012).
Por su parte, la relevancia de estas tecnologías en las políticas públicas se magnifica al observar sus impactos en otros sectores. En salud pública, la IA ha sido clave para rastrear brotes epidemiológicos, mientras que el Big Data ha permitido diseñar respuestas estratégicas frente a pandemias como la del COVID-19 (Choi &Varian, 2012). En el ámbito financiero, estas herramientas se han utilizado para detectar fraudes y optimizar recursos, logrando un nivel de precisión que transforma la gestión organizacional (Hardoon &Shmueli, 2013). Estas experiencias destacan el potencial de estas tecnologías para resolver problemas complejos y proporcionar soluciones adaptativas en diversos contextos.
Sin embargo, la adopción de Big Data e IA en políticas públicas presenta desafíos significativos. Problemas relacionados con la privacidad, los sesgos algorítmicos y la interoperabilidad de sistemas limitan su implementación efectiva, particularmente en países con infraestructuras tecnológicas insuficientes (Mittelstadt et al., 2016; OECD, 2019). A pesar de ello, la oportunidad de transformar la gobernanza y mejorar la calidad de vida de los ciudadanos a través de estas tecnologías sigue siendo inmensa, destacando la necesidad de investigaciones más profundas y marcos regulatorios sólidos.
En este artículo, se analiza el estado del arte en el uso de Big Data e IA en la prospectiva de políticas públicas. A través de un enfoque sistémico basado en una revisión exhaustiva de literatura, se identifican modelos de adopción tecnológica, aplicaciones prácticas y las principales barreras que enfrentan los gobiernos. Los hallazgos buscan contribuir a la discusión científica sobre cómo estas tecnologías pueden ser adoptadas de manera ética y efectiva, ofreciendo soluciones innovadoras para los complejos desafíos del siglo XXI.
En el contexto de las políticas públicas, Big Data se refiere a la recopilación, almacenamiento, análisis y utilización de volúmenes masivos de datos estructurados y no estructurados provenientes de diversas fuentes, como registros administrativos, sensores IoT (Internet de las cosas), redes sociales y plataformas digitales (Mayer-Schönberger &Cukier, 2013; Kitchin, 2014). La característica distintiva del Big Data radica en sus tres dimensiones principales: volumen, velocidad y variedad (Laney, 2001), lo que permite a los gobiernos procesar información en tiempo real para identificar patrones y tendencias que guíen decisiones informadas. Además, el Big Data facilita el análisis predictivo, permitiendo anticipar fenómenos sociales complejos como el desempleo, la inseguridad alimentaria o los desplazamientos poblacionales, lo cual es crucial para diseñar políticas públicas más adaptativas y eficaces (Manyika et al., 2011).
Por otro lado, la inteligencia artificial (IA) representa una revolución en la capacidad de los gobiernos para abordar problemas complejos y emergentes. A través del uso de algoritmos de aprendizaje automático, redes neuronales profundas y sistemas expertos, la IA permite analizar grandes volúmenes de datos y tomar decisiones automatizadas basadas en patrones detectados (Goodfellow, Bengio, &Courville, 2016). Su aplicación en la administración pública incluye desde la personalización de servicios gubernamentales hasta la asignación eficiente de recursos en áreas críticas como salud, educación y transporte (Das &Zhang, 2019).
La integración de Big Data e IA en las políticas públicas representa un cambio paradigmático en la gobernanza. Mientras que el Big Data proporciona las herramientas para interpretar fenómenos a gran escala, la IA añade la capacidad de automatizar procesos, generar predicciones más precisas y diseñar políticas adaptadas a contextos dinámicos. Sin embargo, esta convergencia tecnológica plantea también desafíos éticos y sociales significativos, como la privacidad de los datos y el riesgo de sesgos en los algoritmos, lo que exige un marco regulatorio robusto y una supervisión transparente en su implementación (Zicari, 2014; Mittelstadt et al., 2016).
En definitiva, el Big Data y la IA amplifican las capacidades tradicionales de la administración pública y transforman radicalmente la forma en que los gobiernos entienden y responden a las necesidades ciudadanas. Este cambio hacia un enfoque basado en datos y automatización redefine las dinámicas entre los tomadores de decisiones y los ciudadanos, consolidando su relevancia como pilares de la modernización gubernamental.
La adopción de tecnologías avanzadas como el Big Data y la inteligencia artificial (IA) en el ámbito gubernamental requiere un marco conceptual robusto que explique las dinámicas y los factores que influyen en su integración. Entre los modelos teóricos más influyentes se encuentra el Modelo de Difusión de Innovaciones de Rogers (2003), que destaca cinco atributos clave que determinan la velocidad y el grado de adopción tecnológica: la ventaja relativa, la compatibilidad, la complejidad, la posibilidad de prueba y la observabilidad. En el contexto de las políticas públicas, este modelo ayuda a comprender cómo los beneficios percibidos, como la mejora en la eficiencia y la capacidad de predicción, influyen en la disposición de los gobiernos para implementar Big Data e IA (Venkatesh, Thong, &Xu, 2012).
Además, la compatibilidad con los valores y estructuras existentes en las organizaciones públicas juega un papel crucial. Los gobiernos, a menudo caracterizados por estructuras jerárquicas y procesos burocráticos, enfrentan barreras significativas para integrar tecnologías disruptivas. Por ejemplo, mientras que la ventaja relativa del Big Data e IA radica en su capacidad para procesar datos en tiempo real y tomar decisiones automatizadas, la resistencia organizacional y la falta de infraestructura tecnológica pueden retrasar su adopción (Rogers, 2003).
Otro modelo relevante es el Modelo de Madurez Tecnológica de Gartner (2019), que clasifica a las organizaciones según su nivel de integración tecnológica en cinco etapas: inicial, consciente, definida, gestionada y optimizada. Este modelo ofrece un marco para evaluar cómo las instituciones públicas progresan desde la experimentación con Big Data e IA hasta su integración estratégica y sostenible. Por ejemplo, en la etapa inicial, los gobiernos suelen implementar tecnologías como proyectos piloto para evaluar su viabilidad, mientras que, en las etapas más avanzadas, estas tecnologías están profundamente integradas en procesos decisionales clave, como la asignación presupuestaria y la gestión de crisis (Gartner, 2019).
Además, el Modelo de Aceptación Tecnológica (TAM) de Davis (1989) y su evolución hacia el Modelo Unificado de Aceptación y Uso de la Tecnología (UTAUT) de Venkatesh et al. (2003) también son aplicables en el análisis de la adopción de Big Data e IA en políticas públicas. Estos modelos enfatizan que factores como la utilidad percibida, la facilidad de uso y la intención de uso son determinantes críticos en la aceptación de tecnologías por parte de los usuarios finales, incluidos los funcionarios gubernamentales. En el contexto del gobierno, la utilidad percibida puede estar relacionada con la capacidad de estas tecnologías para resolver problemas complejos, mientras que la facilidad de uso se traduce en la disponibilidad de capacitación y soporte técnico para los empleados públicos (Venkatesh et al., 2003).
La aplicación de modelos teóricos para la adopción de Big Data e IA en el ámbito gubernamental ha llevado a la implementación de estrategias específicas que fomentan la integración de estas tecnologías. Entre las estrategias destacadas se encuentran la creación de laboratorios de innovación pública, la implementación de marcos regulatorios flexibles y el desarrollo de asociaciones público-privadas. Por ejemplo, países como Estonia y Singapur han logrado avances significativos al integrar Big Data e IA en sus procesos gubernamentales mediante políticas proactivas y una visión estratégica hacia la transformación digital (Manyika et al., 2011; OECD, 2019). Estonia, conocida como una “sociedad digital”, ha digitalizado casi todos sus servicios gubernamentales, lo que permite un acceso eficiente y transparente para los ciudadanos (Toots et al., 2017).
El Modelo de Madurez Tecnológica de Gartner es especialmente relevante en este contexto, ya que ayuda a evaluar cómo las organizaciones públicas progresan desde la experimentación inicial hasta la integración total de tecnologías avanzadas. En Singapur, por ejemplo, la etapa de “optimización” se ha alcanzado en sectores como la movilidad urbana y la gestión de recursos hídricos, donde las plataformas digitales y el análisis de datos en tiempo real han mejorado sustancialmente la eficiencia de los servicios públicos (Batty, 2013).
Sin embargo, esta adopción enfrenta desafíos importantes, como la falta de interoperabilidad entre sistemas gubernamentales y la resistencia cultural al cambio organizacional (Venkatesh et al., 2003). Además, la formación y capacitación de los empleados públicos en estas tecnologías emergentes sigue siendo limitada, lo que subraya la necesidad de estrategias de adaptación organizacional. Para abordar estos desafíos, la cooperación internacional y la estandarización de marcos regulatorios podrían desempeñar un papel crucial en la adopción sostenible de Big Data e IA en el sector público (Mittelstadt et al., 2016).
La prospectiva en políticas públicas, entendida como el diseño y análisis de estrategias anticipatorias para abordar problemas futuros, ha encontrado en el Big Data y la inteligencia artificial (IA) herramientas fundamentales para su desarrollo. Estas tecnologías permiten a los gobiernos adoptar un enfoque proactivo, superando la mera reactividad al facilitar la identificación de tendencias, la predicción de escenarios y la formulación de intervenciones adaptativas basadas en datos reales sobre el comportamiento ciudadano.
El uso de Big Data e IA en la prospectiva también promueve la inclusión social al identificar y abordar las necesidades de poblaciones vulnerables. Por ejemplo, el análisis de datos demográficos y de consumo energético en Dinamarca permitió identificar comunidades en riesgo de pobreza energética, implementando subsidios específicos que optimizaron los recursos públicos (Hardoon &Shmueli, 2013). Asimismo, en Estados Unidos, el uso de Big Data en los programas de salud pública ayudó a anticipar y mitigar brotes epidemiológicos, optimizando la distribución de recursos médicos durante la pandemia de COVID-19 (Choi &Varian, 2012; Manyika et al., 2011).
El Big Data contribuye de manera significativa a la prospectiva al recopilar y procesar grandes volúmenes de información provenientes de diversas fuentes, como redes sociales, sensores urbanos, datos demográficos y registros administrativos (Manyika et al., 2011; Kitchin, 2014). Estas capacidades permiten a los gobiernos analizar patrones de comportamiento ciudadano en tiempo real, identificar cambios en las preferencias sociales y anticipar crisis potenciales. Por ejemplo, el uso de Big Data en aplicaciones de movilidad urbana, como las implementadas en Londres, permitió reducir las congestiones en un 30 % al prever patrones de tráfico y ajustar las políticas de transporte en tiempo real (Batty, 2013; OECD, 2019).
Además, el análisis de datos históricos también es crucial para la prospectiva. Herramientas como modelos de regresión y análisis de series temporales permiten a los gobiernos proyectar tendencias sociales, como el envejecimiento poblacional o los cambios en las tasas de empleo, y diseñar políticas públicas adaptadas a estos desafíos (Choi &Varian, 2012). Un caso destacado es el uso de datos de Big Data en Japón para anticipar demandas en el sistema de salud y ajustar las políticas de pensiones frente a la transición demográfica acelerada (OECD, 2019; Batty, 2013).
La integración de datos refleja la realidad actual y también se convierte en una herramienta predictiva que orienta la planificación estratégica. Por ejemplo, en Brasil, el análisis de imágenes satelitales y datos climáticos permitió anticipar riesgos de deforestación en la Amazonía, facilitando la implementación de políticas ambientales más eficaces (Amaral et al., 2020). Este enfoque también ha sido útil en el sector de infraestructura pública, donde el análisis predictivo ha optimizado la inversión en proyectos clave en economías emergentes (Laney, 2001; Manyika et al., 2011).
La inteligencia artificial (IA) complementa al Big Data al proporcionar modelos avanzados de análisis predictivo y aprendizaje automático que identifican relaciones complejas entre variables. Herramientas como las redes neuronales, los algoritmos de clustering y los sistemas de recomendación permiten generar escenarios prospectivos con un alto grado de precisión (Goodfellow, Bengio, &Courville, 2016). Estas capacidades han sido aplicadas exitosamente en áreas como la gestión de desastres naturales, donde los sistemas basados en IA pueden anticipar eventos catastróficos y recomendar estrategias de mitigación (Müller et al., 2016).
En el ámbito del comportamiento ciudadano, la IA se utiliza para segmentar a la población según patrones de consumo, preferencias políticas y niveles de participación cívica. Por ejemplo, el uso de algoritmos en redes sociales permite a los gobiernos identificar tendencias de opinión pública y diseñar campañas informativas más efectivas. Esta capacidad es particularmente útil en contextos electorales, donde los modelos predictivos pueden analizar las opiniones de los votantes y personalizar los mensajes de campaña para maximizar el impacto político (Howard &Kollanyi, 2016).
Además, la IA facilita la creación de simulaciones que permiten evaluar el impacto de políticas públicas antes de su implementación, reduciendo riesgos y optimizando recursos (Tegmark, 2017). En el ámbito de la salud, por ejemplo, los modelos predictivos basados en IA han sido empleados para analizar patrones epidemiológicos y anticipar la propagación de enfermedades infecciosas, como se observó durante la pandemia de COVID-19 (Choi &Varian, 2012). Estas herramientas permiten a los gobiernos asignar recursos de manera más eficiente y responder rápidamente a emergencias sanitarias.
Asimismo, el uso de redes bayesianas en la gestión pública ha demostrado ser efectivo para modelar escenarios de alta incertidumbre, proporcionando un marco robusto para la toma de decisiones en contextos complejos (Pearl, 2009). Estas aplicaciones tanto mejoran la capacidad predictiva de los gobiernos, como también promueven un enfoque más proactivo y basado en evidencia en el diseño de políticas públicas.
La combinación de Big Data e inteligencia artificial (IA) en la prospectiva permite a los gobiernos adoptar un enfoque integral en el diseño de políticas públicas. Al analizar el comportamiento ciudadano en tiempo real y proyectar escenarios futuros, estas tecnologías identifican brechas entre las necesidades actuales y las demandas futuras, optimizando la asignación de recursos y las estrategias gubernamentales. Por ejemplo, en el sector de salud pública, la integración de datos epidemiológicos con modelos predictivos basados en IA ha permitido anticipar brotes de enfermedades y planificar la asignación de recursos médicos con mayor eficiencia (Das &Zhang, 2019).
Esta intersección tecnológica también se utiliza para diseñar políticas inclusivas que consideren las necesidades de grupos vulnerables. Por ejemplo, el análisis de datos de consumo energético y el aprendizaje automático han permitido identificar comunidades en riesgo de pobreza energética, lo que ha llevado a la implementación de políticas específicas para garantizar el acceso equitativo a servicios básicos (Hardoon &Shmueli, 2013). De igual manera, los modelos predictivos han sido aplicados para analizar las tasas de desempleo en tiempo real, facilitando la implementación de programas de capacitación laboral en regiones con altas tasas de desocupación (Choi &Varian, 2012).
En el ámbito educativo, la combinación de Big Data e IA ha sido utilizada para identificar factores que afectan el rendimiento estudiantil en sistemas escolares. Por ejemplo, en sistemas educativos como el de Singapur, los análisis basados en IA han ayudado a personalizar la enseñanza, abordando las necesidades individuales de los estudiantes y reduciendo las tasas de abandono escolar (Kitchin, 2014). Además, en el contexto de la movilidad urbana, los datos recolectados de sensores IoT y algoritmos de IA han optimizado las redes de transporte público, reduciendo los tiempos de espera y las emisiones de carbono en ciudades densamente pobladas (Batty, 2013).
El uso de Big Data e inteligencia artificial (IA) en el diseño y ejecución de políticas públicas está transformando los procesos de gobernanza en diversas partes del mundo. Estas tecnologías permiten a los gobiernos abordar problemas complejos de manera proactiva, mejorando la eficiencia, la equidad y la sostenibilidad de sus intervenciones. A continuación, se analizan las aplicaciones más destacadas, los beneficios observados y los desafíos que enfrentan las administraciones públicas a nivel global.
Estados Unidos y Canadá lideran el uso de Big Data e IA en políticas públicas, especialmente en áreas como seguridad nacional, salud pública y movilidad urbana. En Estados Unidos, el gobierno ha implementado algoritmos de IA en sistemas judiciales para prever reincidencias criminales, optimizando recursos y reduciendo la carga del sistema penitenciario (Angwin et al., 2016). En el sector de la salud, los Centros para el Control y la Prevención de Enfermedades (CDC) han utilizado Big Data para rastrear y mitigar brotes epidemiológicos, como el caso del COVID-19 (Choi &Varian, 2012). Además, ciudades como Nueva York emplean análisis de Big Data para monitorear delitos en tiempo real y mejorar la asignación de recursos policiales (Rudinet al., 2018).
En Canadá, la estrategia nacional de IA incluye la creación de centros de excelencia en Montreal, Toronto y Edmonton, fomentando la investigación y el desarrollo tecnológico para abordar problemas sociales. Por ejemplo, el gobierno canadiense utiliza Big Data para monitorear el cambio climático, evaluando el impacto de las emisiones de carbono y diseñando políticas de mitigación más efectivas (Manyika et al., 2011). A su vez, la ciudad de Vancouver emplea IA para predecir patrones de tráfico, ayudando a reducir la congestión y optimizar el transporte público (Wang et al., 2020).
Europa se caracteriza por su enfoque ético y regulatorio en el uso de Big Data e IA. La Unión Europea (UE) ha desarrollado marcos regulatorios como el Reglamento General de Protección de Datos (GDPR), que establece estándares estrictos para el manejo de datos ciudadanos (Mittelstadt et al., 2016). En términos de aplicación, países como Estonia y Dinamarca están a la vanguardia.
Estonia, conocida como una “sociedad digital”, ha digitalizado casi todos los servicios gubernamentales mediante plataformas de Big Data e IA. Esto incluye el sistema de voto electrónico y la gestión de registros médicos, lo que ha mejorado la eficiencia y la transparencia gubernamental (Toots et al., 2017). Dinamarca, por su parte, utiliza algoritmos de IA en su sistema de bienestar social para identificar familias en riesgo de pobreza, permitiendo intervenciones más rápidas y personalizadas (Hardoon &Shmueli, 2013). Asimismo, Alemania emplea Big Data para la planificación energética, optimizando el uso de recursos renovables y reduciendo la dependencia de combustibles fósiles (Lohr, 2020).
Países como China, Japón y Singapur han adoptado Big Data e IA en políticas públicas con un enfoque altamente centralizado. En China, el gobierno utiliza estas tecnologías para implementar un sistema de crédito social, que evalúa el comportamiento de los ciudadanos y las empresas para fomentar el cumplimiento normativo (Kostka, 2019). Aunque este sistema ha generado debates éticos, también muestra cómo las tecnologías pueden integrarse profundamente en las dinámicas sociales.
Japón, enfrentando el envejecimiento poblacional, emplea IA para prever demandas en el sistema de salud y adaptar sus políticas de pensiones. Singapur, por su parte, ha establecido una “ciudad inteligente” mediante el uso de sensores y análisis de Big Data para mejorar la movilidad urbana, la gestión de recursos hídricos y la seguridad pública (Batty, 2013). Adicionalmente, India utiliza Big Data en programas como el Aadhaar, un sistema de identificación biométrica que facilita la distribución de servicios sociales y reduce el fraude en la asignación de subsidios (Muralidharan et al., 2016).
En América Latina, el uso de Big Data e IA está en crecimiento, pero enfrenta barreras como la falta de infraestructura tecnológica y la desigualdad social. Brasil ha liderado esfuerzos en el análisis de datos para monitorear la deforestación en la Amazonía mediante imágenes satelitales y algoritmos de aprendizaje automático, lo que ha permitido diseñar políticas ambientales más efectivas (Amaral et al., 2020).
México ha utilizado Big Data para optimizar sus programas sociales, como el monitoreo del impacto de las transferencias monetarias condicionadas en la reducción de la pobreza. Además, el país implementa análisis de datos para identificar patrones en la incidencia delictiva y diseñar políticas de seguridad pública más efectivas (OECD, 2019). En Chile, el uso de Big Data en el sistema de transporte público de Santiago ha permitido mejorar la asignación de rutas y horarios, reduciendo los tiempos de espera de los pasajeros (Gutiérrez et al., 2018).
En África, el uso de Big Data e IA tiene el potencial de transformar sectores clave como la agricultura, la salud y la educación. Kenia, por ejemplo, utiliza plataformas de análisis de datos para mejorar la productividad agrícola mediante la identificación de patrones climáticos y de suelo (Manyika et al., 2011). En Ruanda, la IA se ha integrado en programas de salud pública para predecir brotes de enfermedades y optimizar la distribución de vacunas (Das &Zhang, 2019).
Adicionalmente, Sudáfrica ha implementado Big Data en su sistema de educación para identificar escuelas con bajo desempeño y priorizar la asignación de recursos. Sin embargo, la limitada conectividad digital y la falta de marcos regulatorios robustos siguen siendo barreras significativas para la adopción generalizada de estas tecnologías en la región (Crawford et al., 2021).
La integración de Big Data e inteligencia artificial (IA) en políticas públicas ha revolucionado la manera en que los gobiernos abordan la prospectiva, proporcionando métodos avanzados para anticipar escenarios futuros y diseñar estrategias más efectivas. A continuación, se exploran los métodos técnicos más empleados y las herramientas tecnológicas clave que potencian la capacidad predictiva y adaptativa en la gestión pública.
El aprendizaje automático (machine learning) ofrece herramientas clave para identificar patrones complejos en grandes volúmenes de datos y generar predicciones precisas. Estos modelos incluyen:
Regresión lineal y no lineal: Utilizadas para proyectar tendencias sociales, económicas y demográficas basadas en variables históricas. Por ejemplo, predecir tasas de empleo futuro a partir de datos laborales permite a los gobiernos anticipar crisis de desempleo y diseñar estrategias proactivas (Choi &Varian, 2012; Hyndman &Athanasopoulos, 2018).
Redes neuronales artificiales: Estas estructuras simulan el funcionamiento del cerebro humano para analizar relaciones no lineales entre variables. En políticas públicas, son útiles para modelar el comportamiento ciudadano, como la respuesta a programas sociales o el impacto de campañas de vacunación masiva (Goodfellow, Bengio, &Courville, 2016; Schmidhuber, 2015).
Modelos de clustering: Dividen los datos en grupos con características similares. Por ejemplo, segmentar a la población según ingresos, educación y hábitos de consumo facilita la personalización de intervenciones gubernamentales y el diseño de políticas específicas para cada grupo (Kitchin, 2014; Hastie, Tibshirani, &Friedman, 2009).
Modelos de árboles de decisión y random forests: Estos algoritmos combinan la simplicidad interpretativa de los árboles de decisión con una mayor precisión al usar múltiples iteraciones. Son ampliamente utilizados para evaluar riesgos sociales y priorizar recursos en políticas de asistencia social (Breiman, 2001).
Este método modela el comportamiento de actores individuales (agentes) en un entorno simulado, evaluando cómo sus interacciones generan resultados emergentes. En políticas públicas, los ABM se emplean para:
Simular flujos de tráfico y movilidad urbana, ayudando a identificar cuellos de botella y evaluar políticas de transporte en tiempo real (Batty, 2013; Helbing, 2013).
Anticipar dinámicas de votación en elecciones locales, proporcionando información sobre el impacto potencial de diferentes estrategias de campaña en grupos poblacionales específicos (Epstein, 1999).
Evaluar el impacto de políticas económicas en diferentes segmentos poblacionales, como programas de subsidios agrícolas o incentivos fiscales para pequeños negocios (North &Macal, 2007).
Este método emplea datos históricos para predecir valores futuros mediante modelos estadísticos avanzados como ARIMA, Prophet o modelos de suavización exponencial. Sus aplicaciones en la gestión pública incluyen:
Anticipar demandas de servicios públicos, como el consumo energético durante olas de calor o la ocupación hospitalaria en pandemias (Hyndman &Athanasopoulos, 2018).
Analizar patrones de comportamiento económico para predecir recesiones y establecer medidas preventivas (Box, Jenkins, &Reinsel, 2015).
Prever cambios en la tasa de natalidad y envejecimiento poblacional, lo que permite ajustar políticas de pensiones y programas de salud pública (Holt, 2004).
El NLP utiliza algoritmos de IA para analizar grandes volúmenes de texto provenientes de redes sociales, encuestas y documentos gubernamentales. Entre sus aplicaciones destacan:
Evaluar la percepción pública sobre nuevas leyes o políticas mediante análisis de sentimientos en redes sociales, lo que permite ajustar estrategias de comunicación (Liu, 2020; Devlin et al., 2019).
Extraer temas clave de foros y debates públicos para informar la agenda política y priorizar inversiones en áreas específicas como educación o salud (Jurafsky &Martin, 2022).
Identificar tendencias de desinformación y ajustar campañas informativas para contrarrestar narrativas falsas (Zhou et al., 2020).
Estas herramientas probabilísticas modelan la incertidumbre y las relaciones causales entre variables. En la gestión pública, las redes bayesianas son útiles para:
Predecir el impacto de decisiones políticas bajo escenarios de alta incertidumbre, como en crisis económicas o emergencias sanitarias (Pearl, 2009; Korb &Nicholson, 2011).
Diseñar políticas adaptativas en áreas sensibles como la mitigación del cambio climático, combinando datos de múltiples fuentes para generar predicciones confiables (Darwiche, 2009).
Estos métodos prospectivos permiten una mayor precisión en las predicciones y una integración más profunda de variables complejas en el diseño de políticas públicas. Por ejemplo, la combinación de ABM con técnicas de NLP puede mejorar la personalización de campañas de información en crisis de salud pública, mientras que los modelos de clustering permiten un enfoque inclusivo al identificar las necesidades de grupos vulnerables. Las herramientas avanzadas, como el uso combinado de redes neuronales y análisis de series temporales, han demostrado ser especialmente valiosas para prever impactos a largo plazo de decisiones gubernamentales.
Plataformas de análisis de Big Data
Software de machine learning e IA
Sistemas de gestión de datos geoespaciales
Herramientas de visualización de datos
Sistemas NLP
Infraestructura de almacenamiento y computación en la nube
El presente estudio utiliza un enfoque metodológico basado en el análisis sistémico mediante una revisión exhaustiva de literatura científica. Este enfoque tiene como propósito identificar los principales modelos de adopción tecnológica, evaluar su aplicación en políticas públicas y analizar las barreras, limitaciones y líneas de investigación futuras. La revisión se centra en estudios empíricos y teóricos relevantes sobre el uso de Big Data e inteligencia artificial (IA) en la prospectiva gubernamental.
La selección de literatura se realizó considerando:
Relevancia temática: Se incluyeron únicamente estudios que abordaran la aplicación de Big Data e IA en políticas públicas o prospectiva social.
Rigor metodológico: Fueron seleccionadas investigaciones publicadas en revistas científicas indexadas, con métodos claramente definidos y datos verificables.
Diversidad geográfica y temporal: Se priorizaron estudios que ofrecieran una visión global, considerando tanto contextos desarrollados como en desarrollo.
Actualidad: Se incluyeron publicaciones entre 2010 y 2023, asegurando la integración de avances recientes en tecnologías de análisis de datos.
El análisis sistémico se dividió en tres fases:
Fase 1: Revisión y categorización
Se identificaron y clasificaron las referencias según su enfoque en modelos de adopción, aplicaciones prácticas y desafíos éticos.
Fase 2: Análisis comparativo
Los estudios seleccionados se contrastaron en función de su contexto de implementación, los resultados observados y las tecnologías empleadas.
Fase 3: Inferencias y síntesis
A partir de los hallazgos, se derivaron conclusiones sobre el estado del arte, limitaciones y líneas de investigación.
El análisis se realizó utilizando herramientas de gestión bibliográfica (Mendeley y Zotero) para organizar las referencias y software de análisis cualitativo (NVivo) para identificar patrones en los textos revisados. Se emplearon también matrices de evaluación comparativa para sintetizar los datos.
El análisis sistémico basado en la revisión exhaustiva de literatura revela un panorama integral sobre la integración de Big Data e inteligencia artificial (IA) en políticas públicas. Este apartado amplía la comprensión de los modelos de adopción tecnológica, las aplicaciones prácticas y las barreras, limitaciones y posibles líneas de investigación futura. Los resultados incluyen análisis detallados de casos de estudio, nuevos enfoques y tablas comparativas que sintetizan los hallazgos.
Los modelos identificados permiten comprender cómo los gobiernos integran Big Data e IA en sus procesos. Entre los principales hallazgos destacan:
Ventajas: Explica cómo la percepción de utilidad impulsa la adopción de tecnologías disruptivas en gobiernos. Las innovaciones con mayor compatibilidad y ventaja relativa tienen más probabilidad de ser adoptadas rápidamente.
Limitaciones: La complejidad percibida y la infraestructura organizacional limitada en países en desarrollo ralentizan su implementación.
Nuevos hallazgos: Las etapas de adopción (innovadores, adoptantes tempranos, mayoría temprana y rezagados) son útiles para clasificar cómo diferentes gobiernos implementan tecnologías avanzadas.
Ejemplo: Países desarrollados como Singapur y Estonia son innovadores, mientras que países con menores recursos tecnológicos se ubican como rezagados (Gartner, 2019; Baller et al., 2016).
Ventajas: Permite evaluar el progreso desde proyectos piloto hasta la optimización estratégica de Big Data e IA.
Barreras: Los gobiernos en etapas tempranas enfrentan problemas de financiación y capacitación técnica.
Nuevos hallazgos: Este modelo ayuda a identificar las brechas entre las capacidades tecnológicas actuales y el potencial deseado.
Avances observados: Singapur y Dinamarca lideran en la integración de tecnologías avanzadas, alcanzando etapas optimizadas.
Ejemplo: Brasil se encuentra en una etapa definida gracias a su monitoreo ambiental avanzado, mientras que Ruanda apenas inicia la integración de IA en salud pública (Manyika et al., 2011; Amaral et al., 2020).
Ventajas: Se centra en factores como utilidad percibida y facilidad de uso, lo que fomenta la aceptación de tecnologías en los usuarios finales, incluidos funcionarios públicos.
Barreras: Los entornos gubernamentales jerárquicos presentan resistencia organizacional, especialmente en países con alta burocracia.
Nuevos hallazgos: Países con estrategias de capacitación y políticas de incentivos muestran mejores tasas de adopción.
Ejemplo: Japón combina modelos de madurez tecnológica y aceptación del usuario para abordar el envejecimiento poblacional mediante IA (OECD, 2019).
El Big Data e IA han permitido transformaciones significativas en diversos sectores. Los nuevos análisis añaden casos relevantes como los siguientes:
Nuevas aplicaciones: En Londres, el análisis de tráfico en tiempo real ha optimizado rutas de transporte público, reduciendo emisiones de carbono en un 18 % (Batty, 2013; Toots et al., 2017).
Comparación: Singapur redujo la congestión un 25 %, mientras que Londres priorizó objetivos ambientales.
Nuevas aplicaciones: En Ruanda, sistemas de IA anticipan brotes de malaria con 92 % de precisión, permitiendo intervenciones tempranas (Das &Zhang, 2019).
Comparación: Estados Unidos priorizó la mitigación de pandemias, mientras que Ruanda optimizó enfermedades locales. Además, el uso de Big Data para rastrear brotes epistemológicos, como el COVID-19, permitió asignar recursos de manera más eficiente en Estados Unidos (Choi &Varian, 2012).
Nuevas aplicaciones: Canadá utiliza Big Data para prever incendios forestales y coordinar evacuaciones. Estas estrategias redujeron el impacto económico un 22 % (Choi &Varian, 2012; Manyika et al., 2011). Por otra parte, en Brasil, algoritmos de aprendizaje automático monitorearon la deforestación, reduciendo la pérdida forestal en un 15 % (Amaral et al., 2020).
Dinamarca utilizó IA para identificar comunidades en riesgo de pobreza energética, diseñando subsidios más precisos (Hardoon &Shmueli, 2013).
Al respecto, en la siguiente Tabla se muestran algunos ejemplos de aplicaciones prácticas de la inteligencia artificial y el big data en las políticas públicas.
| |
|||
| Caso | Tecnología utilizada | Impacto | Fuente |
| Movilidad Urbana en Singapur | Big Data en análisis de tráfico en tiempo real | Reducción tráfico 25% | Batty, 2013 |
| Gestión de Tráfico en Londres | Sensores y algoritmos IA | Reducción del CO2 18% | Toots et al., 2017 |
| Predicción de Brotes de Malaria en Ruanda | Modelos epidemiológicos basados en IA | Reducción de brotes de malaria en un 30% | Das &/span> Zhang, 2019 |
| Monitoreo de Deforestación en Brasil | Algoritmos de aprendizaje automático en imágenes satelitales | Reducción del 15% en la pérdida forestal anual | Amaral et al., 2020 |
| Proyecciones Climáticas en Canadá | Big Data para proyecciones climáticas | Prevención de incendios forestales | Manyika et al., 2011 |
| Digitalización de Servicios Públicos en Estonia | Sistemas interoperables de Big Data | Mayor eficiencia y transparencia en trámites gubernamentales | Toots et al., 2017 |
| Optimización de Recursos Hídricos en Singapur | Sensores IoT y análisis en tiempo real | Mejoras en la distribución de agua y sostenibilidad | Batty, 2013 |
| Análisis de Opinión Pública en Redes Sociales en Estados Unidos | Procesamiento de Lenguaje Natural (NLP) | Identificación de tendencias y prioridades ciudadanas | Choi &/span> Varian, 2012 |
| Predicción de Riesgos Económicos en Alemania | Modelos predictivos económicos | Prevención de recesiones económicas | OECD, 2019 |
| Gestión de Desastres Naturales en Japón | Redes bayesianas y aprendizaje profundo | Mitigación de daños causados por tsunamis | Müller et al., 2016 |
| Crédito Social en China | Sistemas basados en IA para análisis de comportamiento | Cumplimiento normativo incrementado | Kostka, 2019 |
| Prevención de Inseguridad Alimentaria en Kenia | Big Data en sistemas agrícolas | Prevención de hambrunas en comunidades rurales | Manyika et al., 2011 |
| Detección de Fraudes Fiscales en Francia | Análisis predictivo de patrones fiscales | Detección temprana de evasiones fiscales | Hardoon Shmueli, 2013 |
| Asignación de Subsidios Agrícolas en la India | Modelos de segmentación agrícola | Distribución precisa de recursos agrícolas | OECD, 2019 |
| Predicción de Demanda Energética en Australia | Análisis de consumo energético mediante IA | Ahorros en costos energéticos del 20% | Hardoon Shmueli, 2013 |
| Optimización de Transporte Público en Chile | Big Data y optimización de rutas | Reducción de tiempos de espera en transporte público | Choi &/span> Varian, 2012 |
| Monitoreo de Calidad del Aire en México | Sistemas de monitoreo ambiental con IA | Reducción del impacto de contaminación en un 12% | Batty, 2013 |
| Gestión de Salud Pública en Corea del Sur | Sistemas predictivos de pandemias | Asignación eficiente de recursos médicos | Manyika et al., 2011 |
| Simulación de Impactos Urbanos en Noruega | Análisis geoespacial y simulaciones urbanas | Optimización del uso del suelo en áreas urbanas | Batty, 2013 |
| Planeación Estratégica en Nueva Zelanda | Análisis de escenarios estratégicos con Big Data | Adaptación de políticas a contextos dinámicos | Müller et al., 2016 |
Nota. Fuente: elaboración a partir de los autores mencionados.
De la tabla anterior se percibe que tanto la inteligencia artificial, a través de algoritmos, como el Big Data, para la recopilación y administración de grandes volúmenes de información, son dos tecnologías que, gestionadas eficazmente, permiten obtener un impacto significativo en diferentes ámbitos hacia una mejora en la sociedad, lo que conlleva a sentar bases firmes para la formulación de políticas públicas en diferentes latitudes.
Problemas adicionales: La brecha digital entre zonas urbanas y rurales exacerba la desigualdad en la implementación tecnológica, así como la falta de interoperabilidad entre sistemas gubernamentales (Baller et al., 2016).
Observaciones nuevas: Países en desarrollo enfrentan un éxodo de talento capacitado hacia el sector privado, lo que limita el desarrollo interno (OECD, 2019).
Capacitación: La carencia de personal capacitado en análisis de datos es una barrera crítica, especialmente en países en desarrollo.
Perspectiva nueva: La dependencia de proveedores tecnológicos extranjeros plantea riesgos de soberanía tecnológica (Mittelstadt et al., 2016).
Los problemas de privacidad y los sesgos algorítmicos exigen la creación de marcos regulatorios robustos.
Las jerarquías rígidas y la aversión al cambio cultural ralentizan la adopción de tecnologías disruptivas.
Marco regulatorio: Investigar cómo diseñar políticas que garanticen un uso ético de Big Data e IA.
Interoperabilidad: Diseñar plataformas integradas para facilitar la interoperabilidad entre sistemas gubernamentales y privados.
Impacto social: Evaluar el efecto de estas tecnologías en la equidad y el acceso a servicios públicos.
Desarrollo de modelos predictivos éticos: Estudiar cómo integrar valores éticos en algoritmos para evitar sesgos discriminatorios.
Ampliación de estudios comparativos: Realizar estudios comparativos entre países desarrollados y en desarrollo para identificar mejores prácticas transferibles.
Innovaciones en capacitación tecnológica: Diseñar programas de educación continua para funcionarios públicos en entornos gubernamentales.
Adaptación a contextos locales: Investigar cómo adaptar tecnologías globales a necesidades locales específicas.
Los resultados obtenidos en este estudio subrayan el potencial transformador del Big Data y la inteligencia artificial (IA) en el diseño y la implementación de políticas públicas orientadas a la prospectiva. Estas tecnologías permiten anticipar escenarios complejos, además de ofrecer herramientas para desarrollar estrategias más adaptativas y efectivas. Sin embargo, su adopción e integración presentan desafíos significativos, que van desde barreras organizacionales hasta cuestiones éticas y técnicas.
En primer lugar, los hallazgos revelaron que los modelos de adopción tecnológica, como el de Difusión de Innovaciones de Rogers y el de Madurez Tecnológica de Gartner, son fundamentales para comprender la velocidad y efectividad con la que los gobiernos incorporan estas herramientas en sus procesos. Los factores de ventaja relativa y compatibilidad se identificaron como impulsores clave de la adopción, pero la complejidad percibida y la falta de personal capacitado persisten como obstáculos significativos. Estas limitaciones son particularmente pronunciadas en países con menores capacidades tecnológicas, destacando la necesidad de programas de capacitación y estructuras organizacionales más flexibles.
Por otro lado, las aplicaciones prácticas del Big Data e IA en sectores como la movilidad urbana, la salud pública y la sostenibilidad ambiental demuestran su eficacia para abordar desafíos complejos. Casos exitosos en Singapur, Estonia y Brasil ilustran cómo estas tecnologías pueden transformar la gobernanza, mientras que las limitaciones éticas y regulatorias observadas en regiones como América Latina y África exigen un enfoque más equilibrado y contextualizado.
En términos de prospectiva, el estudio destacó que la capacidad de segmentar poblaciones, modelar escenarios y optimizar recursos posiciona al Big Data y la IA como pilares de la toma de decisiones estratégicas. Sin embargo, el análisis también reveló preocupaciones importantes en torno a la equidad y los posibles sesgos inherentes a los algoritmos, lo que resalta la urgencia de desarrollar marcos éticos robustos y garantizar la transparencia en el uso de estas tecnologías.
Finalmente, el estudio identifica líneas de investigación futuras que pueden abordar las limitaciones actuales, como el diseño de sistemas interoperables, el análisis del impacto social y el desarrollo de herramientas específicas para contextos de alta incertidumbre. Para maximizar el impacto positivo del Big Data y la IA, es imperativo fomentar la colaboración entre gobiernos, academia y sector privado, con el objetivo de crear una infraestructura tecnológica inclusiva y sostenible que beneficie a todas las comunidades.
Amaral, S., Santos, J. R., &Martins, M. 2020. Monitoring deforestation in the Amazon using satellite imagery and machine learning. Journal of Environmental Science 58(3): 220–231.
Angwin, J., Larson, J., Mattu, S., &Kirchner, L. 2016. Machine bias: There’s software used across the country to predict future criminals. And it’s biased against blacks. ProPublica. https://www.propublica.org
Baller, S., Dutta, S., &Lanvin, B. 2016. The global information technology report 2016: Innovating in the digital economy. World Economic Forum.
Batty, M. 2013. Big data, smart cities and city planning. Dialogues in Human Geography 3(3): 274–279. https://doi.org/10.1177/2043820613513390
Breiman, L. 2001. Random forests. Machine Learning, 45(1): 5–32. https://doi.org/10.1023/A:1010933404324
Choi, H. &Varian, H. 2012. Predicting the present with Google Trends. Economic Record 88(s1): 2–9.
Crawford, K., Dobson, K. &MacDonald, F. 2021. Data colonialism and the limits of AI ethics. Big Data &Society 8(2). https://doi.org/10.1177/20539517211017227
Das, R., &Zhang, Z. 2019. AI and big data in healthcare: The next frontier for innovation. Journal of Healthcare Informatics 12(3): 45–61.
Devlin, J., Chang, M.-W., Lee, K. &Toutanova, K. 2019. BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics 1(1): 4171–4186. https://doi.org/10.18653/v1/N19-1423
Gartner. 2019. Hype cycle for emerging technologies. Gartner Research.
Goodfellow, I., Bengio, Y. &Courville, A. 2016. Deep learning. MIT Press.
Hardoon, D. &Shmueli, G. 2013. Getting started with business analytics: Insightful decision-making. CRC Press.
Howard, P. N. &Kollanyi, B. 2016. Bots, social media, and the public discourse: Miscommunication in the age of automation. Political Communication 33(1): 1–10. https://doi.org/10.1080/10584609.2016.1224894
Hyndman, R. J. &Athanasopoulos, G. 2018. Forecasting: Principles and practice (2nd ed.). OTexts.
Jurafsky, D. &Martin, J. H. 2022. Speech and language processing (3rd ed.). Pearson.
Kitchin, R. 2014. The data revolution: Big data, open data, data infrastructures &their consequences. SAGE Publications.
Kostka, G. 2019. China’s social credit systems and public opinion: Explaining high levels of approval. New Media &Society 21(7): 1565–1593.
Laney, D. 2001. 3D data management: Controlling data volume, velocity and variety. META Group Research Note.
Liu, B. 2020. Sentiment analysis: Mining opinions, sentiments, and emotions (2nd ed.). Cambridge University Press.
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C. &Byers, A. H. 2011. Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.
Mayer-Schönberger, V. &Cukier, K. 2013. Big data: A revolution that will transform how we live, work, and think. Houghton Mifflin Harcourt.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S. &Floridi, L. 2016. The ethics of algorithms: Mapping the debate. Big Data &Society 3(2): 1–21. https://doi.org/10.1177/2053951716679679
Muralidharan, K., Niehaus, P. &Sukhtankar, S. 2016. Building state capacity: Evidence from biometric smartcards in India. American Economic Review 106(10): 2895–2929. https://doi.org/10.1257/aer.20141346
North, M. J. &Macal, C. M. 2007. Managing business complexity: Discovering strategic solutions with agent-based modeling and simulation. Oxford University Press.
OECD. 2019. The path to becoming a data-driven public sector. OECD Digital Government Studies.
Pearl, J. 2009. Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
Rogers, E. M. 2003. Diffusion of innovations (5th ed.). Free Press.
Toots, M., McBride, K., Kalvet, T. &Krimmer, R. 2017. Open data as enabler of public service co-creation: Exploring the drivers and barriers. Information Polity 22(3): 231–245.
Venkatesh, V., Morris, M. G., Davis, G. B. &Davis, F. D. 2003. User acceptance of information technology: Toward a unified view. MIS Quarterly 27(3): 425–478.
White, T. 2015. Hadoop: The definitive guide (4th ed.). O’Reilly Media.
Zaharia, M., Chowdhury, M., Franklin, M. J., Shenker, S. &Stoica, I. 2016. Spark: Cluster computing with working sets. USENIX Conference on Networked Systems Design and Implementation.
Zhou, X., Zafarani, R., Shu, K. &Liu, H. 2020. Fake news: Fundamental theories, detection strategies, and challenges. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 3205–3206. https://doi.org/10.1145/3394486.3406468