1

Índice

Capítulo A / Presentación

A.1 Presentación 7
A.2 Que contiene y cómo leer este documento 8
A.3 Agradecimientos 10
A.4 Principales hallazgos 11

Capítulo B / Factores Habilitantes

Principales hallazgos 15
B.1 Descripción de la dimensión 16
B.2 Infraestructura 18
B.2.1 Conectividad 20
B.2.2 Cómputo 22
B.3 Datos 24
B.4 Desarrollo de talento 28
B.4.1 Alfabetización en IA 30
B.4.2 Formación Profesional en IA 32
B.4.3 Capital Humano Avanzado 34
B.5 Fuga de talento 37
B.6 Resultados Principales y desafíos de la región 42
B.7 Aproximación a la presencia de habilidades de IA en el mercado laboral de América Latina 44

Capítulo C / Investigación, Adopción y Desarrollo

Principales hallazgos 61
C.1 Descripción de la dimensión 62
C.2 Investigación 64
C.3 Innovación y Desarrollo 69
C.3.1 Desarrollo 71
C.3.2 Innovación 74
C.4 Adopción 75
C.4.1 Empresas en IA 78
C.4.2 Fomento público de IA 79
C.5 Principales resultados y desafíos de la región 80
C.6 Explorando la evolución de la investigación académica en IA en la región. 81
C.7 Aprendizajes respecto al caso de Uruguay. 94

Capítulo D / Gobernanza

Principales hallazgos 97
D.1 Descripción de la dimensión 98
D.2 Visión e institucionalidad 100
D.2.1 Estrategia de IA 102
D.2.2 Involucramiento de la sociedad 105
D.2.3 Institucionalidad 107
D.3 Vinculación Internacional 109
D.4 Regulación 111
D.5 Principales resultados y desafíos de la región 116

2 3
Capítulo E / Percepción

E.1 Presentación del capítulo 119

E.2 Principales hallazgos 120
E.3 Metodología y resultados. 121
E.4 Cobertura mediática de la IA en Chile: Temas y nudos críticos. Sección elaborada por el 143
Núcleo Milenio Future of Artifficcial Intelligence Research Center (FAIR).

Capítulo F / Futuro de la Inteligencia Artificial en Latinoamérica

F.1 Presentación del capítulo 157

F.2 Principales Hallazgos 158
F.3 Metodología y resultados 160
F.4 Tendencias académicas y su impacto en la región 167

Capítulo G / Fichas País

Argentina 186
Bolivia 191
Brasil 196
Chile 201
Colombia 206
Costa Rica 211
Ecuador 216
México 221
Panamá 226 H.8 Percepción sobre IA 288
Paraguay 231 H.8.1 Método de procesamiento de texto 291
Perú 236 H.8.2 Métodos para clasificación de tweets sobre IA y geolocalización tweets son de IA 292
Uruguay 241 H.8.3 Análisis de sentimiento 294
H.8.4 Modelamiento de tópicos 295
Capítulo H / Apéndice metodológico H.8.5 Estrategia de extracción de datos en medios digitales 296
H.8.6 Método de procesamiento de texto 297
H.1 Presentación del Apéndice 248 H.8.7 Estrategia de análisis de sentimiento 298
H.2 Estrategia de recolección de datos 249 H.8.8 Modelamiento de tópicos 299
H.3 Tabla Descriptiva de ILIA 2023 250 H.9 Metodología Futuro de IA 300
H.4 Modelo de agregación de subindicadores 262 H.9.1 Análisis automatizado 301
H.5 Detalle del subindicador orientación al bien público, para cada país 264 H.9.2 Análisis cualitativo manual 302
H.5.1 Detalle de subdimensión Regulación 266 H.9.3 Apartado 1: Detalle sesión plenaria 303
H.6 Detalle de subdimensión Internacional 270 H.9.4 Apartado 2: Detalle encuesta de priorización 305
H.7 Construcción de indicadores de investigación y migración de talento 273 H.9.5 Apartado 3: Detalle de análisis de tópicos 308
H.7.1 Base de datos: Openalex 274 H.10 Tabla AM 10. Categorización de los subindicadores incluidos en la construcción de las 310
H.7.2 Descarga y poblamiento local de base de datos 275 dimensiones de ILIA 2023
H.7.3 Estrategia de identificación de artículos científicos de IA 276 H.11 Tabla AM 11. Porcentaje de cobertura a nivel de indicador y subindicador de ILIA 2023 313
H.7.4 Medición de la producción científica en IA 277 H.12 Tabla AM 12. Porcentaje de cobertura de los datos a nivel de dimensión y país 316
H.7.5 Colaboración en IA entre países 278 H.13 Desafíos y limitaciones 317
H.7.6 Medición de tendencias en conceptos de IA 279 H.14 Referencias para metodología de Percepción e Investigación 318
H.7.7 Medición de la migración de talento en IA 280 H.15 Referencias del artículo Cobertura mediática de la IA en Chile: Temas y nudos críticos. 319
H.7.8 Figuras referenciales 281 Sección elaborada por el Núcleo Milenio Future of Artificial Intelligence Research Center (FAIR).

4 5
 A.1
Presentación
Es un honor introducir la primera versión del Índice
Latinoamericano de Inteligencia Artificial (ILIA). ILIA es un estudio
público que ofrece una visión detallada y amplia del estado

Presentación actual de la IA en la región de América Latina y el Caribe. Con

una mirada centrada en la pertinencia local, el estudio cubre
en detalle temáticas como infraestructura, capital humano,
disponibilidad de datos, regulaciones, áreas estratégicas y
Capítulo A participación ciudadana, entre otros.

Como sello principal, ILIA surge como un esfuerzo multinacional,

gestado gracias a la colaboración de una serie de grupos de
trabajo distribuidos por toda la región. Un trabajo que trasciende
fronteras, con la convicción que al compartir experiencias, al unir
esfuerzos, al crecer en forma conjunta, se consigue vitalizar un
desarrollo armónico y próspero de la IA en la región. Entre sus
aportes, ILIA ofrece un panorama que facilita la comprensión de
los contextos en los cuales se desarrolla la disciplina, así como
la identificación de desafíos comunes, brechas particulares de
cada país, y nichos donde deberían destinarse los esfuerzos de
cooperación y desarrollo internacional. Adicionalmente, ILIA será
publicado en forma periódica, mostrando la evolución de sus
indicadores a lo largo del tiempo, para así apreciar la evolución
de brechas, aprendizajes y avances.

Como se indica en el estudio, respecto a los países que lideran

el desarrollo de IA a nivel mundial, desafortunadamente aún la
brecha es sustancial. A modo de ejemplo, entre los años 2010 y
2021, solo el 2,7% de las publicaciones científicas acumuladas
en Journals pertenece a América Latina. Para el mismo período,
en términos de inversión privada, la inversión conjunta de todos
los países de América Latina no supera el 1,7% del monto de la
inversión de EEUU o el 5% de China. Así, en su primera versión,
ILIA se centra en establecer una comparación relativa del estado
actual de la IA en los países de la región sin extrapolar al resto del
mundo.

Tenemos la convicción de que ILIA será una contribución

sustancial para la discusión sobre la IA en América Latina y su
aporte en esta disciplina hacia el resto del mundo. El llamado es
a trabajar de manera colaborativa en todos los niveles. Desde
la recolección y disponibilidad de datos hasta la formación de
capital humano avanzado. Desde la construcción de centros
de cómputo con energías renovables hasta la regulación de la
IA con pertinencia local. Si bien los desafíos son enormes, las
oportunidades son aún más grandes. La IA es una herramienta al
servicio de las y los latinoamericanos, y de cada uno de nosotros
depende que esto sea así.

Alvaro Soto Arriaza, Director de Cenia

Rodrigo Durán Rojas, Director Ejecutivo ILIA.

6 7
A.2
Qué contiene y cómo leer
este documento:
El ILIA está compuesto por siete capítulos. Los
tres primeros son las dimensiones de Factores
Habilitantes, Investigación, Desarrollo y Adopción;
y Gobernanza. Las dimensiones se construyeron
a partir de una investigación que agregó datos
provenientes de fuentes abiertas y comparables
para evaluar el desempeño de 12 países.
El Capítulo B, Factores Habilitantees, mide la
presencia de elementos que, como dice su nombre,
habilitan un ecosistema para poder florecer.
El Capítulo C, Investigación Desarrollo y Adopción,
evalúa el nivel de madurez que refleja el estado del
arte y la práctica en elementos como producción
científica, inversión privada y transferencia
tecnológica en cada país.
El Capítulo D, Gobernanza, evalúa el entorno
institucional y regulatorio en el cual se enmarcan los
ecosistemas de IA.
Todos los indicadores fueron recodificados en
una escala de 0 a 100 para asignar puntaje y
hacerlos comparables a nivel regional. De ese
modo, los resultados deben ser interpretados
como la posición relativa de los países en relación
al contexto regional. La metodología para cada
indicador se explica en detalle en el Apéndice
Metodológico.
Las dimensiones están compuestas por
subdimensiones, que a su vez se construyen a partir
de indicadores y subindicadores. En cada capítulo
se analiza el comportamiento de los datos desde
una perspectiva regional, identificando brechas
entre países y al interior de ellos. La posición de los
países en el ILIA está construida a partir de estas
tres dimensiones.
El Capítulo E, Percepción de la IA, ofrece una
aproximación a la percepción que existe sobre la
IA en América Latina a nivel de opinión pública.
Para ello, se sirve de dos fuentes de datos:
artículos publicados por medios de comunicación,
y mensajes en la red social Twitter. Se tomó una
muestra que abarca desde octubre de 2022 hasta
abril de 2023, y muestra las diferencias en la visión
y temáticas entre las dos fuentes de información
a nivel agregado, y también a nivel local.
Adicionalmente se incluye un apartado analítico
respecto a la evolución de la cobertura mediática
de la IA para el caso chileno, que consideramos
ilustrativa para entender la evolución de la visión
8 9
respecto a la IA en los medios de comunicación
tradicionales de ese país.
El Capítulo F, Futuro de la IA, plantea un análisis
en profundidad de la visión que tienen expertos y
expertas regionales respecto al impacto potencial
que tendrá la IA en seis campos de la vida de las
personas. Para su construcción se puso en marcha
un proceso participativo con actores de toda la
región, durante el cual se identificaron temáticas
relevantes y se discutió sobre el impacto de la
IA en ellas, destacando riesgos y oportunidades
específicas para el contexto latinoamericano. Junto
a este análisis se presenta la visión académica
respecto a tendencias y desafíos para la región en 5
aplicaciones específicas de la IA: Visión y Lenguaje,
Explicabilidad, Ética, Desarrollo Científica y Arte,
El Capítulo G está compuesto por doce Fichas
País, las que muestran de manera detallada la
situación de cada uno de los países evaluados para
la elaboración del ILIA, profundizando en brechas
específicas y proponiendo cursos de acción a partir
de la experiencia comparada a nivel local y global.
El Capítulo H es el Apéndice Metodológico, que
detalla la metodología para la construcción de los
capítulos anteriores, las fuentes de información
y las referencias a las cuales se acudió para la
elaboración de este documento.
El ILIA puede ser leído como un documento integral,
o cada uno de sus capítulos como documentos
independientes autoexplicativos. Está estructurado
con un lenguaje sencillo que permite al lector o
lectora apoyarse en gráficos para entender el
contexto regional de cada hallazgo.
A.3
Agradecimientos
El resultado de este informe es fruto de un trabajo
regional que nos enorgullece y nos da esperanzas
para una colaboración regional de largo aliento.
Todas y cada una de las personas que colaboraron
en este proyecto lo hicieron de forma desinteresada,
confiando en Cenia, para dedicarle largas horas a
un trabajo que probablemente hizo postergar otros
quizás más urgentes.
Agradecemos a la Corporación Andina de Fomento,
por haber sido los primeros en confiar para la
realización de este estudio, especialmente a María
Isabel Mejía y su equipo. Damos las gracias también
a las otras organizaciones que compartieron la
visión propuesta y estuvieron disponibles para hacer
que este proyecto viera la luz: a Carmina Hernandez
y Natalia Iregui de AWS, a Fernando Vargas y Pablo
Angelelli del Banco Interamericano de Desarrollo, a
Nicolás Schubert y Eleonora Rabinovich de Google,
a Varinka Farren y Krystie Leiva de HubApta, y a
Estudio Acrónimo por el diseño de este Índice.
Un elemento fundamental para la construcción
del índice fue la participación activa de actores
regionales en el comité asesor del ILIA, lo que
permitió tanto la validación de la metodología y
fuentes seleccionadas, como también la corrección
de datos e indicadores que no fueran consistentes
con el contexto local. Agradecemos a Enrique
Sucar, Eduardo Morales, Carlos Coello de la
Asociación Mexicana de Computación, a Arturo
Sánchez y Daniel Ibarra de la Cámara de Diputados
de México, a Paula Garnero y María Virgina Bertone
de Argentina, a Ariel Fernandez y Oscar Contreras
de Bolivia, a Joao Candia, Alexandre Barbosa y
Leonardo Melo del Observatorio Brasileño de IA, a
Wester Zela de Perú, a Esteban Meneses y Fabricio
Quiros del CENAT de Costa Rica, a Pablo Arbelaez,
Germán Peña y Felipe Fernandez de CINFONIA
de Colombia, a Lorena Etcheverry de Uruguay, a
Rodrigo Perez y Antonia Moreno del Gobierno de
Chile, a Francisco Valenzuela y Matías Fuentes de
CETI UC de Chile, También al equipo de Foresight,
liderado por Sandra Peralta y José Guridi, cuyo
profesionalismo y dedicación está patente en
cada página de este documento. A funcionarios
de organismos internacionales que jugaron un
papel clave en el desarrollo metodológico y la
construcción de confianzas a nivel regional: a Cesar
Parga y Aryanne Quintal de la Organización de
Estados Americanos; a Eleonora Lamm y Andrés
Morales de la UNESCO.
10
Ante la ausencia de datos en varias dimensiones,
el aporte de privados fue clave para contar con
una visión más profunda de varios indicadores.
Agradecemos a Casey Weston, Murat Erer, Rosie
Hood y Akash Kaura de Linkedin, Peter Cihon y Kevin
Xu de GitHub, a Carlos Gutiérrez de Future of Life
Institute, a Giglia Vaccani, Antonio Villalobos y Juan
Pablo Rozas de BIRS. También agradecer a Andrés
Carvallo y Felipe Urrutia por su excelso trabajo
metodológico para los capítulos de investigación y
percepción.
El capítulo sobre futuro contó con la participación
de decenas de expertos y expertas en encuestas
y grupos focales, quienes por motivos de
privacidad no serán nombrados, pero su apoyo
fue fundamental. Por otro lado, varios grupos
académicos contribuyeron en la redacción
de apartados específicos del ILIA de manera
desinteresada y su visión representa uno de los
elementos más relevantes de este documento.
Muchas gracias a las doctoras y doctores Claudia
Lopez, Gabriela Arriagada, Freddy Vilchez, Martín
Tironi, Pablo Barceló, Pablo Valderrama, Paula
Aguirre y Rodrigo Gutierrez .
La edición final de los capítulos y su homologación
se debe al esfuerzo del equipo del Centro Nacional
de Inteligencia Artificial, pero especialmente al
trabajo de Alondra Arellano, Crisitían Vásquez,
Gyaniser Gonzalez y Thomas von Graevenitz.
Finalmente, agradecemos a todos y todas quienes,
desde una posición anónima, aportaron con
comentarios y reflexiones para la construcción del
ILIA.
A.4
Principales hallazgos
1. Una región tan diversa como sus paisajes.
Los resultados del ILIA muestran que la realidad
de la IA en América Latina es tan diversa como
los paisajes que visten el continente. Países con
niveles de productividad científica tan altos como la
cordillera pero con deficiencias en su transferencia
tecnológica. . Otros con disponibilidad y variedad
de datos tan abundantes como especies en la
Amazonía pero con deficiencias tecnológicas para
sacar partido de ellos. Así, los resultados indican
que ningún país destaca transversalmente en todas
las dimensiones consideradas, lo cual da espacio
para aprendizaje cruzado entre las experiencias de
los países considerados.
2. ¿Fuga de talento? No, pero...
En términos de fuga de talento, la evidencia en
términos de los lugares donde los investigadores
publican indica que no representa más del 5% de
la comunidad académica total. La inmensa mayoría
de quienes migran fuera de América Latina lo hacen
para estudiar y perfeccionarse, y luego vuelven
a desarrollar su carrera en la región. Un desafío
futuro para ILIA será cuantificar la fuga de talento
que no es capturada por la metodología utilizada,
principalmente considerar el caso de quienes
migraron sin antes haber publicado en la región.
3. Muchos datos, poca capacidad.
América Latina es un laboratorio natural. Desde
los cielos del desierto y sus datos astronómicos,
la enorme amazonía y su biodiversidad o la región
subantártica; la cantidad de datos disponibles
para el desarrollo y entrenamiento de modelos
es inconmensurable. Sin embargo, hoy no existe
en la región infraestructura capaz de procesar y
entrenar los modelos del estado del arte en IA, por
ejemplo, los actuales grandes modelos de lenguaje
o modelos multimodales.
4. La fuerza laboral se está quedando en el pasado.
La penetración relativa de habilidades tecnológicas
y disruptivas, asociadas a la IA, es menor en
América Latina (2,16%) que en el resto del mundo
(3,59%). Además, la mayoría de los sectores
productivos tienen brechas importantes frente a
países del norte global. Sin embargo, la presencia
de habilidades en IA ha crecido en los últimos
años, pero más lento que el resto del mundo.
11
Lamentablemente no se aprecian medidas
concretas en muchos gobiernos para revertir este
fenómeno.
5. Juntos somos más fuertes.
Comunidades académicas con intereses e idiomas
comunes, desafíos sociales similares, fuentes de
datos parecidas, son todos elementos que pueden
contribuir a un trabajo mancomunado regional que
tiene un impacto potencial enorme para acceder
a la orquesta global de la IA. La colaboración es
clave para avanzar. A modo de ejemplo, la evidencia
indica que hay países en la región con un gran
avance en temas de regulación de la IA, los cuales
pueden ser referentes para el resto que aún no ha
hecho frente a este desafío. Algo similar ocurre en
temas como productividad científica, transferencia
tecnológica o promoción.
6. Oportunidades de colaboración científica.
Pese a las potenciales sinergías, la colaboración
científica entre países de la región es aún escasa,
especialmente si se compara con los vínculos
con Europa, Estados Unidos o Asia. A modo de
ejemplo, en los últimos 5 años, la colaboración
con estas otras regiones representa un 80,6%
del total , mientras que la colaboración dentro
de América Latina alcanza solo al 7,7% del total.
Si bien se evidencia un crecimiento en el último
tiempo, aún hay mucho margen para colaborar
académicamente dentro de nuestro propio
continente, claramente una tarea pendiente para
la generación de políticas públicas e incentivos por
parte de los gobiernos e instituciones académicas
de la región.
7. Oportunidades de inversión.
En el norte global, el desarrollo de la IA está siendo
impulsado principalmente por la inversión privada,
tanto a nivel de aplicaciones como de investigación
básica. La inversión privada en 2022 alcanzó los
USD 190 billones en el mundo. Pese a ello, en
América Latina no se evidencia una inversión
relevante por parte de las empresas de la región,
con una inversión conjunta en América Latina,
estimada en USD 8,2 billones. La mala percepción
de políticas de promoción de inversión por parte de
ejecutivos puede explicar en parte este fenómeno.
Existen oportunidades que no están siendo
aprovechadas.
8. La transdisciplina es la norma.
En todos los países de América Latina, sin
excepción, observamos que las publicaciones
asociadas a IA aparecen principalmente en medios
científicos de disciplinas distintas a ésta, como la
biología, medicina y áreas humanistas. A modo de
ejemplo, en el año 2020, el 50% de los autores que
usaron IA en sus publicaciones no tenían como área
principal de expertise la IA. Este fenómeno se ha
acrecentado durante la década, lo que por un lado
refleja la versatilidad de las herramientas de IA
12
pero también refleja una carencia de especialistas
en el área. Sobre esto último, en términos de
publicaciones de latinoamérica en las principales
conferencias y revistas de IA, su participación es de
sólo 2,66% muy por debajo de su nivel de población
y desarrollo en otras áreas.
9. En ruta a la madurez.
Todas las comunidades académicas, maduras
o en procesos de fortalecimiento, muestran una
prevalencia de autores y autoras formadas fuera del
continente, con un promedio de 60%. Sin embargo,
en las últimas décadas se aprecia una disminución
de la importancia relativa de éste fenómeno ,
disminuyendo paulatinamente desde un 90% en
la década de 1990. Así, es posible afirmar que
el sistema de producción de conocimiento sigue
siendo fuertemente dependiente de la formación en
el norte global y Asia, pero cada vez menos.
10. Escepticismo frente al optimismo.
Mientras que la visión sobre la IA que ofrecen
los medios de comunicación de América Latina
es mayoritariamente optimista (41,65% frente a
un 12,6% negativo), las conversaciones en redes
sociales son mayoritariamente pesimistas (31,34%
negativo frente a 23,15% positivo). Detrás de esta
brecha subyace el riesgo de que la IA pierda
legitimidad y enfrente obstáculos para poder
desarrollarse de manera plena.
11. El Futuro se construye hoy.
Las y los expertos consultados sobre el futuro de
la IA en América Latina se dividen entre un gran
optimismo sobre la IA y mucho pesimismo . El futuro
puede ser esplendoroso, poniendo la tecnología
a disposición de las personas para mejorar los
sistemas de educación, diagnósticos médicos más
oportunos, legitimar la democracia, mejorar las
condiciones de trabajo, prevenir desastres naturales
generados por la crisis climática y aumentar
la productividad científica. O al revés, puede
derrumbar la labor docente, aumentar las brechas
en salud, dinamitar la democracia a través de las
noticias falsas, generar desempleo incontrolable
o aumentar drásticamente las emisiones de CO2
por el consumo de energía. Sobre lo que sí parece
haber consenso es que lo que suceda depende de
la manera en que hoy enfrentemos los principales
desafíos que presenta la IA hoy.
13
 Principales hallazgos
Los factores habilitantes reflejan la situación global
La posición relativa de los países para esta

Factores dimensión es equivalente a la posición que tienen

en el ILIA a nivel agregado, fenómeno que no se
aprecia para las otras dimensiones. Esto refuerza

Habilitantes la hipótesis de que el desarrollo de los factores

habilitantes evaluados inciden fuertemente en la
madurez de los ecosistemas de IA.

Capítulo B Conectividad insuficiente.

La penetración de internet y el uso de dispositivos
se ubica sobre el 70% promedio en la región,
mostrando un avance de la digitalización de la
población. Sin embargo, la velocidad de descarga
difiere significativamente al interior de la región
y dentro de los países, lo que muestra un desafío
urgente en materia de inversión en infraestructura
para promover el acceso a esta tecnología.

Escaso acceso a capacidad de cómputo.

Los países de la región muestran un desempeño
transversalmente deficiente en el indicador que
evalúa la inversión, migración, experiencia y
potencial del uso de la nube como elemento de
cómputo. Adicionalmente, los países muestran una
baja presencia de centros de cómputo y ningún país
tiene infraestructura local de cómputo específico
para IA.

Un ecosistema de datos que puede fortalecerse.

Si bien los países evaluados tienen un nivel
razonable, aunque heterogéneo, en el ámbito de
Disponibilidad, Capacidades y Gobernanza de
datos, esto no se traduce en el uso de los datos para
proyectos concretos y con impacto. Son necesarias
estrategias multilaterales que permitan a todos los
países avanzar en un uso más efectivo de los datos,
considerando que es un desafío común.
Ausencia de programas de capacitación y
reconversión laboral.
Solo tres países de la región cuentan con programas
públicos de formación en herramientas de IA. Por
otro lado, sólo Brasil integra elementos de IA en
el currículum escolar nacional, mientras que el
resto de los países sólo alcanzan hasta habilidades
digitales y competencias TIC. Pese a las brechas de
capital humano en el mercado laboral y los riesgos
que conlleva la automatización, no se aprecia
que los estados están impulsando medidas con la
urgencia y escala que se requiere.
Una ruta hacia la madurez.
Todas las comunidades académicas, maduras
o en procesos de fortalecimiento, muestran una
prevalencia de autores y autoras formadas fuera del
continente, con un promedio de 60%. Sin embargo,
en las últimas décadas se aprecia una disminución
de la importancia relativa de éste fenómeno ,
disminuyendo paulatinamente desde un 90% en
la década de 1990. Así, es posible afirmar que
el sistema de producción de conocimiento sigue
siendo fuertemente dependiente de la formación en
el norte global y Asia, pero cada vez menos.
No hay evidencia suficiente para indicar un
fenómeno de fuga de talento IA importante en la
región.
En términos de fuga de talento, la evidencia en
términos de los lugares donde los investigadores
publican indica que no representa más del 5% de
la comunidad académica total. La inmensa mayoría
de quienes migran fuera de América Latina lo hacen
para estudiar y perfeccionarse, y luego vuelven a
desarrollar su carrera en la región.
La fuerza laboral se está quedando en el pasado.
La penetración relativa de habilidades tecnológicas
y disruptivas, asociadas a la IA, es menor en
América Latina (2,16%) que en el resto del mundo
(3,59%). Además, la mayoría de los sectores
productivos tienen brechas importantes frente a
países del norte global. Sin embargo, la presencia
de habilidades en IA ha crecido en los últimos años,
pero más lento que el resto del mundo.

14 15
B.1
Descripción de
la dimensión
La dimensión de Factores Habilitantes mide el de capital humano avanzado. Adicionalmente se El Gráfico B.1 muestra el promedio de los puntajes obtenidos
avance de los elementos necesarios para que se estudian indicadores provenientes de la penetración por cada país en cada una de las subdimensiones. A lo largo de
constituyan y desarrollen sistemas de IA robustos de habilidades tecnológicas y disruptivas en el este capítulo se explora con mayor profundidad cada una de
en cada país. Las 3 subdimensiones que incluye mercado laboral para los distintos países, con el las subdimensiones, y al final del capítulo se incluye un análisis
esta dimensión son (1) Infraestructura, (2) Datos y objetivo de entender qué circunstancias inciden en respecto al fenómeno de migración y fuga de talento académico
(3) Desarrollo de Talento. Cada subdimensión es la sofisticación de la fuerza de trabajo. en IA para toda la región.
descrita en detalle en su sección respectiva (B2, B3
y B4) y se exploran los elementos que favorecen y/o Esta subdimensión excluye la regulación, ya Tanto Brasil como Chile obtienen los mejores puntajes a partir
perjudican la posición relativa de cada país. que se considera un factor relevante, pero no de su desempeño en Infraestructura y Desarrollo de Talento. Sin
necesariamente indispensable para el desarrollo y embargo, los factores que inciden en el puntaje de cada uno son
La subdimensión Infraestructura se aborda adopción de la tecnología. Este elemento se incluye diversos. Observamos también que Argentina, Uruguay, Colombia
desde la conectividad presente en cada país, la en la dimensión de Gobernanza, considerándose y México se ubican marginalmente sobre el promedio regional
demanda y oferta de capacidad de cómputo y como un elemento central en las condiciones en estas mediciones. El resto de los países se ubica debajo del
la implementación de la red de 5G. Existen otros institucionales que envuelven y regulan los promedio para las tres subdimensiones salvo en el caso de
elementos de infraestructura relevantes, como ecosistemas de IA. Infraestructura, que se detalla a continuación
la penetración de fibra óptica o la población
con acceso a electricidad estable, que no
fueron medidos directamente. Sin embargo, se
considera que los indicadores propuestos incluyen
indirectamente y se correlacionan estrechamente
con aquellos factores que no fueron incorporados
en la subdimensión, permitiendo describir la
posición relativa de cada país con suficiente
exactitud.

La subdimensión de Datos se construye

íntegramente a partir del reporte Global Data
Barometer del año 2021. Los datos son la materia
prima de los sistemas de Inteligencia Artificial, por
lo que entender la manera en que los países se
hacen cargo de su disponibilidad, gobernanza e
impacto constituye un elemento fundamental para
evaluar las condiciones actuales y las posibilidades
de madurez del ecosistema de IA.

El Desarrollo de Talento busca entender la manera

en que se promueve la existencia y permanencia
de competencias necesarias para la existencia
de ecosistemas de IA en cada país. Esta medición
considera el desarrollo de competencias desde
la educación básica o primaria hasta la formación

Gráfico B.1: Detalle de subdimensiones de Factores Habilitantes / Fuente ILIA 2023

16 17
B.2
Infraestructura
La Subdimensión de Infraestructura mide
la cobertura de los países en términos de
conectividad, capacidades de procesamiento de
datos y disponibilidad de dispositivos tecnológicos
(computadores y aparatos móviles) en la población.
La relevancia de los indicadores contenidos en
esta subdimensión se basa en el supuesto de
que, al existir una mayor cobertura y oportunidad
de acceso tecnológico en un país, existirá un
ecosistema más desarrollado y favorable para
impulsar el desarrollo y adopción de sistemas de IA.
Específicamente, esta subdimensión se compone de
3 indicadores:
1. Conectividad: Captura las características de
la red que faculta el uso de la tecnología y mide
la calidad y el avance de la red móvil de mayor
capacidad disponible actualmente, 5G. Así, los
subindicadores que la conforman son:
A. El porcentaje de la población que usa internet.
B. La velocidad de descarga promedio, medida en
Mbps.
C. El avance en la implementación de la red 5G.
18
2. Cómputo: Reúne información respecto a la
capacidad de cómputo asociada a cada país. Esta
medición se hace bajo la presunción de que una
mayor capacidad o demanda podría aparejarse
a nuevos desarrollos y a una menor latencia,
requerida para usos avanzados de la tecnología. Así,
los subindicadores que lo conforman son:
A. Nube.
B. Cantidad de supercomputadores.
C. Cantidad de data centers.
Dispositivos: Mide el acceso a dispositivos,
incorporando tanto los fijos como los móviles. Así,
los subindicadores que lo conforman son:
A. Suscripciones de dispositivos móviles por cada
100 habitantes.
B. Porcentaje de hogares que tienen computador.
Resultados: A nivel regional, la subdimensión de
Infraestructura alcanzó un promedio de 51,45.
Observamos que si bien hay países con resultados
divergentes (véase Gráfico B.2), esta subdimensión
muestra una alta homogeneidad. El puntaje es
liderado por el desempeño de Chile, con un
puntaje de 71,32; seguido por Brasil y Argentina, los
cuales registraron 62,32 y 59,29, respectivamente.
La principal ventaja de Chile es la penetración
y avance de la infraestructura digital, con alta
velocidad de descarga promedio y un porcentaje
importante de población con acceso a internet
(véase Gráfico B.3) .
Gráfico B.2: Puntaje para la subdimensión de Infraestructura / Fuente ILIA 2023
19

B.2.1
Conectividad
En el Gráfico B.3, podemos observar que existe
heterogeneidad de los países en los subindicadores
que componen el indicador de conectividad,
especialmente en el subindicador de acceso a
internet y el subindicador de velocidad de descarga.
Para el primero, en el Gráfico B.3 vemos que el
promedio de población con acceso a internet
(columna azul) en la región alcanza un 74,3%.
Además observamos que en todos los países con
acceso a internet el porcentaje de población que
Gráfico B.3: Puntaje para la subindicadores de Conectividad/ Fuente ILIA 2023
20
usa la red supera el 60%. Destacan en esta medición
Argentina, Brasil, Chile, Costa Rica y Uruguay,
países que superan el 80% de acceso. Mientras
que el resto se ubica bajo el promedio regional. No
existe mucha variabilidad en este indicador, siendo
el comportamiento de la región relativamente
homogéneo en torno a la media. Estos resultados
demuestran que, si bien siguen existiendo desafíos
locales, en este indicador en particular la región
muestra un buen grado de desarrollo.
Por otro lado, para el subindicador de velocidad
de descarga, los datos son más disímiles (columna
roja). Destaca el caso chileno, con un puntaje
de 100, producto de un promedio de velocidad
de descarga de 89,18 MBPS. Luego, podemos
identificar a Brasil y Uruguay, con puntajes de
60,43 y 66,48, respectivamente, equivalentes a
una velocidad de descarga en torno a 55 MBPS.
Finalmente el resto de los países tienen en conjunto
un puntaje promedio de 26,96 puntos. Este
fenómeno es consistente con la infraestructura
de fibra óptica disponible en estos países, tanto a
nivel de infraestructura troncal como también de
capilaridad regional y “última milla”.
Finalmente, para el subindicador de 5G (columna
amarilla), observamos tres grupos de países. En
primer lugar están aquellos que cuentan con
una red de 5G con capacidad comercial1. En este
grupo están Argentina, Brasil, Chile, Colombia,
México y Perú. El segundo grupo lo componen
Bolivia y Ecuador, que se encuentran en etapa de
prelanzamiento, es decir, con hardware habilitante
instalado pero sin acceso a consumidores finales. El
resto de los países no cuenta con desarrollo 5G en
ninguna de las etapas.
1. Cabe señalar que en estas
mediciones no se evalúo la
penetración comercial, sólo la
disponibilidad para uso por parte
de consumidores.
21
 Los resultados regionales son desalentadores,
B.2.2 considerando que a nivel global el máximo alcanza
120 puntos. El puntaje de la región en promedio es
Cómputo 34,38, donde Chile y Panamá alcanzan el máximo
regional de 42,5 puntos. Estos puntajes, a pesar
de ser líderes en la región, apenas representan
El segundo indicador de esta subdimensión es un tercio del puntaje máximo considerando la
el que evalúa la infraestructura de cómputo y escala mundial. Por otra parte, ningún país tiene
acceso a servicios de nube. Los resultados de un desempeño mucho más abajo del promedio
este indicador ponen en evidencia una debilidad regional, lo que indica que hay homogeneidad en las
estructural de la región. El subindicador de Nube carencias y brechas que enfrenta la región en este
se basa en el puntaje del habilitador tecnológico campo de análisis.
“Cloud” del Global Connectivity Index 2020. El
puntaje asignado a cada país se obtiene sumando Para el caso de supercomputadores (columna
la puntuación obtenida por los siguientes datos roja), la medición fue hecha a partir de los datos de
reportados: i) inversión en la nube, ii) migración a la TOP500. Utilizando esta caracterización, son 8 los
nube, iii) experiencia en la nube y iv) potencial de la países que tienen al menos un supercomputador
nube. En el Gráfico B.4 la columna azul muestra los funcionando a nivel local. Destaca Brasil,
resultados de este agregado para cada país. posicionado como 8vo país del mundo con 9
dispositivos ubicados en el TOP500, siendo el único
país de América Latina y el Caribe que está dentro
del ranking. El resto de los países que tienen puntaje
son Argentina, Chile, Colombia, México, Costa Rica
y Perú, pero que cuentan con solo un dispositivo
de estas características en cada país. El resto de
los países evaluados no cuenta con infraestructura
equivalente.
Al analizar la cantidad de data centers per cápita
por país (columna amarilla) identificamos tres
grupos de países. El primero, encabezado por
Uruguay que alcanza los 100 puntos, junto con
Panamá y Costa Rica, que alcanzan 78,8 y 66,5
puntos respectivamente. El segundo grupo está
compuesto por Chile, Argentina y Brasil, que
tienen 37,6; 16,7 y 16 puntos respectivamente. De
este grupo, solo Chile se ubica sobre el promedio
regional de 29,3 puntos. El resto de los países no
supera los 10 puntos en el ranking, lo que significa
que la presencia de data centers per cápita es muy
baja en relación a la presencia de data centers a
nivel regional.
Gráfico B.4: Sub indicadores de Computo / Fuente ILIA 2023
22
Sobre cómputo de IA
El Gráfico B.4 muestra que, a nivel académico,
es posible encontrar varias instalaciones de
computación de alto rendimiento (HPC) en
Latinoamérica, donde Brasil destaca a nivel regional
y mundial. Desafortunadamente, la aplicabilidad
de estas instalaciones para apoyar la I+D avanzada
en IA es muy limitada. Específicamente, estas
instalaciones responden a un paradigma HPC
tradicional que se basa en potentes Unidades
Centrales de Procesamiento o CPUs. Estas CPU se
destacan por su capacidad para realizar cálculos
secuenciales altamente intensivos que son
necesarios para resolver problemas complejos en
áreas como la ciencia, la ingeniería y la empresa.
Sin embargo, este paradigma computacional no se
ajusta a las necesidades de las actuales tecnologías
de IA. Los modelos actuales de IA requieren
dos capacidades principales. En primer lugar,
debido a su dependencia de las redes neuronales
artificiales, requieren un cálculo paralelo masivo
de unidades muy simples: las neuronas artificiales.
En segundo lugar, debido a la enorme cantidad de
datos utilizados durante la fase de entrenamiento,
requieren una transferencia de datos muy
rápida entre los recursos de almacenamiento
y computación. Estas dos capacidades críticas
no están presentes en las instalaciones HPC
tradicionales, lo que las hace inadecuadas para
implementar modelos de IA.
En la actualidad, la principal infraestructura de
apoyo a la I+D en IA se basa en las denominadas
unidades de procesamiento gráfico o GPU. Las
GPU, diseñadas originalmente para satisfacer
las limitaciones en tiempo real de las tareas
gráficas, como las animaciones visuales, están
especialmente concebidas para realizar de forma
masiva cálculos sencillos en paralelo. La falta
de instalaciones computacionales basadas en
GPUs o equipos computacionales similares es
actualmente una de las principales debilidades
para fomentar un ecosistema saludable de I+D
en IA en Latinoamérica. Además, el éxito actual
de la IA se basa principalmente en los llamados
Modelos Fundamentales. Estos corresponden
a modelos a gran escala (miles de millones o
billones de parámetros) que pueden adaptarse
a diferentes tareas con un ajuste fino mínimo.
El gran tamaño de estos modelos acentúa la
necesidad de una infraestructura computacional
adecuada. En consecuencia, dotar a la comunidad
latinoamericana de IA de esta infraestructura clave
es una necesidad urgente. De lo contrario, se pone
en peligro cualquier esfuerzo por formar parte
activa de la revolución de la IA.
23
 Resultados: A nivel regional, la subdimensión
B.3 de Datos alcanzó un promedio de 39,8, liderada
por el desempeño de Brasil, con un puntaje de
Datos 53,64; seguido por Colombia y Uruguay, los cuales
registraron 51,74 y 50,77, respectivamente. Para
mayor detalle se presenta el Gráfico B.5.
La Subdimensión de Datos mide la disponibilidad de datos en
cada país junto con su administración y su uso e impacto. Los
datos son uno de los componentes fundamentales de los sistemas
de IA, por lo que la mayor disponibilidad, capacidad de uso y
gobernanza adecuada de estos está estrechamente relacionada
con el potencial del país para generar un ecosistema saludable
de IA. La escasez de datos y/o la debilidad en los procesos de
administración y gobernanza pueden debilitar el florecimiento
de investigación, desarrollo y adopción basada en inteligencia
artificial.

Específicamente esta subdimensión se compone de un indicador:

Barómetro de Datos2. Este instrumento refleja la disponibilidad
de datos públicos, los recursos y oportunidades presentes para
utilizarlos, la gobernanza de tal información, su utilización e
impacto. Para este indicador se recoge el trabajo del Barómetro
de Datos y sus subindicadores que son los siguientes:

1. Disponibilidad: Encuesta la presencia, apertura y

características clave de los conjuntos de datos seleccionados.
Esta pesquisa tiene como objetivo entender hasta qué punto
cada país hace accesibles los conjuntos de datos clave de forma
estructurada, en línea, y apta para su uso para el bien público.

2. Capacidades: Refleja la existencia de recursos (conectividad,

habilidades, instituciones, formación) y las oportunidades para
utilizarlos (libertades políticas, entorno de apoyo), que apoyan
la recolección, la gestión, el intercambio y el uso de datos de
maneras que puedan contribuir al desarrollo sostenible. Este
subindicador captura varias subdimensiones de este índice.

3. Gobernanza: Implica la existencia de procesos que aseguren

que la recolección y el intercambio de datos esté gobernado
por reglas públicas legítimas que respeten los derechos
fundamentales. Esto incluye normas que restringen el acceso
y el uso de ciertos tipos de datos y reglas que promueven la
disponibilidad y la reutilización de otros tipos de datos.

4. Uso e impacto: Busca evidencias de casos particulares de uso

de datos, y explora qué grupos de partes interesadas hacen uso Gráfico B.5: Puntaje para subdimensión de Datos /Fuente ILIA 2023
de los datos en cada país.

Al observar en detalle el comportamiento de

los subindicadores en el Gráfico B.5, podemos
categorizar los países de la región en dos grupos.
El primero está compuesto por Argentina, Brasil,
Colombia, Chile, México y Uruguay, que en
promedio tienen 10 puntos sobre la media. El
segundo grupo está compuesto por el resto de los
países evaluados, los cuales se ubican en promedio
11 puntos por debajo de la media. Destacan los
casos de Uruguay con 50,8 puntos, Brasil con 53,64
2. Global Barometer’s puntos y Colombia con 51,74 puntos; ubicándose
2021. Disponible en https://
globaldatabarometer.org/open-
los tres países al menos 12 puntos por encima de la
data/ media regional.

24 25
 Se aprecia una debilidad transversal para la región en
el subindicador de Uso e Impacto (columna verde). Este
subindicador recoge evidencias de casos particulares de uso de
datos que contribuyan al desarrollo sostenible y el bien común,
además de explorar qué partes interesadas en cada país hacen
uso de los datos disponibles. Observamos en el Gráfico B.7 que
el promedio de puntaje para los primeros tres subindicadores
(columna azul) a nivel regional es de 44,4 puntos, mientras que
para el subindicador de Uso e impacto es de 26,1 (columna roja).
Lo anterior indica que, si bien los países evaluados tienen un nivel
razonable aunque heterogéneo en el ámbito de Disponibilidad,
Capacidades y Gobernanza, esto no logra traducirse en el uso
de los datos para proyectos concretos y con impacto a un nivel
equivalente. Esto último, al ser un desafío transversal, puede ser
analizado a nivel multilateral para identificar estrategias que
permitan a todos los países avanzar en un uso más efectivo de los
datos considerando las idiosincrasias locales.

Gráfico B.6: Indicadores de la subdimensión de Datos /Fuente ILIA 2023

Datos: Global Data Barometer 2021

Viendo el detalle de los componentes del indicador en el

Gráfico B.6, en el caso de Uruguay, observamos que destaca el
subindicador de Capacidades (columna roja), con 66,7 puntos, y el
de Gobernanza (columna amarilla), con 62,83 puntos. Para el caso
brasileño, vemos que el subindicador de disponibilidad (columna
azul) tiene 61,2 puntos, siendo el único país de la región que
supera los 60 puntos en este subindicador. Su otra fortaleza está
también en gobernanza, donde alcanza 61,6 puntos. Finalmente,
Colombia tiene un desempeño sobresaliente en el subindicador
de capacidades con 66,3 puntos, y en el subindicador de
gobernanza con 57,9 puntos. En cualquier caso, los tres países
tienen fortalezas relativas a la región en todos los subindicadores. Gráfico B.7 : Comparación de puntajes para subindicadores de Datos/Fuente ILIA 2023
Datos: Global Data Barometer 2021

26 27
B.4
Desarrollo de talento
La Subdimensión de Desarrollo de Talento
mide la presencia y el desarrollo de habilidades
necesarias para generar y adoptar sistemas de IA.
Esta subdimensión abarca la educación desde el
nivel escolar hasta el capital humano avanzado,
incluyendo la formación continua de técnicos y
profesionales para el mundo del trabajo.
Específicamente esta subdimensión se compone de
4 indicadores:
A. Cantidad de programas de MCs en computación
en universidades del top 500 QS per cápita.
B. Cantidad de programas de PhD en computación o
IA en universidades del top 500 QS per cápita.
C. Cantidad de graduados de MCs en Tecnologías
de la Información y/o Computación.
D. Cantidad de graduados de Doctorado en
Tecnologías de la Información y/o Computación.
E. Cantidad de programas de MCs enfocados única
y específicamente en IA.
Resultados: A nivel regional, la subdimensión de
Desarrollo de Talento alcanzó un promedio de 36,97
en la versión 2023, liderado por el desempeño de
Chile, con un puntaje de 71,49; seguido por Brasil
y Uruguay, los cuales registraron 64,99 y 52,1,
respectivamente. Para mayor detalle se presenta el
Gráfico B.8.

1. Alfabetización en IA: Examina la presencia 4. Fuga de talento: Refleja el movimiento de talento

de contenidos relacionados a ciencias de la
computación e IA en el currículum escolar, la
cantidad de cursos abiertos de IA disponibles para
la población y las iniciativas públicas de educación
en IA. Iniciativas donde, a diferencia de los
contenidos a impartir en los colegios, se destacan
los programas que pudiesen implementar los
gobiernos para fomentar la adopción de habilidades
digitales y/o en IA. Así, los subindicadores que lo
componen son:
de IA entre países. Está compuesto por sólo un
subindicador denominado de la misma forma
(Movimiento de talento en IA). Si bien este indicador
fue diseñado y utilizado en este estudio, no se le
asigna puntaje en el Índice. De todas maneras los
resultados se exhiben en un apartado adicional.

A. Educación temprana en IA.

B. Existencia de cursos abiertos en IA.

2. Formación profesional en IA: Mide las habilidades

en torno a IA en la etapa profesional. Para ello
considera la disponibilidad de programas de
computación, sus licenciados y las habilidades
presentes en la fuerza de trabajo (adquiridas
por vías tradicionales y no tradicionales). Así, los
subindicadores que lo componen son:

A. Licenciados en Tecnologías de la Información y

Comunicación per cápita.
B. Cantidad de programas de pregrado en
computación en universidades pertenecientes al
top 500 QS per cápita.
C. Habilidades tecnológicas en la fuerza de trabajo:
Indicador provisto por Linkedin. Estas habilidades
se aglutinan en 21 grupos, los cuales incluyen un
total 2335 habilidades reportadas en la plataforma.
Para cada país, se muestra el promedio de las 4 Gráfico B.8 : Puntaje para subdimensión de Desarrollo de Talento/Fuente ILIA 2023
industrias con mayor participación del PIB.
D. Habilidades tecnológicas disruptivas en la fuerza
de trabajo. Equivalente al subindicador anterior
pero referente a aquellas competencias asociadas
con el desarrollo de nuevas tecnologías que vayan
a tener un impacto relevante en el mercado laboral
en los próximos años.

3. Capital humano avanzado: Captura la capacidad

que tiene el país para formar profesionales en
programas de posgrado en computación e IA. Así,
los subindicadores que lo componen son:

28 29
B.4.1
Alfabetización en IA
El indicador de Alfabetización en IA está compuesto
por dos subindicadores que se muestran en el
Gráfico B.9. El primero, evalúa la presencia de
iniciativas de educación temprana en habilidades
digitales e IA. El segundo, explora la existencia de
iniciativas públicas de formación en IA de acceso
abierto, no pagado.

Para la construcción de ambos subindicadores

se acudió a fuentes primarias de información.
Con ese objetivo, para la construcción del primer
subindicador se revisaron las bases curriculares
nacionales de educación primaria y secundaria
en cada país evaluado; mientras que para la
construcción del segundo se recogieron los
programas públicos gratuitos disponibles para
formación técnica y profesional a nivel de agencias
nacionales de capacitación y desarrollo de
competencias.

Todos los países evaluados, salvo Bolivia,

incorporan al menos el desarrollo de habilidades
de tecnologías de información en el currículum
nacional. Sólo Brasil cuenta con elementos
asociados a IA en la formación primaria y
secundaria a nivel nacional. Cabe señalar que en
la mayoría de los países se identificaron iniciativas
particulares de la sociedad civil que integran
contenidos de IA en los procesos de aprendizaje, sin
embargo, la diversidad de programas y la escala de
estos no permiten comparabilidad entre ellos.
Gráfico B.9 : Alfabetización en IA / Fuente ILIA 2023

Para el segundo subindicador, podemos observar

tres grupos de países. El primero, compuesto
por Brasil, Colombia y México, que cuentan con
programas de formación no profesional asociados
a Inteligencia Artificial. Si bien no es posible
establecer una correlación directa, es posible
que la mayor industrialización de estos países
y la presencia de programas asociados con la
industria petrolera tengan un impacto relevante
en la presencia de estos programas. El segundo
grupo lo componen Chile, Perú y Uruguay, que
si bien no cuentan con programas asociados a
IA, sí tienen cursos abiertos de programación y
habilidades digitales conducentes al desarrollo
de competencias necesarias para el uso y
aprovechamiento de la IA. Aunque en la región
todos los países cuentan con iniciativas públicas
o privadas de alguna escala, el tercer grupo de
países no cuenta con cursos que cumplan con
las condiciones de ser de acceso libre para la
población y de alcance nacional.

30 31
 Para los subindicadores de habilidades tecnológicas
B.4.2 y habilidades disruptivas en la fuerza de trabajo,
construidos a partir de los datos proporcionados
Formación Profesional por Linkedin, se incluye un apartado adicional al
final de este capítulo. En general, se observa que
en IA hay una brecha relevante en la penetración tanto
de habilidades tecnológicas como disruptivas en
la región. Esta brecha refleja un rezago en relación
El indicador de Formación Profesional en IA está al resto del mundo en materia de competencias
compuesto por 4 subindicadores, tres de los en el mercado laboral. Llama la atención que las
cuales se analizan en el Gráfico B.10. El primer habilidades disruptivas tengan una penetración
subindicador muestra los programas de ciencias de relativa mayor en puntaje promedio que las
la computación para pregrado que se imparten en habilidades tecnológicas, que son de menor
universidades consideradas en el ranking LAC QS. Al complejidad. Ese fenómeno se explora en
normalizar los datos por población en ese indicador, profundidad en el apartado adicional.
Chile obtiene 100 puntos, con tres programas
incluidos en el ranking. Luego, con un promedio de Observamos que Brasil sobresale con 100 puntos
20 puntos, se agrupan Argentina, Brasil, Colombia y para ambos subindicadores, lo que refleja una
México. El resto de los países evaluados no cuenta penetración de habilidades tecnológicas y
con programas que cumplan con los requisitos disruptivas muy por sobre la media de la región,
para ser contabilizados, aunque en todos los países asociado probablemente a una economía más
existen programas de pregrado en al menos una diversa y sofisticada. Para las habilidades
universidad. tecnológicas, destaca también Argentina con 56,8
puntos, y Panamá con 35,7 puntos. Chile, Colombia,
Costa Rica, Perú y Uruguay tienen un puntaje bajo la
media, y el resto de los países no cuenta con datos
para esta serie.

Por otro lado, para las habilidades disruptivas,

vemos que Argentina mantiene un buen resultado
y los puntajes para Chile, Colombia, Costa Rica,
Uruguay y México son significativamente mejores
que para habilidades tecnológicas. Al contrario,
Perú y Panamá exhiben un desempeño más débil en
este subindicador.

Gráfico B.10 : Formación Profesional en IA / Fuente ILIA 2023. Datos: Ranking QS 2022; Linkedin

32 33

B.4.3
Capital Humano
Avanzado
El indicador de desarrollo de Capital Humano Avanzado es uno
de los que más adolece la falta de datos comparables para su
medición. En el Gráfico B.11 revisamos los subindicadores que
sí cuentan con información para toda la región. Los primeros
subindicadores muestran la cantidad per cápita de programas de
Magíster y Doctorado en Ciencias de Computación o IA (barras
azul y roja), que se imparten en universidades del Top 500 del
ranking QS. El primer hallazgo es que hay sólo 5 países en los
que encontramos universidades que forman parte del ranking.
En números absolutos, Brasil cuenta con 8 programas en esta
categoría para MCS y para PhD, seguido por Colombia y Chile,
con 3 para Magíster y Doctorado. Al calcular el puntaje, tras
normalizar por número de habitantes, vemos que Chile destaca
por ser de menor tamaño.
Gráfico B.11 : Presencia y Calidad de programas de postgrado / Fuente ILIA 2023.
Datos: Ranking QS 2022; OCDE Stats 2020
34
En línea con la situación general de capital humano en la región,
el subidnicador de Magíster en IA (barra amarilla en el Gráfico
B.11) muestra la existencia de programas de MCs específicos en
IA que se imparten en las 5 principales universidades de cada
país. En números absolutos, México cuenta con 4 programas,
y destacan Ecuador junto con Chile y Colombia que cuentan
con 2 programas. En este caso, el cálculo de puntaje tras la
normalización permite que Uruguay obtenga el mejor puntaje
de la región. Destaca que Costa Rica y Ecuador tienen un buen
desempeño en relación a su posición relativa en el ILIA.
Por último, en el Gráfico B.12 se presenta el puntaje asociado al
número de licenciados y egresados de programas de Magíster
y Doctorados en TIC o equivalentes. Para este análisis se utilizó
como fuente los datos publicados en la OECD y por consiguiente
la taxonomía de ese organismo. No fue posible obtener los datos
para aquellos países que no reportan directamente, por lo que
solo hay información para Chile, México, Brasil y Colombia.
Gráfico B.12 : Formación Universitaria en Ciencias de Computación y TIC / Fuente ILIA 2023.
Datos: OCDE Stats 2020
35
Al analizar el número de licenciados, destaca
la fortaleza del sistema de pregrado mexicano
y brasileño, que muestran 100 y 97 puntos
respectivamente. A nivel de graduados de Magíster
en Ciencias de Computación o equivalente,
México es el más importante con 2670 egresados
para el año 2020, seguido de Colombia con
2345. Al normalizar por población, Chile obtiene
100 puntos con 964 egresados y Colombia 92,1
puntos. Al observar los egresados de programas de
Doctorado, Brasil encabeza en números absolutos
con 358 egresados, seguido por Chile con 300. Al
estandarizar, Chile obtiene el mejor puntaje de la
región. El volumen de egresados, principalmente
de programas de PhD, además de la calidad de los
programas que imparten según ranking QS, son los
principales motivos para el buen desempeño de
Chile en este indicador.
B.5
Fuga de talento
Uno de los fenómenos más discutidos en los
debates en economía y ciencias sociales en la
región se refiere a la potencial fuga de talento
hacia el norte global desde países del sur. Esta
fuga es vista como un proceso que perjudica
las posibilidades de desarrollo de los estados y
sus ecosistemas al privar al ecosistema local de
personas con alto capital humano en diversas
disciplinas.
Al no existir datos públicos comparables para el
cálculo de este indicador, se optó por construirlo
a partir de la identificación de publicaciones que
estuvieran etiquetadas con conceptos asociados
a la IA por encima de un umbral. Luego se
contaron los autores únicos por año y por país, y
posteriormente se calculó el número de citas por
país. A continuación se muestran los resultados
para la región, y se incluyen los mismos gráficos
en cada una de las fichas país para una revisión
exhaustiva del fenómeno a nivel local.

Existen otros elementos del sistema de promoción

de capital humano avanzado que podrían
ser revisados de forma más exhaustiva. Esta
labor podría ayudar a identificar aprendizajes
homologables que puedan aplicarse en países
con puntajes menos favorables considerando el
contexto local.

Gráfico B.13 : Número de autores y autoras según región donde están publicando por año.
Fuente ILIA 2023

36 37
El Gráfico B.13 muestra los siguientes datos:
La línea de Out (active) muestra la fuga de talento
real, es decir, aquellos autores que habiendo
publicado en Latinoamérica y el Caribe (LAC),
siguen publicando pero con una afiliación a una
institución fuera de la región. Se puede apreciar
un aumento marginal aunque constante en esta
medición, pero se trata de un aumento menor al
del resto de los elementos de análisis. No se puede
concluir que exista una fuga de talento significativa
en el campo de la inteligencia artificial a nivel
académico.
La línea de Out refleja un fenómeno interesante.
Muestra que la mayoría de las y los autores que
incluyen conceptos asociados con inteligencia
artificial en sus publicaciones, lo hacen una sola vez;
que ese número es creciente a lo largo del tiempo
y que es la fracción más importante de autores y
autoras. Para el año 2022, vemos que más de 25
mil autores y autoras con una publicación asociada
a IA en 2020 o 2021 no han vuelto a publicar en el
área. Lo anterior se podría explicar por la existencia
de colaboraciones transdisciplinarias ocasionales,
donde autores de áreas distintas a IA participaron
de una publicación o iniciativa que utilizó IA y que
tuvo como resultado una publicación académica.
Este tipo de colaboración aparece como relevante
y no necesariamente se traduce en publicaciones
sistemáticas de esos autores y autoras en el campo
de la IA.
La línea de Total refleja la cantidad total de autores
y autoras que publican en el año de análisis en la
región. Vemos un crecimiento consistente hasta el
año 2022, lo que podría ser producto del rezago
entre el envío de publicaciones en journals y
conferencias; y porque para el momento en que
se capturaron los datos aún existían publicaciones
38
enviadas sin ser registradas. Otra explicación es
el impacto de la pandemia en la productividad
científica: en general, una publicación académica
tiene un ciclo de entre 14 a 20 meses desde que se
identifica una pregunta de investigación hasta que
se publica en alguna revista o conferencia. En ese
sentido, podría ser plausible que durante el 2022
se materializa el impacto de las cuarentenas y las
restricciones asociadas a la pandemia.
Al analizar la composición de quienes publicaron
en el año de análisis, vemos primero la línea in. Esta
línea muestra a todos aquellos autores que publican
por primera vez. Este grupo está compuesto
tanto por nuevos investigadores e investigadoras
(tesistas, doctorandos), como también por autores y
autoras con trayectoria que han publicado en otras
disciplinas pero que lo hacen por primera vez en
IA. Por otro lado, la línea de N refleja el número de
autores “consistentes”, es decir, que publicaron en el
año de análisis como también en T-1 y/o T-2. Ambos
grupos muestran la misma caída Total para el año
2022, aunque es más pronunciada para IN.
Por último, la línea de In (aff) muestra la evolución
de la cantidad de autores que entran a publicar a
LAC. Estos son las y los autores que en los últimos
dos años publicaron fuera de la región, y que para el
año de análisis lo hacen en la región.
Gráfico B.14 : Proporción de autores y autoras que ingresan y migran de la región para publicar.
El Gráfico B.14 muestra la proporción de autores y
autoras sobre el número total para cada una de las
categorías. Observamos que la proporción que no
había publicado en la región y que lo hace en el año
de análisis, in (aff), cae de manera permanente a lo
largo del tiempo, desde más de un 90% de autores a
cerca de un 60%. Al mismo tiempo, se aprecia que la
pendiente de la curva se suaviza a partir del año 2010.
De lo anterior podemos deducir que el desarrollo de
la disciplina estuvo fuertemente influenciado en un
principio por autores y autoras que construyen su
carrera y/o se forman fuera de la región y vuelven.
Sin embargo,esta influencia va perdiendo relevancia
a partir del 2010, lo que se puede traducir como
una maduración del ecosistema local. Por otra
parte, vemos que la proporción de autores y autoras
que efectivamente se van de la región para seguir
publicando se mantiene relativamente estable en
torno al 5%. De este modo, podemos afirmar que no
hay evidencia suficiente para indicar un fenómeno
relevante de fuga de talento académico en el campo
de la IA a nivel de LAC. Es importante considerar
Fuente ILIA 2023
que esta metodología no cuantifica a egresados y
egresadas que parten inmediatamente a realizar
posgrados fuera de LAC sin haber publicado antes de
salir; ni tampoco a quienes egresan para trabajar en el
sector privado fuera de la región. La incorporación de
estos grupos es relevante para ofrecer una conclusión
más categórica respecto al fenómeno de migración de
talento.
Habiendo evidenciado la importancia del número de
autores que migran y vuelven, o ingresan a la región, se
exploró la procedencia de estos autores. El Gráfico B.15
muestra en qué países están las instituciones a las que
están afiliados los autores que no habían publicado
en IA en la región y que lo hacen en el año de análisis
(in-aff del gráfico anterior), es decir las y los autores que
ingresan al sistema local. El largo de la barra muestra
la importancia relativa y el color representa el país. Se
muestran los 10 países con más importancia relativa a
lo largo de la serie de 32 años. La barra gris en la base
de cada año representa la sumatoria de todos los
países que no aparecen nominados.
39
 Gráfico B.16 : ¿Para donde se van los autores que publican en LATAM? / Fuente ILIA 2023
Gráfico B.15 : ¿De donde llegan los autores que publican en LATAM? / Fuente ILIA 2023

En el Gráfico B.16, se observa que los patrones de

Estados Unidos (barra azul) es el país con la proporción más alta, migración descritos para la llegada de los autores
con un 20% aproximadamente para el 2022 y un 32% promedio. son equivalentes a los patrones que se ven en la
España (barra naranja) y Portugal (barra púrpura) son relevantes, salida. Observamos que la importancia relativa de
probablemente debido a las afinidades de lenguaje con Brasil los países es consistente con la hipótesis sugerida,
y el resto de la región. Al observar el gráfico, llama la atención es decir, que la mayoría de los autores que ingresan
la creciente importancia de China (barra roja) como un país provienen de países a los que las y los autores se
desde el que llegan autores. Al mismo tiempo, se puede observar habían ido con anterioridad. De lo anterior podemos
una pérdida relativa de importancia de Europa, compuesta concluir que ha habido un aumento significativo
por Gran Bretaña (verde), Francia (café), Alemania (gris piedra) durante la última década en la colaboración entre
e Italia (verde claro), además de Estados Unidos. Todos estos China y países de la región, mientras que Estados
países siguen siendo relevantes pero relativamente menos que Unidos y países europeos (excluyendo Portugal
a comienzos de la década. Adicionalmente, el crecimiento de y España) han perdido relevancia relativa como
la barra de otros (gris claro) desde 2010 en adelante refleja destino de formación de capital humano avanzado.
una creciente internacionalización en la procedencia de los
investigadores. Junto con esto se aprecia el fenómeno de la
diversificación de destinos, lo que indica un
Es altamente probable que la mayoría de los sujetos que aumento en la colaboración internacional a nivel
componen el grupo de análisis sean “repatriados”, es decir, académico.
investigadores que salieron de la región para estudiar, realizar
pasantías o equivalentes, con perspectivas de regresar. Para
confirmar esta hipótesis, se analizó el conjunto de autores que
componen el grupo Out (active).

40 41
 pueden ser abordados a partir del aprendizaje de la
B.6 experiencia de otros países de América Latina.
En ese contexto, las principales fortalezas fueron
Resultados principales y identificadas en la subdimensión de Infraestructura,
con un puntaje promedio de 51,21 a nivel regional.
desafíos de la región Por otro lado, las principales brechas fueron
evidenciadas en Desarrollo de talento con un
puntaje promedio de 36,31. Para la subdimensión
A nivel regional, la dimensión de Factores Habilitantes alcanzó de Desarrollo de talento también evidenciamos
un promedio de 42,66 en la versión 2023 del ILIA, liderada por el una importante heterogeneidad que se manifiesta
desempeño de Chile, con un puntaje de 63,71; seguido por Brasil además dentro de cada país, es decir, que los
con 60,32 y Uruguay con 53,82 (Véase Gráfico B.17). indicadores que la componen varían de manera
relevante en distintos contextos.

Brechas detectadas: con un promedio de 32,84 en

la región, la capacidad de cómputo de ningún país,
salvo Brasil (50,56), alcanza un puntaje mayor a 50.
Esto pone en evidencia una debilidad significativa
en este ámbito tal como observamos anteriormente.
En el área de conectividad, si bien el promedio
regional es de 56,32, existen brechas importantes en
la región. Existen países como Chile con un puntaje
de 96,1 mientras que otros países apenas superan
los 30 puntos ubicándose en una dimensión que, en
muchos casos, se considera como una condición
inicial. En específico, si bien la cobertura es un
desafío importante para varios países, lo principal
es mejorar la velocidad de descarga y avanzar en
la implementación de la red 5G. En ese sentido,
hay oportunidades relevantes de cooperación
multilateral para avanzar en esta dirección.

Las principales brechas en Desarrollo de talento

se encuentran en el capital humano avanzado.
La media de este indicador es apenas 36,31 y la
mediana es todavía menor, alcanzando solo 11,69
puntos. Además, se debe atender el hecho que en
ciertos subindicadores el desempeño de algunos
países es muy bajo, por ejemplo existen algunos
con 0 puntos en alfabetización en IA y el mínimo en
formación profesional es de 4,25.

Gráfico B.17 : Factores Habilitantes / Fuente ILIA 2023

En esta dimensión se miden las condiciones de posibilidad

para el desarrollo del ecosistema de IA. La ausencia de los
elementos descritos en este capítulo dificulta el despliegue de
oportunidades y posibilidades en materia de IA en un país. No
es casual que la tendencia y posición en esta dimensión tenga
una estrecha correlación con los resultados generales del Índice.
Considerando lo anterior, observamos que la región se encuentra
en una situación que presenta muchos desafíos, pero que estos

42 43
B.7
Aproximación a la
presencia de habilidades
de IA en el mercado
laboral de América Latina
Este capítulo provee una mirada detallada a la
manera en la que la fuerza de trabajo incorpora
habilidades tecnológicas vinculadas a IA en América
Latina, y cómo estas penetran en diferentes sectores
productivos y países. Para ello, se sirve de datos
proporcionados por la red social LinkedIn.

La adopción de habilidades tecnológicas en IA

por parte de la fuerza de trabajo se enmarca
en los procesos de difusión de las innovaciones
tecnológicas, los cuales refieren a la propagación
y adopción de nuevas tecnologías en los sectores
productivos, impactando el crecimiento y el
desarrollo económico. Los procesos de difusión de
las innovaciones tecnológicas dependen de diversos
determinantes, tales como la demanda por la nueva
tecnología dados sus beneficios, el costo asociado
a adquirirla, el nivel de incertidumbre sobre sus
características y la disponibilidad de información
que se tiene al respecto, además del entorno del
mercado y del marco regulatorio.

La manera en que las habilidades vinculadas a la IA

penetran en la fuerza de trabajo y son adoptadas
por los diferentes sectores productivos de los países
también forma parte de los procesos de difusión de
las innovaciones tecnológicas, siendo por ende un
elemento relevante para el desarrollo de la IA en la
región.
Este capítulo pretende mostrar el proceso a través
del cual, con diversos niveles de intensidad y
penetración, habilidades de la fuerza de trabajo
vinculadas a la IA son incorporadas en diversos
sectores productivos y países.
De acuerdo a la taxonomía de los datos
proporcionados, se analizan dos grupos de
habilidades. Las habilidades tecnológicas se definen
como aquellas relacionadas con el uso de aparatos
digitales, aplicaciones comunicacionales y redes
de acceso y administración de información. Por
su parte, las habilidades disruptivas se refieren
a tecnologías emergentes de las que se esperan
impactos relevantes en el mundo del trabajo futuro,
tales como la ingeniería genética, la robótica y
la IA. En ese sentido, la penetración relativa de
habilidades disruptivas es un buen indicador de
la penetración específica de la IA en la fuerza de
trabajo.
Fuente: Elaboración propia en base a datos de LinkedIn.
Al observar el fenómeno a nivel global, el
aprendizaje de máquinas ocupa el primer lugar en
frecuencia, desde 2015. En todos los años, excepto
entre 2018 y 2020, la IA ocupa el segundo lugar
como la habilidad tecnológica más frecuente. Por
su parte, existen habilidades como el Open CV
que dejaron de ser parte de la lista desde 2018, y
habilidades emergentes tales como el software
Pandas, que ha subido desde el octavo lugar en
2018 hasta el cuarto lugar en 2022 (Ver Grafico B.18).
Las habilidades en IA se presentan como un
subgrupo de más de 80 habilidades disruptivas
específicas. A continuación se presentan las 20
habilidades vinculadas a IA que son añadidas con
mayor frecuencia por la fuerza laboral en el mundo
desde 2015 al 2022 (Ver tabla B.7.1) según los datos
de LinkedIn.

44 45
 habilidades más características de la entidad que
se ha fijado como objetivo. Una entidad específica
por ende no es caracterizada por habilidades que
ocupan posiciones bajas en el ranking, tales como
Microsoft Word, sino que por aquellas habilidades
que la caracterizan.
LinkedIn genera los genomas de habilidades
características del tipo de entidad que se
determine (industria, país, ocupación, etc). Esta
metodología le permite generar una métrica de
penetración de habilidades (skill penetration).
Esta calcula la proporción de las 50 habilidades
tecnológicas disruptivas/digitales de una entidad
que proceden de un grupo concreto de habilidades.
Las 50 competencias principales de la entidad se
calculan utilizando la metodología del genoma de
habilidades descrita anteriormente. Los grupos
de competencias agrupan las más de 39.000
competencias de LinkedIn en 249 categorías.
Por ejemplo, si 5 de las 50 competencias de los
científicos de datos del sector de servicios de
información pertenecen al grupo de habilidades
de IA, entonces la penetración de la IA en los
científicos de datos del sector de servicios de
información es del 10%.
Los datos proporcionados por LinkedIn también
permiten observar la ocupación del número de
miembros de la red con habilidades en IA. Al
mismo tiempo, permiten identificar a quienes
se encuentren trabajando en una ocupación
relacionada con IA con respecto al total de
miembros de LinkedIn, y la manera en la que esta
situación se ha desarrollado desde 2016 en cuatro
países con datos disponibles en la región (ver
Gráfico B.19).

Gráfico B.18 : Habilidades más frecuentes según año (2015-2022) / Fuente:

Elaboración propia en base a datos de LinkedIn.

A continuación, se detalla la manera en la que LinkedIn produce

su metodología y las métricas respecto a las más de 39 mil
habilidades que están listadas por parte de los usuarios de
esta red. Linkedin divide estas habilidades en 249 categorías.
A través de esta metodología se puede establecer y comparar
la intensidad y profundidad en la que estas competencias en
tecnologías disruptivas/digitales penetran en una industria y/o
un país. Para ello, existen dos conceptos centrales a considerar:
la metodología del genoma de habilidades y la métrica de
penetración de habilidades1.

El genoma de habilidades (skills genome) es una lista ordenada

5. LinkedIn (2022), LinkedIn Data
o vector de las habilidades más características de una entidad
Available through the Development determinada. La entidad es en este caso un elemento que ha
Data Partnership, Disponible en
<URL>https://economicgraph.
sido determinado; por ejemplo, la ocupación, el trabajo, el país
linkedin.com/content/dam/me/ o el sector productivo. Los algoritmos empleados por LinkedIn
economicgraph/en-us/PDF/
linkedin-ddp-data-explainer-
en el genoma de habilidades identifican las competencias Gráfico B.19: Concentración de trabajadores con habilidades en IA para países en América Latina /
June2022.pdf más fundamentales que a su vez servirán para identificar las Fuente: Elaboración propia en base a datos de LinkedIn.

46 47
El gráfico muestra un incremento acelerado en la
presencia de talentos en IA en Brasil, Chile, Costa Rica
y Uruguay, dentro de los cuales se destaca Costa Rica,
habiendo pasado de 0,09% en 2016 hasta 0,68% de
talentos en IA en el año 2022. El resto de los países
experimentó un aumento menos pronunciado, con un
Gráfico B.20: Concentración de contratación de talento en IA según género / Fuente: Elaboración propia
6. Sólo se incluyen los países con más
de 100.000 miembros y >=67% de
cobertura de género según las nuevas
directrices de I+D sobre género
48
0,71% para Chile, 0,68% para Brasil y 0,67% en Uruguay.
Al comparar la contratación de talentos en IA según sexo
en los cuatro países disponibles en la región, se constata
una brecha de género en favor de los hombres en esta
área (ver Gráfico B.20).
en base a datos de LinkedIn 6
Los datos dan cuenta de la brecha de género
importante y persistente en la región. No obstante
esta situación estructural, en todos los países se
observa un aumento sostenido de la concentración
de talento en IA, tanto en hombres como en
mujeres, pero esta ha crecido más aceleradamente
para los hombres.
La manera en la que las habilidades disruptivas
en IA penetran en la fuerza de trabajo de un
país pueden desagregarse a nivel de sectores
productivos. En total, los datos proporcionados
por LinkedIn permiten establecer la penetración
relativa de habilidades disruptivas para 10 países
de la región al 2021. Con los datos disponibles
para América Latina, se establece que en general
la región cuenta con una penetración relativa de
estas habilidades que se encuentra por debajo
de la media mundial. Es decir, la fuerza de trabajo
latinoamericana cuenta con una dotación de
habilidades tecnológicas en IA por debajo de
aquellas que están siendo empleadas a nivel global
en promedio.
El Gráfico B.21 muestra la penetración relativa en
industrias de habilidades tecnológicas (línea azul)
y habilidades disruptivas (línea roja). Estas últimas
incluyen el genoma de IA. No se incluyen columnas
para aquellos países en los que los datos eran
poco representativos El Gráfico B.21 muestra la
penetración relativa en industrias de habilidades
tecnológicas (línea azul) y habilidades disruptivas
(línea roja). Estas últimas incluyen el genoma de IA.
No se incluyen columnas para aquellos países en los
que los datos eran poco representativos
49
 Gráfico B.21: Penetración relativa de habilidades disruptivas y tecnológicas por país (2021). /Fuente: Gráfico B.21: Penetración relativa de habilidades disruptivas y tecnológicas por país (2021). /Fuente:
Fuente: Elaboración propia en base a datos proporcionados por LinkedIn. Fuente: Elaboración propia en base a datos proporcionados por LinkedIn.

50 51
 Gráfico B.21: Penetración relativa de habilidades disruptivas y tecnológicas por país (2021). /Fuente: Gráfico B.21: Penetración relativa de habilidades disruptivas y tecnológicas por país (2021). /Fuente:
Fuente: Elaboración propia en base a datos proporcionados por LinkedIn. Fuente: Elaboración propia en base a datos proporcionados por LinkedIn.

52 53
 A nivel regional, se aprecia que los sectores
productivos en general se encuentran bajo el
promedio global, señalado por una línea punteada
que indica el valor 1 en los gráficos. Se aprecia que
la penetración relativa de habilidades tecnológicas
y disruptivas varía considerablemente entre los
países, pero también entre los sectores productivos.

En México, existen 4 sectores en los que la adopción

de tecnologías disruptivas superan el promedio
global en penetración relativa, mientras que en
el resto de los sectores productivos el nivel de
penetración relativa se encuentra por debajo del
promedio global. Tal es el caso de Panamá, que
destaca con un nivel similar al promedio mundial en
tecnologías disruptivas en el sector manufactura,
ubicándose por debajo del promedio en todos sus
sectores restantes.

Para Perú, Uruguay y Ecuador, ninguno de

los sectores productivos alcanza un nivel de
penetración relativo superior al promedio global.
Uruguay cuenta con el nivel de penetración relativa
en tecnologías disruptivas más bajo de la región en
el área de educación (0,07), mientras que Ecuador
cuenta con el nivel más bajo de los países de la
región con disponibilidad de datos en la penetración
de habilidades tecnológicas disruptivas en el sector
financiero.

Gráfico B.21: Penetración relativa de habilidades disruptivas y tecnológicas por país (2021). /Fuente:
Fuente: Elaboración propia en base a datos proporcionados por LinkedIn.

54 55
En esta medición destaca la penetración relativa en Brasil, en
la que seis sectores productivos marcan por sobre el promedio
global a nivel de habilidades tecnológicas y cuatro sectores
con habilidades disruptivas. Con un valor de 1,51 en habilidades
tecnológicas y de 1,37 en tecnologías disruptivas, el sector de
servicios profesionales es la industria con mayor penetración
relativa en la economía de Brasil. Esta industria abarca entidades
que brindan servicios profesionales, científicos y técnicos a otros.
No obstante, el país registra la penetración relativa más baja
en habilidades tecnológicas y de salud (0,72), y aún más bajo el
promedio mundial en servicios al consumidor (0,26).
Otra aproximación puede hacerse analizando los sectores
por país en los que se observa el mayor nivel de penetración
considerando los datos disponibles para 2021 (véase gráfico
B.22). Cabe señalar que si el indicador es menor a 1, significa que
la penetración relativa de las habilidades es menor al promedio
global.
Gráfico B.22: Sectores productivos con el mayor nivel de penetración relativa en habilidades disruptivas y
tecnológicas (2021) / Fuente: Elaboración propia en base a datos proporcionados por LinkedIn.
56
El panorama regional de las industrias con la mayor penetración
en habilidades disruptivas revela la medida en la que los sectores
productivos más dinámicos y competitivos globalmente en los
países observados tienen mayor presencia de estas habilidades.
A su vez, da cuenta de cómo este proceso alcanza una
profundidad mayor en las economías más robustas de la región
(como Brasil, México y Argentina).
Estos países representan las economías más importantes de
la región y registran los sectores productivos en los que la
penetración relativa de habilidades disruptivas, incluida IA, está
más desarrollada (Véase tabla B2).
Fuente: EFuente: Elaboración propia en base a datos proporcionados por LinkedIn
Mientras que el sector de los servicios de utilidad pública en
México ocupa el primer lugar, siendo trece veces mayor al
promedio global, el sector de construcción cuenta con un nivel de
penetración dos veces mayor que el promedio global. En quinto
lugar se encuentran los servicios administrativos y de apoyo, el
cual incluye entidades que realizan actividades rutinarias de
apoyo a las operaciones cotidianas de otras organizaciones y
empresas.
Argentina destaca en segundo lugar en el sector
silvoagropecuario y con el sector de transportes, logística, cadena
de suministro y bodegaje en cuarto lugar. Se trata de uno de los
pilares fundamentales para la economía argentina, tanto en su
contribución al PIB, impulso a las exportaciones como en términos
de generación de empleo y de abastecimiento interno.
Por otra parte, existen países que todavía se encuentra con
espacio para desarrollar su potencial, como lo muestran Ecuador,
Perú y Uruguay. En el caso de Uruguay, el país destacado en
materia de gobernanza en IA en términos de administración
pública alcanza justamente su mayor nivel de penetración en
habilidades tecnológicas en dicho sector productivo.
57
Al igual que a nivel mundial, entre los países La baja penetración de las habilidades tecnológicas
de la región la industria manufacturera y disruptivas en algunos sectores de la región
aparece como la más frecuente en términos de constituye un tema importante a explorar, dado
penetración, fenómeno asociado con procesos que afecta en última instancia el potencial del
de automatización y robotización. En el caso de desarrollo sostenible y la competitividad de los
Costa Rica, la manufactura lidera la penetración países en una economía global.
en habilidades disruptivas y en habilidades
tecnológicas en general. Mientras que Uruguay es uno de los países de
la región en que la administración pública se
Mientras que algunos sectores productivos dan caracteriza por niveles de penetración relativa
cuenta de su dinamismo a través de sus niveles más importantes, se encuentra notablemente por
altos de penetración en habilidades disruptivas, debajo del promedio mundial. Por su parte, la
para muchos países en la región la penetración varía región muestra cifras menos favorables, lo que
considerablemente según el sector productivo, arroja luces sobre las oportunidades de potenciar la
observándose niveles muy bajos de penetración penetración de habilidades tecnológicas a nivel de
relativa en algunos de ellos(Véase Gráfico B23). la administración pública. Perú, Chile y Costa Rica
figuran con el menor nivel de penetración en este
sector.

Al analizar los sectores en los que menos penetran

las habilidades tecnológicas y disruptivas, llama la
atención que muchos de estos sectores productivos
son justamente aquellos en los que a nivel mundial
se están produciendo procesos de difusión de
innovaciones tecnológicas en IA, tales como la
manufactura, y los servicios al cliente. Mientras que
en Argentina la penetración relativa en su sector
exportador es la más alta, la manufactura cuenta
con el nivel más bajo de penetración en tecnologías
disruptivas en IA. A su vez, mientras que a nivel
global la discusión en innovación e IA apunta a la
importancia de potenciar el sector educativo, Costa
Rica, Uruguay y Panamá tienen aquí sus niveles más
bajos de penetración. Para Uruguay y Costa Rica se
trata de las habilidades en tecnologías disruptivas,
mientras que Panamá cuenta con un nivel de
penetración que representa tan solo un quinto del
promedio en materia de habilidades tecnológicas
en IA.

Gráfico B23: Sectores productivos con el menor nivel de penetración relativa en habilidades tecnológicas
y disruptivas por país (2021) / Fuente: Elaboración propia en base a datos proporcionados por LinkedIn.

58 59
 Principales hallazgos
Investigación,
Adopción y Investigación académica en todos los países.
Todos los países cuentan con publicaciones
académicas asociadas a la IA, lo que indica
Escasa colaboración regional…
Pese a las potenciales sinergías, la colaboración
científica entre países de la región es aún escasa,

Desarrollo la presencia transversal de investigadores e

investigadoras en la disciplina en el continente.
El promedio de productividad de los y las autoras
latinoamericanos es de 0,49 publicaciones al año, y
Capítulo C un total de 17.836 autores y autoras para ese año.
La transdisciplina es la norma.
Las publicaciones asociadas a IA aparecen
principalmente en medios científicos de disciplinas
distintas a ésta, como la biología, medicina y áreas
humanistas. En el año 2020, el 50% de los autores
que usaron IA en sus publicaciones no tenían como
área principal de expertise la IA. Este fenómeno se
ha acrecentado durante la década, lo que por un
lado refleja la versatilidad de las herramientas de IA
pero también refleja una carencia de especialistas
en el área.
Rezago en transferencia tecnológica.
Los países de América Latina exhiben un
débil desempeño en indicadores asociados a
aplicaciones comerciales y desarrollos. A partir de
datos proporcionados por GitHub, se observa que
sólo Uruguay tiene alta productividad e impacto
a nivel de colaboraciones en la plataforma, y
que Costa Rica, Panamá y Paraguay contribuyen
relativamente más que el resto de países. Por otro
lado, solo entre Brasil y México acumulan más del
95% de las patentes de la región asociadas a IA.
especialmente si se compara con los vínculos
con Europa, Estados Unidos o Asia. A modo de
ejemplo, en los últimos 5 años, la colaboración con
estas otras regiones representa un 80,6% del total
, mientras que la colaboración dentro de América
Latina alcanza solo al 7,7% del total.
…Pero aumentando más rápido que el resto.
Si bien la colaboración entre países de la
región es baja en comparación con el resto del
mundo, muestra una tendencia de aumento más
pronunciada que con otras zonas. Mientras que
entre 2008 y 2011 el número de colaboraciones
únicas entre autores en América Latina fue de 93,
equivalente al 4,73% del total de colaboraciones,
entre los años 2018 y 2022 esta cifra aumentó a
844, equivalente a un 7,7%. Aún hay mucho margen
para colaborar académicamente dentro de
nuestro propio continente, claramente una tarea
pendiente para la generación de políticas públicas e
incentivos por parte de los gobiernos e instituciones
académicas de la región.

Bajos niveles de inversión privada.

La inversión privada en 2022 alcanzó los USD 190
billones en el mundo. Pese a ello, en América Latina
no se evidencia una inversión relevante por parte
de las empresas de la región, con una inversión
conjunta en América Latina, estimada en USD 8,2
billones. El 40% de esta inversión se concentra en
Brasil.

Conceptos dominantes en publicaciones

académicas.
Los conceptos de aprendizaje de máquinas y
redes neuronales artificiales han aumentado
significativamente su presencia en publicaciones
científicas latinoamericanas relacionadas con
IA, estando presentes en un 35% y 20% de las
publicaciones en el año 2021 respectivamente. Por
otro lado, reconocimiento de patrones, imágenes
y visión por computador han caído en proporción
a años anteriores, lo que refleja un aumento en la
diversidad de ámbitos de aplicación.

60 61
 El Gráfico C.1 muestra el promedio de los puntajes
C.1 obtenidos por cada país para cada una de las
subdimensiones en las que se profundizará a
Descripción de lo largo del capítulo. Se incorpora además un
apartado con una descripción del panorama global
la dimensión de investigación académica en la región en el que
se observa la evolución de publicaciones, autores,
citas y temas en las últimas décadas. Se incluye
La dimensión de Investigación, Adopción y también una aproximación más acabada para el
Desarrollo mide los avances del ecosistema de caso de Uruguay, poniendo particular atención a los
investigación y el desarrollo e innovación (I+D+i) elementos de Innovación, Desarrollo y Adopción.
del país, considerando el desempeño del sector
privado, la academia y el sector público. Además,
evalúa en qué medida los distintos sectores están
utilizando sistemas de IA. Las 3 subdimensiones
que incluye esta dimensión son; (1) Investigación,
(2) Innovación y Desarrollo y (3) Adopción. Cada
subdimensión es descrita en detalle en su sección
respectiva (C2, C3 y C4), junto con los principales
resultados y brechas identificadas.

En el caso de Investigación, se considera relevante

la capacidad de cada país de generar conocimiento
porque permite entender la madurez del sistema
local para formar, desarrollar y retener talentos
en el país. Dicha capacidad constituye un buen
indicador de la consolidación de la comunidad
académica y su importancia relativa en el desarrollo
de IA.

En el caso de Innovación y Desarrollo, se considera

la contribución a la generación de conocimiento a
través de fuentes abiertas y la cantidad de patentes
e inversiones para IA. Estos indicadores son capaces
de mostrar la capacidad relativa de generación de
valor innovador en cada uno de los países.

Para la subdimensión de Adopción se aborda el

fenómeno desde el sector privado, identificando
la intensidad de uso en las empresas así como
los mecanismos de fomento y promoción desde
el estado. La adopción es la etapa final de la
secuencia de generación de valor e impacto y se
considera relevante evaluarla para entender la
penetración final de los sistemas de IA en el día a
día de los países.

Gráfico C.1 : Detalle de subdimensiones de Investigación, Adopción y Desarrollo / Fuente ILIA 2023

La principal fortaleza corresponde a la subdimensión de

Investigación, con un valor de 58,47 a nivel regional. Este elemento
constituye un hallazgo interesante al constatar que todos los
países evaluados contribuyen en alguna medida al desarrollo
académico de la IA. Por otro lado, existen brechas importantes
en las otras dos subdimensiones, con un 24,73 en Innovación y
Desarrollo y un 38,27 en Adopción. Un análisis de los factores
que inciden en la posición favorable de Uruguay en estas dos
subdimensiones puede dar luces respecto a cómo avanzar en
estas materias a nivel regional.

62 63
 Resultados: A nivel regional, la subdimensión de
C.2 Investigación alcanzó un promedio de 59,30 en la
versión 2023, liderado por el desempeño de Chile,
Investigación con un puntaje de 97,34; seguido por Brasil, Uruguay
y México los cuales registraron 77,70, 74,82 y 71.42
respectivamente. Para mayor detalle se presenta el
La Subdimensión de Investigación captura Gráfico C.2.
comparativamente el volumen, el impacto y la
productividad de la comunidad académica de IA de
cada país, a nivel regional. Además, considera un
elemento estructural que es la presencia de centros
de investigación asociados a IA porque refleja el
nivel de asociatividad y compromiso público en la
materia.

Esta subdimensión se compone de un indicador que

captura la capacidad generadora de investigación
en torno a IA dentro de cada país. Para ello se nutre
de los siguientes subindicadores:

A. Publicaciones per cápita durante los últimos

cinco años en IA.
B. Promedio anual de investigadores activos de los
últimos cinco años per cápita.
C. Productividad promedio de los investigadores en
IA en los últimos cinco años.
D. Impacto de la investigación en IA durante los
últimos cinco años.
E. Presencia de centros de investigación en IA.

El levantamiento de los indicadores que componen

esta subdimensión fue uno de los desafíos más
importantes durante la elaboración de este índice.
Considerando las diferencias entre los países,
tanto de formato de registro de información sobre
productividad académica como de los elementos
que se consideran en esas publicaciones, se
optó por la construcción de cada indicador
y no su extracción de fuentes públicas. Para
eso, se descargó la totalidad de la base de
datos de OpenAlex, que integra la totalidad de
portales, conferencias, revistas y repositorios de
publicaciones académicas. Dado que la mayoría Gráfico C.2 : Promedio indicadores subdimensión Investigación/ Fuente ILIA 2023
de los autores y autoras no declaran su país de
residencia, sino que la institución a la que están
afiliados, los indicadores que constituyen esta Para esta subdimensión Chile destaca por liderar un foco en la concursabilidad de fondos, lo que
subdimensión consideran el cruce de la institución en 2 de los indicadores con mayor dispersión a induce a una mayor cantidad de publicaciones. En
con el país al momento de la publicación de cada nivel regional: cantidad de publicaciones en IA y tercer lugar, en el sistema científico prevalece la
documento considerado1. el número de autores y autoras en IA, obteniendo investigación sin orientaciones específicas, lo que
100 puntos en ambos. El promedio de la región también podría contribuir a una mayor colaboración
La información obtenida a través de este para ambos indicadores es de 46,01 y 52,02, exploratoria transdisciplinaria, aumentando el
proceso es sumamente interesante pues permite respectivamente, tal como se observa en el Gráfico número de autores y publicaciones. Finalmente, se
entender también la manera en que colaboran C.3. puede agregar que la normalización per cápita de
las instituciones y los países, los tópicos en los estas mediciones favorece a Chile por ser un país
cuales existen similitudes y diferencias, y cómo El buen rendimiento de Chile en esta medición se más pequeño.
distintas políticas públicas de I+D influyen en podría explicar en base a una hipótesis de tres
elementos como la productividad, el impacto o la factores: en primer lugar, Chile fue uno de los
internacionalización de la comunidad investigadora. países que más rápido incorporó investigación en
IA, de acuerdo a la medición que se observa en la
1. Para mayor detalle respecto a la ficha país correspondiente, lo que podría influir en
construcción de éste y el resto de
los subindicadores enlistados ver
la cantidad de investigadores. En segundo lugar,
Apéndice metodológico. el sistema académico chileno es reconocido por

64 65
 Gráfico C.3 : Cantidad de publicaciones y autores en IA / Fuente ILIA 2023
Junto con Chile, destacan en estos dos indicadores
Brasil, Uruguay y Ecuador. Llama la atención el
caso ecuatoriano, con un explosivo crecimiento
de publicaciones y autores entre 2014 y 2019.
El caso de Brasil, por su parte, está fuertemente
influenciado por el volumen de publicaciones,
además de la presencia de grupos de investigación
consolidados. Uruguay, por otro lado, posee
características similares a las chilenas , pero sus
principales fortalezas radican en el ecosistema de
transferencia tecnológica e innovación.
Los otros indicadores de Investigación
académica (impacto y productividad) tienen un
comportamiento más homogéneo, como se aprecia
en el Gráfico C.4. Para estos dos subindicadores
llama la atención el comportamiento de Bolivia, que
66
Gráfico C.4 : Productividad e impacto de Investigación en IA / Fuente ILIA 2023
tanto a nivel de impacto como de productividad
encabezan la región. Esto podría indicar que, a pesar
del bajo volumen de producción científica local,
esta producción alcanza estándares equivalentes a
los del resto de la región, lo que sugiere que existe
un espacio relevante de oportunidad. Panamá
también exhibe el máximo puntaje en el indicador
de productividad, con un nivel de impacto de
investigación ligeramente inferior al promedio de la
región.
Cabe destacar, además, que a nivel de indicadores
de productividad, existen diferencias importantes
en términos de cantidad de publicaciones, así como
en el número de investigadores activos per cápita
entre los países que lideran en puntaje y el resto de
la región.
A modo de resumen, las principales brechas
identificadas en esta subdimensión tienen relación
con la presencia de Centros de IA en los países
(Gráfico C.5). Para la definición de “centros de
investigación” se consideraron los siguientes
elementos: i) que existiera una gobernanza del
centro; ii) que uno de los tres principales conceptos
de investigación fuese IA; y iii) que existiera algún
tipo de financiamiento permanente para el grupo.
Chile, Brasil y México cuentan con más de dos
centros de investigación en IA. Argentina, Colombia,
Costa Rica y Uruguay tienen uno, y el resto de los
países no tienen. Independientemente de lo anterior,
en todos los países fueron identificados grupos de
investigación en IA con algún nivel de coordinación.
67
 C.3
Innovación y Desarrollo
La Subdimensión de Innovación y desarrollo mide el
nivel de desarrollo tomando en cuenta el número de
patentes registradas y la actividad en plataformas
colaborativas de código abierto (GitHub). También
evalúa la capacidad de atraer inversiones
considerando tanto el número como la envergadura
o tamaño de estas.

Esta subdimensión se compone de 2 indicadores:

1. Desarrollo: Mide el desarrollo de software en

plataformas Open Source y la cantidad de patentes
obtenidas. Los subindicadores que componen son:

A. Productividad Open Source: dato extraído en

Gráfico C.5 : Presencia de Centros de Investigación en IA / Fuente ILIA 2023
colaboración con GitHub, centrado en los Commits
/ contributors: se trata de una medida relativa de
la actividad de desarrollo de software en relación
con la cantidad de personas que contribuyen a esta
actividad en comparación con la población total.
B. Calidad Open Source: dato extraído en
colaboración con GitHub, se refiere a la calidad o
impacto de paquetes, entendido como el número
promedio de estrellas (stars) que ha recibido
un repositorio en la plataforma de desarrollo
colaborativo.
C. Cantidad de patentes: la cantidad de patentes que
son registradas en un país son un indicador central
de su actividad de innovación y de las capacidades
instaladas para generar conocimiento en ciencia y
tecnología. La cantidad de patentes refleja el nivel
de inversión en investigación y desarrollo, así como
la cultura de innovación existente en un país.

2. Innovación: Refleja el número y tamaño de las

inversiones entrantes en IA. Los subindicadores que
lo componen son:

A. Número de inversiones entrantes per cápita para

proyectos de IA.
B. Valor total estimado de cada inversión entrante
per cápita para proyectos de IA.

68 69
 C.3.1
Desarrollo
Los datos obtenidos evidencian importantes diferencias
regionales en la subdimensión de Innovación y Desarrollo de IA
(Gráfico C.7). Uruguay lidera la tabla a gran distancia de Chile, que
ocupa el segundo lugar, con prácticamente el doble de puntaje.
En torno al promedio regional (24,73) se ubican Panamá, Paraguay
y Brasil con 25,9 y 27,19 puntos porcentuales respectivamente. El
Resultados: A nivel regional, la subdimensión de liderazgo de Uruguay se manifiesta tanto en los indicadores de
Innovación y Desarrollo alcanzó un promedio de Desarrollo como en los de Innovación, mientras que el puntaje
24,73 en la versión 2023. Esta subdimensión es de Brasil depende fuertemente del indicador de Desarrollo, y
liderada por el desempeño de Uruguay, con un el de Chile del indicador de Innovación. La dispersión de esta
puntaje de 83,6; seguido por Chile con 41,93. Para subdimensión refleja de buena forma la heterogeneidad del
mayor detalle se presenta el Gráfico C.6. panorama observado a nivel regional (Gráfico C.7).

Gráfico C.6 : Promedio de puntaje para subdimensión Innovación y Desarrollo / Fuente ILIA 2023 Gráfico C.7 : Indicadores Innovación y Desarrollo / Fuente ILIA 2023

70 71
Al observar los resultados del indicador de desarrollo (Gráfico Cabe destacar que los indicadores de Desarrollo
C.8), vemos que existe una notoria heterogeneidad interna en los de los países no son análogos a su posición
subindicadores de Desarrollo de IA. Brasil y México son países general en el ILIA: Paraguay, Panamá y Costa
que se destacan por un muy alto nivel en cantidad de patentes Rica, por ejemplo, no ocupan una posición alta
(tt), mientras que en lo que se refiere a productividad en Open en el ILIA, pero se destacan entre los países con
Source se mantienen cerca del promedio regional. Por otra parte, mayor índice de desarrollo. Esto se podría explicar
países como Panamá y Paraguay se destacan notoriamente por porque los resultados exhiben un nivel muy alto de
sus niveles de productividad en Open Source, pero sin que esta Productividad Open Source pero, al mismo tiempo,
producción esté necesariamente acompañada de altos índices de niveles bajos en Calidad Open Source y en cantidad
calidad, como se aprecia en el Gráfico C.8. de patentes. En este indicador Chile presenta un
déficit respecto a su posición de liderazgo en la
En este indicador también se destacan el caso de Uruguay con la región, con puntajes menores a 0,2 en todos los
máxima productividad y calidad en Open Source (Gráfico C.8), y el subindicadores.
caso de Brasil con un volumen de patentes en IA muy por sobre el
resto de la región (Gráfico C.9).

Gráfico C.8 : Productividad y Calidad Open Source / Fuente ILIA 2023 / Datos: GitHub Gráfico C.9 : Cantidad de Patentes / Fuente ILIA 2023 / Datos: Emerging Technology Observatory 23

72 73
C.3.2
Innovación
En la discusión sobre la innovación y el desarrollo
en IA, la innovación aparece como un elemento
fundamental para impulsar la economía de
un país, mejorar la competitividad y promover
la diversificación de la matriz productiva. La
innovación asociada a IA es un elemento que
contribuye al desarrollo del país y se evalúa desde
esa perspectiva en el ILIA.

La subdimensión de innovación cuenta con dos

subindicadores: número de inversiones entrantes
y el valor total estimado de la inversión entrante al
país. Este apartado del ILIA se construyó sobre la
base de datos actuales recopilados por el Emerging
Technology Observatory, los cuales han sido
normalizados para su comparación entre los países
de la región. Este indicador no refleja la inversión
interna, es decir, realizada por capitales nacionales,
ya que no existen datos públicos comparables para
estos países, por lo que en algunos casos puede
subestimar los montos de inversión privada.

Gráfico C.10 : Número de Inversiones y Valor Estimado Total / Fuente ILIA 2023/ Datos: Emerging
Technology Observatory 23

Los desafíos al desarrollo de IA en la región
también se originan en los bajos niveles de
inversión reportados. En materia de innovación,
el ILIA da cuenta de las disparidades que existen
en la inversión entre los países, destacando
positivamente Uruguay y Chile como aquellos
países que presentan la mayor fortaleza en este
indicador. Sin embargo, dichas fortalezas obedecen
a diversos factores. Mientras que Uruguay cuenta
con altos puntajes tanto en el número como en
el valor total de las inversiones, Chile alcanza el
puntaje máximo en el número de inversiones, pero
no así en el valor total de éstas, a pesar de que
dobla el promedio regional en este último indicador
(Gráfico C.10).
Llama la atención el caso de Perú, que muestra
importantes déficits en esta área a pesar de su
posición global en el índice. Brasil y México tienen
un puntaje menor, producto de la normalización,
pero a nivel bruto el número de inversiones alcanza
los USD $103 y $133 millones respectivamente,
mientras que el valor total en el caso de Brasil es
de USD $3.258 millones y el de México USD $508
millones. Para el caso de los países que lideran en
este subindicador, Uruguay y Chile, el valor bruto
de inversiones es de USD $291 y USD $666 millones
respectivamente.
En general, vemos países con puntajes homogéneos
en ambos subindicadores, como es el caso de
Uruguay, mientras que otros países se destacan por
las disparidades entre ambos subindicadores, tales
como Argentina o Chile. También es importante
destacar que las posiciones de los países en estos
indicadores no son análogas a las posiciones
generales en el ILIA, lo cual hace que países
en posiciones altas en el índice, como Brasil y
Argentina, se vean superados en puntaje por países
como Bolivia o Paraguay.

74 75
C.4
Adopción
La Subdimensión de Adopción mide la intensidad
con que el sector privado integra la IA y los
mecanismos del estado para promover esta
integración. Para eso cuantifica el número
de compañías que usan IA como elemento
fundamental de su modelo de negocios para reflejar
la penetración de esta tecnología en el sector
privado. Por otro lado, mide cómo los gobiernos
están impulsando la IA a través del gasto en I+D y la
promoción de inversión en tecnologías emergentes.
Se compone de dos indicadores:
1. Uso de IA en empresas: Busca cuantificar el uso
de IA en las empresas. Está compuesto por sólo un
subindicador (Empresas de IA).
2. Fomento público de IA: Mide la inversión pública
destinada a la implementación de IA en el país y el
Gráfico C.11 : Promedio puntaje para subdimensión de Adopción / Fuente ILIA 2023
76
uso de la IA en organismos de la repartición pública.
Los subindicadores que lo componen son:
A. Gasto gubernamental en I+D.
B. Promoción gubernamental de la inversión en
tecnologías emergentes.
Resultados: A nivel regional, la subdimensión de
Adopción alcanzó un promedio de 38,27 en la
versión 2023, liderado por el desempeño de Chile
con un puntaje de 84,11; seguido por Uruguay y
Argentina, los cuales registraron 69,43 y 53,96,
respectivamente. Para mayor detalle se presenta el
Gráfico C.11.
En el Gráfico C.12 vemos que los indicadores de adopción son
altamente heterogéneos en la mayoría de estos países, lo
que refleja que existen diferencias relevantes en ámbitos de
transferencia tecnológica entre el sector privado y el sector
público. Argentina muestra una brecha de más de 70 puntos entre
ambos indicadores, al igual que México y Costa Rica con brechas
cercanas a los 60 puntos. En estos tres casos, los indicadores
de Promoción Gubernamental superan al de Empresas en IA.
Esta tendencia se repite en la mayoría de los países de la región.
Destaca el caso de Chile como el único país donde el indicador
de Uso de IA en Empresas supera al de promoción gubernamental
en más de 30 puntos porcentuales.
Gráfico C.12 : Indicadores de Adopción / Fuente ILIA 2023 / Datos de EOT y WEF
77
C.4.1
Empresas en IA
Para el indicador de Empresas en IA (columna roja), se extraen
datos del Observatorio de Tecnologías Emergentes (EOT en inglés)
de la Universidad de Georgetown. Al igual que en el resto de los
indicadores, se han normalizado los números por habitante para
la asignación de puntajes. En el gráfico C.12 Chile lidera con 100
puntos equivalentes a 56 compañías de IA en el país, seguido por
Uruguay con 75,6 puntos equivalentes a 6 compañías. En términos
brutos, Brasil lidera con 216 compañías de IA en el país, pero al
normalizar obtiene 36 puntos. Observamos una correlación entre
este indicador y el de innovación, también vista en el apartado
anterior, lo que muestra que la inversión entrante es un factor
relevante para la generación de emprendimientos y compañías
basadas en IA.
78
C.4.2
Fomento Público de IA
El indicador de Fomento Público de IA se construye a
partir de dos subindicadores. El primero (Promoción
gubernamental) se extrae de datos generados en una
encuesta aplicada por el Foro Económico Mundial (WEF
en inglés) que evalúa los mecanismos que los gobiernos
impulsan para promover la inversión en tecnologías
emergentes. El segundo (Gasto gubernamental en
I+D) refleja una proxy del volumen de recursos que se
destinan desde el gobierno al desarrollo de Inteligencia
Artificial. Para este segundo subindicador sólo hay datos
de Chile, México, Colombia y Argentina.
Observamos en el Gráfico C.12 que el promedio de
promoción gubernamental se ubica en 50 puntos,
constituyéndose tres segmentos o grupos de países. En
el primero están los países con puntajes por sobre el
promedio (Argentina, Chile, México, Costa Rica, Panamá
Gráfico C.13 : Puntaje Gasto Gubernamental en I+D y volumen en millones de dólares./ Fuente ILIA 2023 /
y Uruguay) que reflejan una evaluación positiva por
parte de las y los encuestados respecto a las medidas
promovidas en esos países. El segundo grupo está
compuesto por Colombia, Brasil, Ecuador y Perú, con un
puntaje menor al promedio pero con algunos elementos
favorables entre las respuestas, lo que los posiciona
sobre los 20 puntos. El tercer grupo está compuesto por
los países bajo 20 puntos en este indicador.
Entre los países en los que existen datos comparables
en el subindicador de inversión gubernamental en I+D,
destaca Argentina con una inversión de USD $2.900
millones, equivalente a 100 puntos. Por otra parte, el
país con mayor inversión gubernamental en I+D es
México, con USD $5.318 millones y un puntaje de 66
puntos.
Datos de OECD Stats 2022
79
C.5
Principales resultados y
desafíos de la región
A nivel regional, la dimensión de Investigación,
Adopción y Desarrollo alcanzó un promedio de
40,49 en la versión 2023, liderado por el desempeño
de Uruguay, con un puntaje de 75,95; seguido
por Chile y Brasil, los cuales registraron 74,46,
y 47,37, respectivamente. Para mayor detalle se
presenta el Gráfico C.14. Estos resultados nos
permiten identificar tres segmentos o grupos de
países. El primero está compuesto por Uruguay y
Chile, superando los 70 puntos promedio. Uruguay
exhibe un buen desempeño que es consistente en
las tres subdimensiones de análisis, mientras que
Chile manifiesta un desempeño sobresaliente en
la subdimensión de Investigación, pero muestra
un comportamiento menos favorable en la de
Innovación y Desarrollo.
C.6
Explorando la evolución
de la investigación
académica en IA en
la región.
A continuación se analiza la evolución de
la investigación académica en IA en la
región. En primer lugar, se revisan los tópicos
proporcionalmente dominantes, de acuerdo a la
categorización de WikiData y Open Alex, en las
publicaciones de IA en tres periodos: entre 2008
y 2011, desde 2012 a 2017 y finalmente de 2018 a
2022. Los conceptos que se incluyen en la Tabla
C.6.1 corresponden a los Top 5 por país.

Gráfico C.14 : Dimensión Investigación, Adopción y Desarrollo / Fuente ILIA 2023

El segundo segmento o grupo está compuesto por Brasil, Argentina y

México, que tienen puntajes por encima del promedio de la región. Tanto
Brasil como México tienen puntajes considerables en la subdimensión
de Investigación, debido principalmente a la gran cantidad de
publicaciones que se identificaron. En el caso de Argentina, los
indicadores que componen la subdimensión de Adopción favorecen su
puntaje global. El resto de los países se ubican en el tercer segmento con
puntajes por debajo del promedio de la región.

80 81
Tabla C.6.1: Top 5 de tópicos de IA en publicaciones científicas por periodo de tiempo, por país. Fuente:
ILIA 2023

82 83
Observamos un comportamiento homogéneo en los
tópicos dominantes de cada país. Si bien hay diferencias
en la posición relativa de los conceptos, para el primer
y segundo periodo los conceptos de Computer Vision
y Pattern Recognition son dominantes en la literatura, y
para el tercer periodo el concepto de Machine Learning
Gráfico C.15 : Proporción de papers con subconceptos de IA por año en LATAM / Fuente ILIA 2023
El Gráfico C.15 muestra de manera más global el
comportamiento de la evolución de conceptos señalados
en la tabla anterior. Desde 1990 hasta 2005 vemos que la
baja cantidad de publicaciones hace que la proporción
de tópicos tenga una distribución muy heterogénea,
con conceptos que pasan de 0% a 40% de un año a
otro a nivel regional. A partir de 2005, observamos
que se instalan algunos conceptos dominantes y que
hay una disminución de la importancia relativa de los
conceptos top 10 a lo largo del periodo, salvo para el
caso de Machine Learning, que adquiere una importancia
significativa a partir del 2015, y el concepto de Artificial
Neural Network que también aumenta a partir del
2017. Lo anterior refleja que por un lado existe una
84
crece en influencia en casi la totalidad de los países,
posicionándose como dominante. También vemos
que el concepto de Artificial Neural Network surge
en las publicaciones a partir del segundo periodo,
reemplazando en importancia al concepto de Robot.
mayor diversidad de conceptos en las publicaciones
académicas, pero que al mismo tiempo los conceptos
dominantes del campo se mantienen relativamente
constantes, es decir, que los nuevos conceptos surgen de
la colaboración transdisciplinaria.
El Gráfico C.16 exhibe el número de publicaciones
anuales por país normalizado por número de habitantes,
desde el 2012 al 2023.
Gráfico C.16 : Recuento de Publicaciones normalizadas para cada país / Fuente ILIA 2023
Lo primero que destaca de este gráfico es que hasta el
año 2021 existe un crecimiento continuo de producción
académica asociada a Inteligencia Artificial a nivel
regional. En el año 2022 se observa una caída en la
producción para todos los países, lo que puede estar
asociado a un rezago en la producción científica como
consecuencia de la pandemia, o eventualmente por
la existencia de un cuello de botella en conferencias
y revistas especializadas que redujo el número de
publicaciones.
En ese marco, observamos tres grupos de países. En
primer lugar el de aquellos que superan el promedio
de publicaciones de la región en 2023. Este grupo está
encabezado por Chile, que además tiene el aumento
más consistente a lo largo del tiempo. En este segmento
también destaca Ecuador, con un crecimiento importante
en publicaciones entre 2015 y 2017, periodo en el que
aumenta en más de un 300% sus publicaciones per
cápita. Este grupo también lo componen Brasil y Uruguay,
con aumentos sostenidos y un promedio en torno a las
15 publicaciones anuales per cápita. El segundo grupo
está compuesto por México, Colombia y Costa Rica. Este
último país evidencia un aumento significativo a partir
del año 2017, alcanzando cerca de 10 publicaciones
anuales per cápita. Colombia y México se encuentran en
torno al promedio regional a lo largo de la serie, con un
crecimiento sostenido pero con menor intensidad que los
países del primer grupo.
El tercer grupo está compuesto por aquellos países
cuya producción científica normalizada se ubica bajo el
promedio de la región y bajo las 5 publicaciones anuales
per cápita. Además, el crecimiento en la producción
académica en este grupo tiende a ser más lento que
el promedio de la región, con la excepción de Perú que
exhibe un nivel de crecimiento considerablemente
superior al de los otros países en este segmento.
Habiendo analizado la tendencia de publicaciones en IA
en la región durante la última década, se midió el número
de autores en esta materia para cada uno de los países
(véase Gráfico C.17).
85
 Gráfico C.17 : Recuento número de autores normalizados para cada país / Fuente ILIA 2023
De manera similar a la tendencia observada en
publicaciones en IA (véase Gráfico C.16), el número de
autores evidencia un crecimiento constante durante
la década, el cual sin embargo experimenta una
desaceleración para el 2022.
Ecuador destaca por un marcado crecimiento por
sobre el promedio regional, con un auge de autores y
velocidad de crecimiento a partir de 2014. Esta tendencia
es consistente con la expansión observada en materia
de publicaciones por año. Ecuador logra superar a Chile
entre el 2017 y el 2019, para luego disminuir en el número
de autores y ubicarse en torno a los 30 autores para el
2023, junto a Brasil, mientras que Chile mantiene un alza
sostenida con cerca de 40 autores en 2023.
Uruguay, por su parte, aumenta el número de autores de
manera más pronunciada que el resto de la región desde
2019 en adelante, fenómeno que se atenuará en 2021.
Colombia y México muestran una evolución muy similar a
la del promedio regional, con una desaceleración relativa
a partir del 2019. Por su parte, Costa Rica muestra una
86
Gráfico C.18 : Recuento de citas normalizado para cada país / Fuente ILIA 2023
aceleración relevante a partir del 2017 que alcanza un
peak de autores en 2019, para luego disminuir y situarse
en torno a los 20 autores en 2023, junto a los otros dos
países.
Este gráfico revela disparidades significativas en el
crecimiento del número de autores entre los distintos
países, manifestándose tanto en naciones líderes
en investigación y desarrollo, como en aquellos con
un posicionamiento más bajo en el ILIA, pero que
experimentan avances acelerados en el ámbito de la
investigación. El resto de los países de la región tienen
una evolución a lo largo de la serie que sigue la misma
tendencia de la evidenciada en el Gráfico C.16, lo que
refleja una correlación autor / publicación muy estrecha.
A continuación se examina la producción académica de
los países de la región a través del análisis del número
de citas en revistas científicas y su participación en
conferencias o actividades equivalentes. En el Gráfico
C.18 se muestra el número de citas anuales por país
normalizado por número de habitantes, desde el 2012 al
2023.
En este gráfico, vemos 3 grupos de países. El primero está
compuesto por Brasil, Uruguay y Chile. Llama la atención el
comportamiento sobresaliente de Chile, con una cantidad
normalizada de citas que duplica el promedio regional. Hasta
el año 2018, Uruguay y Chile mostraron cifras similares, pero
se produjo un quiebre en la tendencia de este último país que
duplicó la cantidad de citas entre ese año y 2021, llegando a
cerca de las 1000. Uruguay por su parte se ubica en torno a las
600 citas. Estos dos países junto con Brasil están por sobre el
promedio de citas regionales, y este último tiene 400 citas per
cápita para el 2022.
El segundo grupo está integrado por México, Colombia, Argentina
y Ecuador, que se ubican entre las 200 y 300 citas anuales en
2022. Es interesante evidenciar que el fenómeno de aumento
explosivo de autores y publicaciones que se muestra para
Ecuador en los gráficos anteriores no tiene una correlación
directa con el comportamiento en el número de citas, aunque si
es posible identificar un cambio en la tendencia de crecimiento
en citas a partir del año 2017. México y Argentina por otra parte
tienen una cantidad de citas equivalentes al promedio regional
87
hasta el 2018 y una evolución equivalente, pero
quedan por debajo de la media a partir de ese
año. Esto podría explicarse por el impacto en los
promedios de la región del aumento significativo de
citas que muestran Uruguay y Chile.
En conjunto, estos hallazgos evidencian la
diversidad en la producción científica de la región,
resaltando la necesidad de comprender las
particularidades de cada país para promover el
desarrollo y la colaboración científica en América
Latina.
A partir de la información con la que se han
construido los indicadores, se elaboró un
análisis respecto al volumen de publicaciones,
colaboración y similitud de conceptos incluidos en
la investigación académica de América Latina.
El tamaño de los círculos (nodos) refleja el volumen
acumulado de publicaciones por país para el
periodo de interés. Brasil y México son los países
con mayor volumen de publicaciones a lo largo
de la serie, datos empujados por una comunidad
académica muy voluminosa. Entre el primer y
segundo periodo observamos la aparición de
Paraguay en la red, lo que indica que para el periodo
inicial Paraguay todavía no contaba con un volumen
acumulado de 50 publicaciones. Por otra parte,
Colombia, México y Chile tienen un crecimiento
proporcionalmente similar a lo largo del periodo
de estudio, lo que refleja que no hubo cambios
relevantes en la cantidad de publicaciones relativas
entre los países.
La posición de los nodos en el plano refleja
la similitud de conceptos incluidos en las
88
publicaciones académicas. Es decir, si los conceptos
con los que las publicaciones fueron etiquetados
en cada país se parecen, entonces estos países
tendrán una tendencia a estar posicionados más
cerca en el plano. Al contrario, si los conceptos
asociados a las publicaciones difieren, los nodos
tenderán a estar más alejados. Se puede apreciar
un “rombo” de países a la izquierda del gráfico,
compuesto por Brasil, Argentina, Uruguay, Colombia
y México. Estos países comparten conceptos en
la investigación, pero la importancia relativa de
estos conceptos difiere en cada país, por lo que se
aprecian distancias.
Gráfico C.19 : Red de colaboración entre países en periodo 2008 a 2011 / Fuente ILIA 2023
Observamos que Chile se ubica al centro del
rombo, lo que refleja una mayor diversidad de
conceptos en la producción académica a lo largo Observamos que en el primer periodo (2008-2011),
del periodo de estudio, los que son comunes con el hay escasa colaboración entre países (28 ejes).
resto de los países del “rombo”. Ecuador se ubica al Además, la colaboración es mayoritariamente débil,
extremo inferior derecho del gráfico, lo que refleja con la excepción del rombo descrito anteriormente,
pocos conceptos en común en sus publicaciones con vínculos fuertes entre Colombia, México,
en general. Lo anterior es consistente con el Argentina, Brasil y Chile. Los países con más
auge de publicaciones y autores evidenciado en vínculos son México y Brasil en el periodo, mientras
la década pasada en ese país, así como con los que Panamá aparece como el más aislado.
datos de movilidad de dichos autores. Los países
ubicados fuera del rombo tienden a ser aquellos
con menor volumen de publicaciones, lo que puede
interpretarse como ecosistemas académicos aún en
desarrollo, con conceptos variados en la literatura
producida, pero sin haber consolidado grupos de
publicaciones que definan una identidad específica.
El color de los ejes entre cada nodo refleja la
intensidad de la colaboración entre ambos países.
A continuación revisamos en detalle la evolución
de las colaboraciones entre países a lo largo del
tiempo.
89
 Gráfico C.20 : Red de colaboración entre países en periodo 2012 a 2017 / Fuente ILIA 2023
Para el segundo periodo se aprecia el
fortalecimiento de todos los ejes presentes en
el periodo anterior, además de la aparición de
nuevos ejes entre países que antes no colaboraban,
desapareciendo los países isla. Llama la atención el
caso de Ecuador, que tiene vínculos de colaboración
con los 8 países que más publican en la región, al
igual que Perú, que estrecha su colaboración con
Chile y México. Brasil aparece como el país con
mayor nivel de colaboración, lo que se refleja en
una mayor cantidad de ejes rojos, además de tener
vínculos con todos los países salvo Panamá.
90
Gráfico C.21 : Red de colaboración entre países en periodo 2018-2022/ Fuente ILIA 2023
Para el último periodo se observa una consolidación
de la tendencia anterior, con una red de
colaboración más densa en la que los 12 países
tienen colaboraciones entre ellos durante el periodo
con excepción de Bolivia, Paraguay y Panamá. La
densificación de la red no es lineal, desapareciendo
algunos ejes hacia países con menor producción
o temas más periféricos. Todos los países que
integran el rombo de mayor productividad (Brasil,
México, Colombia, Uruguay, Argentina y Chile)
tienen vínculos altos o muy altos entre sí para este
periodo, salvo Colombia y Uruguay que es débil.
91
Si miramos el fenómeno a nivel global, explorando
las colaboraciones entre latinoamérica con el resto
del mundo, vemos patrones similares a los exhibidos
en el apartado de migración y fuga de talento.
Para el periodo entre 2008 y 2011 se observa que
el 80% de las colaboraciones se concentraron en
el hemisferio norte, específicamente en Europa
(58,36%), Estados Unidos (16,98%) y Canadá (5,03%);
mientras que las colaboraciones entre países
de la región fueron menos del 5%. El resto del
92
Para el periodo entre 2012 a 2017 (Tabla C.6.3) se aprecian cambios
relevantes en términos de volumen de colaboraciones. En primer lugar,
observamos un aumento del 200% en la cantidad de colaboraciones
únicas, pasando de 1967 a 5891, aumentando las colaboraciones
con todas las zonas, aunque la magnitud del aumento difiere. En ese
sentido, se observa un aumento en la importancia relativa de América
Latina en colaboraciones, que creció hasta un 8,04% del total, al igual
que con Medio Oriente que pasa de un 1,02% a un 1,75% del global.
Por otro lado, Estados Unidos mantiene su importancia en torno al 17%
mientras que Europa, Canadá, Asia y China reduce marginalmente su
participación relativa.
mundo representó el 14,9% de las publicaciones
académicas con colaboración entre autores
latinoamericanos y otras zonas del mundo, que
en su totalidad alcanzaron las 1967 publicaciones
únicas.
Para el periodo entre 2018 a 2022 (Tabla C.6.4) la tendencia del aumento
en volumen de colaboraciones se consolida. Sólo las colaboraciones
entre Europa y Latinoamérica para este periodo son equivalentes a las
observadas para todos los países en el periodo anterior. La importancia
relativa de los países del norte global sigue a la baja, representando un
68,7% del total de colaboraciones frente al 80% del periodo inicial. Los
cambios más relevantes se observan en el aumento de importancia de
China, India, y el grupo de “otros países”, que aumentan su participación
de un 5,77% a un 11,36%. Medio Oriente también aumenta su importancia
desde 1,75% a 2,65%. Para América Latina crece el número de
colaboraciones intrarregionales pero baja la participación relativa a un
7,53%.
En términos generales, vemos un crecimiento significativo de las
colaboraciones entre América Latina y el resto del mundo, con un peso
relativo importante para Europa, Estados Unidos y Canadá, que si bien ha
disminuido durante el periodo de análisis, sigue representando más de
⅔ de las colaboraciones totales. Por otro lado, la importancia relativa de
América Latina ha aumentado durante la década, pero en menor medida
que la colaboración con otras zonas del mundo como Asia, Oceanía,
África o Medio Oriente. Lo anterior refleja que hay espacios potenciales de
colaboración intrarregional que pueden explotarse con mayor intensidad.
93
C.7
Aprendizajes respecto al
caso de Uruguay
A continuación, se analiza el caso de Uruguay
como el país puntero en la región en materia de
Investigación, Desarrollo e Innovación y Adopción.
El ecosistema de IA en Uruguay se destaca por una
sostenida trayectoria en la institucionalidad del
Estado en materia de tecnología, sociedad de la
información y de gobierno digital. Cabe destacar
que Uruguay cuenta con el nivel de desarrollo más
alto en esta dimensión del índice (75,95), seguido
por Chile y Brasil.
I. Investigación:
En esta subdimensión, Uruguay se encuentra en
tercer lugar regional, con un 74,82, por lo cual se
encuentra por debajo de Chile, que alcanza (97,78), y
de Brasil (77,7).
Cabe destacar que si bien Uruguay cuenta con
el puntaje máximo en cuanto al impacto de su
investigación en IA, para el cual se toman en cuenta
las citas en relación con las publicaciones en los
últimos cinco años, el país no destaca en presencia
de Centros de investigación, medición en la que
Chile y Brasil llevan la delantera. A su vez, Uruguay
se ve superado en la cantidad de investigadores
activos en relación a su población con respecto a
Brasil.
No obstante, Uruguay se destaca por el desarrollo
sostenido de un ecosistema en el cual existen
instituciones educativas superiores en las que se
pueden capacitar profesionales con interés en el
área de la IA. Los cursos universitarios de pregrado
vinculados a IA están ganando popularidad en el
último tiempo. Además, hay una creciente demanda
y oferta de programas educativos de posgrado
(cursos y carreras en ciencias de datos).
Los equipos de investigación más importantes están
vinculados al Instituto de Ingeniería Eléctrica (IIE) y
el Instituto de Computación (InCO) de la Facultad
de Ingeniería de la Universidad de la República
(Fing-Udelar). En estas instituciones se observa ya
una tradición de investigadores con un marcado
crecimiento en áreas de investigación en torno
a la IA. A estas instituciones se suman también
laboratorios en otros centros terciarios de estudio
y otras casas de estudios superiores que también
cuentan con posgrados y maestrías en el área.
94
II. Innovación:
En materia de Innovación, Uruguay se destaca por
superar con creces los niveles de desarrollo con
respecto a los otros países de la región, con un
puntaje de 83,6, seguido por México y Paraguay.
Uruguay también alcanza puntajes máximos
en materia de productividad y calidad en Open
Source. Sin embargo, exhibe desafíos en materia de
patentes, donde solo alcanza un 16,02 puntos, cifra
muy inferior a las de México y Brasil, que lideran
la cantidad de patentes en la región. En cuanto al
número y el valor de inversiones en IA, Uruguay se
ve superado por Chile.
Se puede decir que en Uruguay existe una visión de
ecosistema en la que diferentes actores coordinan
e integran acciones, así como alianzas entre actores
clave en el ecosistema de tecnología y sociedad.
Esto ha ido acompañado con una institucionalidad
robusta y políticas sectoriales que han ido
actualizándose en el tiempo.
Ya el informe de la IDRC de 2019 valoraba
positivamente las políticas sectoriales en IA en
Uruguay, las cuales tienen que ver con estructurar
el uso de IA en el sector público y la orientación
de inversiones en el sector privado. Se trata
de instancias de articulación e integración de
estrategias, políticas, recursos e iniciativas que
tienen que ver con tecnología y sociedad de la
información.
III. Adopción:
En cuanto a iniciativas privadas que se llevan a
cabo en IA en Uruguay, existen varias empresas que
realizan consultoría en IA, ya sea solamente en el
área, vinculadas más al software tradicional o bien
asociadas a un producto en específico que ayuda
a las empresas a integrar IA a sus flujos de trabajo.
En el ILIA, Uruguay se encuentra en segundo lugar
regional, por debajo de Chile (84,11), ya que cuenta
con una estructura robusta en cuanto al fomento
público pero que no se traduce en una adopción tan
alta a nivel de empresas privadas como en Chile.
Uruguay es el segundo país en América Latina en
cuanto a la madurez gubernamental en IA, luego
de México. A nivel de gobernanza, la estrategia
nacional de IA y la política de datos se han ido
ajustando y actualizando a las problemáticas
emergentes. La Estrategia de Datos en IA en 2023
se encuentra en un proceso de revisión por parte
de una mesa de trabajo en la que participan CAF
y UNESCO, con el objetivo de ajustarla hacia
contextos y desafíos actuales.
Adicionalmente a la existencia de institucionalidad,
Uruguay se destaca en América Latina como uno
de los primeros países en desarrollar una estrategia
de inteligencia artificial y liderar diversas iniciativas
de IA desde el sector público, convirtiéndose en un
referente a nivel mundial. Se unió a los 193 Estados
que respaldaron la Recomendación de la UNESCO
sobre Ética en la Inteligencia Artificial. En el marco
de estos acuerdos, Uruguay aplicará la Metodología
de Evaluación de Preparación (RAM) de la UNESCO.
En concreto, el trabajo de Agencia de Gobierno
Electrónico y Sociedad de la Información y el
Conocimiento (AGESIC) con la UNESCO se compone
de los siguientes puntos: “trabajo conjunto entre
ambas organizaciones que se proponen desarrollar
capacitaciones y formaciones a recursos humanos,
transferencia e intercambio de información,
organización de encuentros, asistencia técnica,
formulación de proyectos y participación en
instancias internacionales”.
95
 Principales hallazgos

Gobernanza
Capítulo D
Visión estratégica como punto de partida
Los países que cuentan con una Estrategia Nacional
de IA vigente muestran mayor inserción institucional
y un desarrollo regulatorio más armónico, tanto en
esta dimensión como en el ILIA en general. Si bien
no es una relación causal, contar con una estrategia
consensuada a nivel local parece ser un punto de
partida para otros elementos respecto al ambiente
institucional .

Experiencias Destacadas
Argentina, Brasil y México, son referentes
regionales en cuanto a la participación en espacios
internacionales para incidir en la discusión global
sobre IA. Chile muestra el mejor desempeño en
cuanto a participación ciudadana en la formulación
de estrategias. Perú destaca en materia de
regulación y legislación relacionada a la IA o a
la protección de datos. Sin embargo, cada país
puede mejorar en al menos, una subdimensión de
gobernanza.

Desafíos pendientes en la orientación al bien Participación ciudadana para la legitimidad

común
Al analizar la información de los países que
cuentan con una estrategia de IA vigente, entre
los siete factores asociados a la orientación al
bien común los más frecuentes son impacto en
el trabajo (considerado en 5 estrategias) y género
(considerado en 4 estrategias). Esto refleja una
preocupación de los Estados sobre las inequidades
potenciales y vigentes que generan los sistemas
de IA. Sin embargo, los datos en otras dimensiones
muestra un rezago de los países en políticas de
reconversión laboral y un aumento en la brecha
de género en habilidades asociadas a la IA para la
fuerza laboral.
Los países que no cuentan con Estrategias
Nacionales de IA vigentes pueden incorporar
mecanismos de participación ciudadana y
metodologías más abiertas, aprovechando las
experiencias de otros países de la región, para
identificar y proponer lineamientos que gocen de
mayor legitimidad a nivel social.
Ausentes en la discusión global
La participación regional en espacios
internacionales puede ser abordada a nivel
multilateral y no sólo por país. De ese modo se
puede promover mayor impacto de los países de
América Latina en la definición de estándares y en
los grupos de discusión multilaterales.

Oportunidades de aprendizaje mutuo Regulación específica al debe.

Las instancias de diálogo entre los países a nivel
regional se muestran útiles para conocer ejemplos
concretos de cómo se llevan a cabo procesos de
implementación de estructuras institucionales para
la IA en cada país. Esto resalta la relevancia de
compartir experiencias que sirvan como inspiración
para los países con menos avances en esta materia.
La mayoría de los países (11 de 12) cuenta con
avances regulatorios en temas fundamentales para
la IA pero más transversales, como protección
de datos y ciberseguridad. Sin embargo, hay
brechas y desafíos en la discusión sobre regulación
específica de los sistemas de IA y en iniciativas de
experimentación regulatoria.

96 97
 El Gráfico D.1 muestra que la principal fortaleza regional se
D.1 encuentra en la sub-dimensión de regulación, con un valor de
52,08. Por otro lado, la principal brecha entre países se da en
Descripción de la la dimensión de Visión e Institucionalidad, la cual tiene un valor
de 33,68, explicada principalmente por la falta de estrategias
dimensión nacionales en IA y el escaso involucramiento de la sociedad civil
en los países que tienen avances en esta materia.

La dimensión de Gobernanza mide el nivel de

desarrollo del entorno institucional y regulatorio
con respecto a los sistemas de IA en América
Latina a través de 3 sub-dimensiones: (1) Visión e
Institucionalidad, (2) Gobernanza Internacional
y (3) Regulación. A continuación se presenta el
panorama general de la región, examinando las
brechas existentes entre países y las oportunidades
para impulsar un desarrollo en IA con un enfoque
ético, transparente y equitativo en el uso de estos
sistemas en la región.

Al analizar Visión e Institucionalidad se considera en

primer lugar la existencia y vigencia de una Política
o Estrategia Nacional de IA, cuya presencia está
fuertemente correlacionada con el desempeño
de los países en el resto de la dimensión. Para
aproximarse a la legitimidad de la política o
estrategia se miden los niveles de involucramiento
de la sociedad y el nivel de apoyo por parte de la
máxima autoridad del país, la academia, el sector
privado y la sociedad civil. Por otra parte, para
identificar la robustez institucional, se identifica el
tipo de institución mandatada para el seguimiento
de la Política Nacional de IA y la profundidad de
atribuciones que ostenta esa institución.

La subdimensión de Gobernanza Internacional

recoge el nivel de participación de cada país en la
discusión multilateral de IA más allá de las fronteras
de América Latina. Para ello, recoge la participación
en la definición de estándares a través de ISO,
la participación en comités internacionales de
GPAI y OECD, y la suscripción de documentos con
recomendaciones de OECD y UNESCO.

Finalmente, la subdimensión de Regulación
muestra el nivel de madurez en cada país
respecto a la discusión regulatoria. Para ello,
identifica la existencia de regulaciones específicas
sobre IA y el estado de avance en su discusión
legislativa; la presencia de regulación relacionada,
específicamente ciberseguridad y protección
de datos; y las iniciativas de experimentación
regulatoria tanto a nivel de propuesta como de
implementación.
Gráfico D.1 : Puntaje para subdimensiones de Gobernanza / Fuente ILIA 2023
A continuación se examinan las subdimensiones
de la gobernanza en sistemas de IA en la región.
Entre los países destacan notables disparidades,
junto con brechas en el nivel del desarrollo de
cada país en materia de visión e institucionalidad,
la participación internacional y la regulación en
IA. Se propone distinguir entre aquellos países
que muestran algún avance en estas áreas, y el
grupo de países que obtienen puntajes de cero en
dos de las tres subdimensiones de Gobernanza.
Parece especialmente llamativo el caso de Bolivia,
que registra puntuaciones nulas en todas las sub-
dimensiones.
Entre los países que presentan puntajes superiores
a cero en las subdimensiones de estrategia de IA
y visión e institucionalidad, llama la atención el
bajo desempeño de Uruguay, a pesar de ubicarse
entre los tres primeros lugares en otras áreas en el
ILIA. Llama también la atención el caso de México,
ya que posee un promedio mayor que Uruguay en
las subdimensiones consideradas, pero ocupa una
posición más baja en el ILIA a nivel general. En el
caso de los países que destacan en una dimensión
específica del ILIA cabe evaluar si acaso existen
lecciones que puedan extraerse para desarrollar la
gobernanza en IA en otros países de la región.

98 99
D.2
Visión e institucionalidad
Dentro de la dimensión de Gobernanza, la
subdimensión visión e institucionalidad mide el
desarrollo de una estrategia en IA por parte de los
países, el involucramiento de la sociedad civil y
la institucionalidad en IA. La estrategia de IA ha
sido medida a través de la existencia y vigencia
de esta en los países y su nivel de apoyo y si
incorpora elementos asociados a la orientación
al bien común. Por su parte, se toma en cuenta el
involucramiento de la sociedad, pensando en el
involucramiento de la sociedad civil en el desarrollo
de dicha estrategia nacional. Por último, se toma en
cuenta la institucionalidad, es decir, la existencia
y competencias de organismos e instituciones
encargadas de la implementación de estas políticas
sectoriales en IA.
Gráfico D.2 : Subdimension Visión e Institucionalidad / Fuente ILIA 2023
100
Esta subdimensión revela disparidades notorias
entre los países de la región (véase Gráfico D.2).
Es crucial prestar especial atención a aquellos
países que obtienen puntajes bajos o nulos en las
subdimensiones de gobernanza, y avanzar en el
análisis de razones detrás de sus desempeños.
Asimismo, se destacan los avances en la materia
en países como Perú, sobresaliendo con un nivel
relativamente alto en las áreas evaluadas, lo
que podría proporcionar valiosas lecciones para
otros países de la región en su búsqueda por
fortalecer sus estrategias nacionales de IA. Las
ediciones futuras del ILIA entregarán evidencia
relevante sobre el impacto que puedan tener los
marcos regulatorios existentes respecto a países
que carecen de ellas o están avanzando en su
implementación
A nivel regional, la subdimensión de Visión e
institucionalidad alcanzó un promedio de 33,68
en la versión 2023, liderado por el desempeño
de Chile, con un puntaje de 89,48; seguido por
Argentina y Perú, los cuales registraron 76,79 y 70,24,
respectivamente. En esta subdimensión se ven
las mayores brechas entre los países de la región,
dado que cinco de los 12 países analizados no
cuentan con una estrategia y una institucionalidad
en IA vigente, registrando niveles mínimos de
involucramiento de los stakeholders.
Se aprecia una brecha muy marcada entre
países que tienen una estrategia vigente con un
desarrollo medio y alto, y países con puntaje cero,
sin estrategia. La magnitud de los desafíos en esta
dimensión se traducen en la constatación de un piso
mínimo en materia de Visión e Institucionalidad.
Las principales brechas se encuentran en la
inexistencia de una estrategia vigente, indicador
que tiene un valor promedio de 35,42 (Gráfico
D.3) y el escaso involucramiento de la sociedad
en la construcción de estas, indicador que tiene
un valor promedio de 21,88 (Gráfico D.4). La
institucionalidad es buena, pero está sujeta a la
existencia de una estrategia.
Incluso entre los países que registran mayor
desarrollo en la visión e institucionalidad en IA en la
región, aún existen desafíos importantes. Argentina
cuenta con uno de los puntajes más altos en esta
materia, con una estrategia en IA vigente pero con
espacio para crecer en materia de orientación al
bien común (Tabla D.1). Mientras que Perú llama
la atención por el desarrollo que ha alcanzado en
esta materia muy por sobre el promedio regional.
No obstante, registra un déficit en materia de
involucramiento de la sociedad civil. Dentro de
los países que cuentan con una estrategia en IA,
destaca el nivel “muy bajo” de México (2,78), debido
a que no se detectó Institucionalidad ni mecanismos
de participación de la sociedad en la formulación
de la estrategia que ya no está vigente.
101
 elementos de bienestar de la UNESCO. La política
D.2.1 fue diseñada a partir de instancias de alta
administración pública, sin instancias sistemáticas
Estrategia de IA de participación de la sociedad civil, la cual fue
incorporada sólo de forma parcial y en iniciativas
específicas preexistentes. Esto explica el puntaje
El puntaje para indicador de Estrategia de IA se muestra en relativamente bajo en estos subindicadores.
el Gráfico D.3 e integra tres subindicadores los cuales miden:
i) vigencia de la estrategia, otorgando el máximo puntaje a En el caso de los elementos contemplados en el
aquellos países donde existe una estrategia en implementación, subindicador de “Orientación al Bien Común”, se
y el mínimo a aquellos donde no existe estrategia; ii) nivel de consideró una lista de siete elementos usualmente
apoyo de la estrategia, que muestra si la máxima autoridad relacionados a tópicos de inclusión y equidad
del ejecutivo apoya la estrategia o su impulso depende de un dentro del ámbito de aplicación de inteligencia
organismo sectorial y; iii) orientación al bien común, que refleja si artificial. Estos tópicos son: i) género, ii) niñez,
se incorporan criterios definidos en conjunto con UNESCO. iii) cambio climático, iv) pueblos indígenas, v)
población afrodescendiente, vi) impacto en el
trabajo y vii) personas con discapacidad.
puede observar en la Tabla D.2.1 se asignó un
puntaje según la cantidad de temas incluidos
dentro de las estrategias nacionales de inteligencia
artificial, pudiendo variar el puntaje desde 0
(cuando no incluye ninguno de los tópicos) a
7 (cuando incluye todos los elementos de la
lista). Cabe mencionar que cursos de formación
de habilidades, conocimientos o capacidades
computacionales en niños no es considerado
como un elemento de “niñez”, salvo que estos
incluyan explícitamente la protección de derechos
de infancia y una especial consideración por la
sensibilidad de la protección de niños, niñas y
adolescentes (véase tabla D.1).

Gráfico D.3 : Puntaje para indicador Estrategia de IA/ Fuente ILIA 2023

El bajo puntaje de México (8,33)se explica debido a que el país

no cuenta con una estrategia vigente. Perú es el país con el
mayor puntaje en este subindicador, con un alto nivel de avance
en diferentes ámbitos y con participación de la sociedad civil.
El segundo lugar lo ocupa Chile, que supera 80 puntos e integra
elementos del bien común tales como la adaptación y mitigación
del cambio climático, el impacto en el trabajo y la equidad de
género. En el caso de Uruguay, al momento de la medición para
el ILIA la estrategia nacional en IA no integra explícitamente Fuente: Elaboración propia en base a ILIA 2023, Cenia.

102 103
 D.2.2
Involucramiento
de la sociedad
La participación e involucramiento de la sociedad
es un elemento central en la elaboración de las
políticas o estrategias nacionales en IA, debido
a que la participación de múltiples stakeholders
(gobierno, academia, empresas, sociedad civil y
ciudadanía en general) permite la incorporación
de múltiples visiones y el establecimiento de
prioridades para la aplicación de dicha política,
orientadas al bien común u objetivos que
contribuyan al desarrollo sostenible. Además, el
involucramiento genera un mayor compromiso por
parte de los stakeholders lo que resulta en mayores
probabilidades de éxito de la política, dotándola de
mayor legitimidad.
El indicador de Involucramiento de la Sociedad
(Gráfico D.4) mide el nivel de participación de la
sociedad civil y la ciudadanía en la formulación de
la estrategia de IA a través de dos subindicadores. El
primero es la Participación Ciudadana, que entrega
el máximo puntaje si existió más de un mecanismo
de participación ciudadana vinculante, y el
mínimo si no existió ningún mecanismo formal de
participación. El segundo subindicador identifica a
4 grupos de interés potenciales aparte del gobierno:
academia, industria, sociedad civil organizada y
público en general, otorgando el máximo puntaje
si todos los grupos señalados participaron, y el
mínimo si fue sólo el gobierno.

En la región, el impacto de la IA en el mundo del

trabajo constituye el principio de orientación al
bien común que se considera con mayor frecuencia.
Con esto, buscan hacer frente a una temática
ampliamente discutida en torno al futuro del trabajo
y específicamente como la penetración de los
sistemas de IA en los sectores productivos puede
significar riesgos a nivel del desplazamiento del
trabajo anteriormente realizados por humanos,
junto con demandar nuevas competencias a la
fuerza laboral.

Existen países que han avanzado en la introducción

de principios orientadores para la promoción de los
beneficios de la IA para todos los miembros de la
sociedad, resguardando el derecho a la igualdad
y a una vida libre de discriminación. Brasil destaca
por considerar particularmente la situación de la
población afrodescendiente, la cual constituye un
grupo históricamente desplazado en dicho país.
A su vez, en Perú se integra una preocupación por
sus 55 pueblos originarios, los cuales constituyen
un cuarto de la población, y las 47 lenguas nativas
existentes en ese país.

Al momento de la medición, ​​Uruguay había

declarado recientemente un interés y la voluntad de
tomar medidas en cuanto a su estrategia nacional
en IA. Para ello ha iniciado en junio de este año
una revisión de la estrategia junto con UNESCO
y CAF para evaluar el grado de preparación en
la aplicación ética y responsable de sistemas de
IA, junto con una revisión del marco institucional
para gobernanza, implementación y sostenibilidad
de políticas de IA. Este proceso incorporará
procesos participativos y consulta pública, por
lo que es esperable que su puntaje aumente
considerablemente en nuevas versiones del ILIA. Gráfico D.4 : Puntaje para indicador Involucramiento de la Sociedad/ Fuente ILIA 2023

104 105
 D.2.3
Institucionalidad
El desarrollo de una estrategia nacional en IA
conlleva la creación de un marco institucional
que garantice su implementación, monitoreo
y supervisión. Esta institucionalidad puede
manifestarse a través de leyes específicas o
mediante el establecimiento de entidades
competentes. El indicador de Institucionalidad
mide la existencia y competencias de organismos
asociados a la Estrategia de IA.
El desarrollo de una estrategia nacional en IA
conlleva la creación de un marco institucional
que garantice su implementación, monitoreo
y supervisión. Esta institucionalidad puede
manifestarse a través de leyes específicas o
mediante el establecimiento de entidades
competentes. El indicador de Institucionalidad
mide la existencia y competencias de organismos
asociados a la Estrategia de IA.

En materia de Institucionalidad, se puede En materia de Institucionalidad, se puede

concluir que el desafío de la región es acortar la
brecha entre los países con un desarrollo alto
en institucionalidad y aquellos que no cuentan
con estructuras institucionales en IA al no existir
estrategias nacionales (véase Gráfico D.5).
concluir que el desafío de la región es acortar la
brecha entre los países con un desarrollo alto
en institucionalidad y aquellos que no cuentan
con estructuras institucionales en IA al no existir
estrategias nacionales (véase Gráfico D.5).

En este subindicador destaca Chile con el máximo

puntaje, al contar con una estrategia nacional
en IA que se desarrolló a través de un marco
ampliamente participativo. El país cuenta con
una trayectoria de institucionalización de la
participación ciudadana, en la que la generación
de políticas sectoriales han incorporado instancias
participativas de co-creación y consulta. Para
la estrategia nacional fue creado un Comité de
Expertos y un Comité Interministerial, con dos
etapas de participación ciudadana: primero, aportes
de actores clave y luego una segunda etapa con una
consulta pública.

Argentina es el segundo país con el puntaje más

alto en la región, destacándose por un proceso de
participación de múltiples partes interesadas. Perú
y Brasil se sitúan en el mismo nivel, mientras que
Uruguay incorpora etapas participativas pero no de
forma sistémica en la participación de la estrategia.
El bajo puntaje de este país se explica por tratarse
de una política diseñada a partir de instancias de
alta administración pública.

A nivel general llama la atención que siete de los

doce países evaluados en la región no cuenten
con dichas políticas, evidenciando los avances
pendientes en esta materia que pueden ser
abordados en la formulación o actualización de
estrategias nacionales. Gráfico D.4 Puntaje para indicador Institucionalidad/ Fuente ILIA 2023

106 107
 D.3
Vinculación Internacional
La subdimensión Vinculación Internacional mide
la participación de los países en la definición
de estándares sobre IA, junto con la discusión y
suscripción de principios internacionales.
es informativa, debido a que todos sus miembros
están suscritos, pero la incorporación de estas
recomendaciones es una iniciativa actualmente en
marcha dentro de la región.

Respecto al primero, se determinó la participación A nivel regional, la subdimensión de Vinculación

del país en el establecimiento de normas ISO.
En cuanto a la participación en organismos
internacionales, se determinó la participación
en comités de impacto global en temas de IA,
descartando otras iniciativas de alcance regional
(como la iniciativa fAIr LAC del BID), privilegiando
aquellas de alcance global que están insertas e
impactan a nivel mundial.
Internacional alcanzó un promedio de 41,67 en el
ILIA 2023. Entre los países de la región, esta sub-
dimensión se encuentra liderada por el desempeño
de Argentina, Brasil y México, los cuales alcanzan el
puntaje máximo. Por su parte cinco países Gráficon
con puntaje cero (véase Gráfico D.6).

Por último, siguiendo la misma orientación ya

descrita, se utilizó como criterio de regulación
internacional si el país adhiere a los principios OCDE
de IA o si ha incorporado los principios de UNESCO.
La sola suscripción de los principios de UNESCO no

En los indicadores de institucionalidad, los puntajes

de los países se encuentran en el mismo nivel, pero
difieren en formas institucionales, dado que los
modelos de gobernanza en IA corresponden a los
contextos específicos de los países.

Todos los países, salvo Uruguay que cuentan con

estrategia cuentan con un modelo de gestión de la
estrategia nacional de IA que involucra a más de
una institución, pero las competencias alcanzan la
coordinación interministerial sin que exista una ley
que la habilita.

Uruguay es el único país dentro de los

considerados en el ILIA que cuenta con una agencia
independiente habilitada por ley con competencias
en esta materia. En efecto, la Estrategia Nacional
de IA es liderada por AGESIC, agencia dotada de
competencias regulatorias. Sin embargo, esto
también la restringe a un ámbito de acción más
acotado, lo que explica que la estrategia de Uruguay
está orientada explícitamente al Gobierno Digital y
no a otras áreas de la sociedad (u objetivos de bien
común), como sí lo hacen las otras estrategias de la
región.

En cambio, los pilares de la estrategia uruguaya son

la gobernanza de IA en la administración pública,
desarrollo de capacidades, uso responsable y
ciudadanía digital, siendo su campo de aplicación
fuertemente orientado al sector público, lo
que explica su menor desempeño en los otros
indicadores. Gráfico D.6 : Puntaje para subdimensión de Vinculación Internacional / Fuente ILIA 2023

108 109

El panorama regional se caracteriza por una gran
brecha en los avances de los países en materia
de gobernanza internacional. Las principales
disparidades en este punto consisten en la baja
participación en la definición de estándares y en los
grupos de discusión internacional. Además, algunos
países no han suscrito ni los principios de la OECD ni
han incorporado la recomendación de la UNESCO.
De todas formas, esto último debería cambiar en los
próximos años, ya que varios países de la región se
encuentran en el proceso de actualización de sus
Estrategias y se contempla la incorporación de los
principios de UNESCO en ese proceso.
D.4
Regulación
La subdimensión de Regulación mide el nivel de
madurez de la discusión regulatoria en torno a los
sistemas de IA. Se compone por 3 indicadores,
capturando si acaso existen regulaciones
específicas de IA en el país, sí existen regulaciones
relacionadas con IA, y por último, una medición
de las iniciativas de experimentación regulatoria
en materia de IA. la información proviene de la
legislación de cada uno de los países y se resume
en la tabla D.4.1. Para experimentación regulatoria,
además de una búsqueda particularizada, se
observaron las iniciativas de policy prototyping de
Open Loop.
A nivel regional, la subdimensión de Regulación
(Gráfico D.7) alcanzó un promedio de 52,08 en la
versión 2023, liderado por el desempeño de Brasil y
Colombia, con un puntaje de 100; seguido por Chile
y Perú, los cuales registraron 75 cada uno.

En vinculación internacional México se destaca

por contar con el puntaje máximo en materia de
vinculación internacional, junto con Argentina y
Brasil. Las tres economías más grandes de la región
cumplen con todos los criterios establecidos en este
sub-indicador.

Costa Rica muestra para esta subdimensión su

mejor desempeño en Gobernanza. Este país forma
parte de la OECD desde el año 2021, y además
suscribe las recomendaciones del mismo organismo
para gobernanza de IA. Estos elementos son un
buen antecedente para enfrentar el desafío de la
formulación de una Estrategia nacional de IA en el
corto plazo. Chile y Colombia tienen las mismas
características en esta subdimensión. Ninguno de
estos países participó en el proceso para establecer
las normas ISO para Inteligencia Artificial (ISO/
IEC JTC 1/SC 42) por lo que no alcanzan el
máximo puntaje. Por su parte, Perú suscribe las
recomendaciones de la OECD, pero no es miembro
de la organización ni tampoco de GPAI, y al igual
que Chile, Colombia y Costa Rica, no participó del
proceso de establecer normas ISO.

El resto de los países evaluados no obtiene

puntaje para esta subdimensión. Pese a ello,
todos participan en instancias multilaterales a
nivel regional bajo la coordinación de organismos
multilaterales como UNESCO, BID, CAF y CEPAL. Gráfico D.7 : Puntaje para dimensión de Regulación/ Fuente ILIA 2023

110 111
La regulación aparece como la subdimensión con
mayor mejor puntaje en el ámbito de Gobernanza
en IA en la región, promediando 0,52 puntos.
Se trata de un nivel medio de desarrollo, que
contrasta con grandes déficit y disparidades en las
otras subdimensiones de Gobernanza que ya se
presentaron. En el caso del marco regulatorio en
IA, todos los países, salvo Bolivia, obtienen algún
puntaje. Dado que no existe un consenso respecto
a si es mejor más o menos regulación, se asigna
puntaje considerando el nivel de madurez que se
puede estimar a partir de los subindicadores.

Llama la atención que la posición de varios países

en esta subdimensión no se condice con la posición
en el resto del ILIA. Vemos que países con desafíos
importantes en otras dimensiones aparecen aquí
con el puntaje máximo, como Colombia o Perú, que
en este ítem superan a países con puntajes altos en
general, tales como Chile y Uruguay.

112 113
 Las principales debilidades regionales se
encuentran en la presencia o discusión respecto a
regulaciones específicas de IA y de iniciativas de
experimentación regulatoria. Pueden diferenciarse
tres grupos de países en la región. En primer lugar
se encuentra el grupo que cuenta con el marco
regulatorio más desarrollado a nivel regional: Perú,
Colombia, Brasil y, en menor medida, Chile. Se
trata de países que han actualizado sus marcos
regulatorios, incluyendo nuevas temáticas. En este
grupo de países también se han dado experiencias
de aplicación de sandboxes regulatorios en IA en el
caso de Brasil y Colombia.

Argentina, México, Uruguay y Costa Rica

se encuentran en un proceso de desarrollo
regulatorio promisorio pero con la posibilidad
de ser actualizado y profundizado en áreas
clave. No cuentan con antecedentes o casos de
experimentación regulatoria para el uso de IA. En
el caso de Uruguay, al momento de la medición no
contaba con regulación específica para IA.

El último grupo corresponde Ecuador, Panamá y

Paraguay, los países que no cuentan con regulación
específica y que pueden potenciar ampliamente las
regulaciones relacionadas con IA. Junto con esto,
en estos países no se encuentran antecedentes
de experimentación regulatoria para el uso de IA.
Se destaca, sin embargo, pasos en la protección
de datos personales y el avance en temas de
ciberseguridad, los cuales se encuentran vinculados
a acuerdos internacionales en la materia.

114 115
 La dimensión de Gobernanza en sistemas de IA
D.5 revela la existencia de notables brechas entre
países de América Latina, con algunos registrando
Principales resultados y puntajes bajos o nulos en importantes sub-
dimensiones. A su vez, otros países registran los
desafíos de la región puntajes máximos en los componentes del índice,
destacando la importancia de abordar los desafíos
y oportunidades en materia de gobernanza en
A nivel regional, la dimensión de Gobernanza IA con una visión regional y contextualizada a la
alcanzó un promedio de 42,48 en la versión 2023, situación de cada país.
liderado por el desempeño de Brasil, con un puntaje
de 88,23; seguido por Chile y Argentina, los cuales La región se caracteriza por marcadas disparidades,
registraron 79,83, y 75,6 ,respectivamente (véase con diferentes entornos institucionales de
Gráfico D.8). gobernanza y modelos para guiar el desarrollo,
uso responsable y beneficioso de los sistemas
de IA. Mientras que algunos países de la región
se encuentran avanzados en esta materia, cinco
países analizados en ILIA cuentan con puntaje
cero en dos de las subdimensiones en el ámbito
de Gobernanza. Bolivia, Costa Rica, Ecuador,
Panamá y Paraguay registran un marcado déficit
en materia de gobernanza, muy bajos niveles en
regulación y cero puntaje en Estrategia en IA y Visión
e Institucionalidad.

Brasil destaca con el puntaje más alto dentro de

los países con alto nivel en materia de gobernanza,
seguido por Chile y Argentina. La heterogeneidad y
las brechas entre los países de la región tienen un
vínculo con los diferentes modelos de gobernanza
en IA que se han implementado en la región. En
el caso de Brasil, Argentina y Chile, existen una
serie de proyectos realizados e iniciativas legales
en curso, junto con la adopción de instrumentos
internacionales1.

Por su parte, México y Uruguay que destacan en

otras dimensiones del ILIA, sólo registran puntajes
medio-bajos en materia de gobernanza en IA. Por
su parte, el Perú se sitúa dentro del rango medio de
los países en las otras dimensiones del índice, pero
destaca por su alto desarrollo en la dimensión de
Gobernanza en IA.

Gráfico D.8 : Puntaje dimensión de Gobernanza / Fuente ILIA 2023

1. La revisión general de los

modelos de gobernanza en la
región se encuentra en Castaño,
D. (2020). La gobernanza de la
Inteligencia Artificial en América
Latina: entre la regulación estatal,
la privacidad y la ética digital. En C.
Aguerre, (Ed.). Inteligencia Artificial
en América Latina y el Caribe. Ética,
Gobernanza y Políticas. Buenos
Aires: CETyS Universidad de San
Andrés.

116 117
 E.1
Presentación
del capítulo
Esté capítulo ofrece una primera aproximación a la región. Los desafíos en materia de divulgación

Percepción percepción que existe sobre la IA en América Latina

a nivel de opinión pública. El potencial de la IA es
equivalente al de otras revoluciones tecnológicas
y democratización del conocimiento no son
exclusivos del sistema escolar y universitario
tradicional. Se deben aunar esfuerzos para
del pasado, con aplicaciones que abarcan desde promover un mejor entendimiento de las
Capítulo E lo más cotidiano a lo más revolucionario, desde la implicancias de esta tecnología, sus riesgos reales y
música que escuchamos hasta el descubrimiento sus beneficios concretos. Esta tarea es tan relevante
de fármacos o planetas a eones de distancia. En ese como la investigación, desarrollo o adopción,
sentido, entender cuál es la percepción que existe porque en el campo de la percepción se juega la
en América Latina es fundamental, porque define legitimidad de la disciplina.
la legitimidad del avance de la disciplina, tanto a
nivel de financiamiento público y privado, como
también desde la perspectiva de la penetración y
el uso de la tecnología. Si la IA carece de confianza
y entendimiento por parte de la ciudadanía, los
obstáculos para reducir las brechas con el norte
global se acrecentarán, y además, significará
un impedimento para aprovechar el potencial
beneficioso que ofrece.

El estudio propone una comparación de la
percepción (positiva, negativa y neutral) entre los
doce países que componen el ILIA agrupados en 5
regiones, diferenciando por tipo de fuente (medios
digitales o redes sociales) durante un periodo de
seis meses entre noviembre y mayo. Adicionalmente
se detallan cuales son los elementos (frases o
palabras) en los mensajes que componen cada
muestra que influyen de manera más significativa
en la proporción de la percepción de la IA. Al final
del capítulo se incluye un análisis más profundo del
caso chileno, en el que se indaga sobre las formas
plurales de cubrir, enmarcar y problematizar la IA en
la prensa chilena, realizado por el Future of Artificial
Intelligence Research Center (FAIR).

Para presentar esta aproximación a la percepción

de la IA en la región se utilizaron 2 fuentes de
información: medios de comunicación digitales
abiertos, y la red social Twitter. Esta aproximación
contiene limitaciones, específicamente en el ámbito
del sesgo presente en la toma de la muestra: existen
varios medios de comunicación relevantes en la
región que no forman parte del estudio por temas
de acceso; y los usuarios de la red social Twitter
tienden a sobrerrepresentar algunos grupos y
mensajes. Los resultados presentes en el estudio
deben ser interpretados considerando lo anterior.

Los hallazgos que se exhiben a continuación

debiesen ser considerados por la comunidad
académica y tomadores de decisiones de política
pública e inversión para entender el contexto
en el cual se enmarca la discusión de la IA en la

118 119
E.2
Principales hallazgos
Medios optimistas, usuarios escépticos.
En América Latina, el 42% de las opiniones en
medios digitales son optimistas, y el 13% son
pesimistas. Al contrario, en redes sociales el 31%
de las opiniones son pesimistas, y sólo el 23% son
optimistas.
Todos opinando de IA
La popularización de Chat GPT y los modelos
generativos de imágenes aumentaron la
conversación sobre IA de manera exponencial,
tanto en medios digitales como en redes sociales.
Mientras que en medios digitales la frecuencia de
noticias sobre IA aumentó 6 veces, en twitter la
conversación se triplicó.
La percepción varía entre países…
La percepción de la IA en América Latina varía
significativamente entre países y fuentes de
información. Esto significa que la opinión pública
sobre la IA en la región no es homogénea y que
es importante tener en cuenta las diferencias
culturales y socioeconómicas al analizar la
percepción de la IA en cada país.
Twitter pesimista.
En todos los países de América Latina, salvo
Brasil, hay más opiniones negativas que neutrales
en redes sociales. Si la IA carece de confianza
y entendimiento por parte de la ciudadanía, se
presentan varios obstáculos para su desarrollo y
adopción. Esto podría limitar la inversión pública
y privada en la investigación y el desarrollo de la
IA, lo que a su vez podría restringir su potencial
beneficioso para la economía y la sociedad en
general.
Un desafío para la divulgación
La falta de entendimiento sobre la IA podría llevar a
una percepción errónea de sus riesgos y beneficios,
lo que podría generar temores infundados o
una sobreestimación de sus capacidades. La
comunidad académica, la sociedad civil, la
industria y los estados pueden promover con más
fuerza la generación de iniciativas de divulgación y
democratización del real potencial y los riesgos de
la IA.
E.3
Metodología y Resultados
Para la construcción de este capítulo, se consideró como opinión
pública aquellas publicaciones abiertas en el ciberespacio,
específicamente medios de comunicación y mensajes en redes
sociales en los 12 países medidos en el ILIA, agrupados en 5 regiones.
Se analizaron por separado los dos grupos de mensajes, con el
objetivo de identificar diferencias en la percepción y elementos
preponderantes en la discusión. Los detalles específicos de la
construcción de la muestra, etiquetado y categorización de los
mensajes y análisis de sentimientos se exponen en el Apartado
Metodológico, así como también el acceso a la base de datos con los
mensajes. En esta sección, se explicará brevemente para facilitar la
interpretación de los hallazgos presentados.
Los países del ILIA se agruparon en 5 regiones, a partir de similitudes
de contextuales que facilitaran la agregación de las muestran grupos
de volumen comparable. Los grupos de países se presentan en la
tabla E1.

Y los tópicos también.

El tratamiento de la información y la cobertura
de la IA en medios digitales no varía de manera
significativa entre países de la región. En general,
estas conclusiones sugieren que la percepción
de la IA en América Latina es compleja y está
influenciada por múltiples factores, incluyendo la
fuente de información, el país y el contexto social y
cultural.

Medios digitales con sesgo a soluciones

La cobertura mediática está muy focalizada en
el sector productivo, mientras que los tópicos en
redes sociales son más diversos. No se aprecia
una cobertura significativa por parte de los medios Entre octubre y mayo de 2023 se registró la
digitales a temas como la ética o los sesgos nocivos información de las publicaciones y artículos de
de los sistemas de IA, mientras que estos elementos los medios de comunicación en las 5 regiones,
sí son relevantes en la conversación de redes alcanzando un total de 17.384 artículos analizados
sociales. que mencionan los conceptos: aprendizaje de
máquinas, aprendizaje profundo y/o inteligencia
artificial. Los artículos fueron categorizados usando
herramientas de Procesamiento de Lenguaje Natural
(PLN) en los titulares, bajadas y cuerpo de la noticia.
Para el análisis de redes sociales, se realizó un
proceso de dos etapas. En la primera etapa, entre
octubre y febrero de 2023 se registraron mensajes en
las cuatro principales plataformas digitales a nivel
de usuarios en América Latina: Twitter, Instagram,
Linkedin y Facebook. Identificando los conceptos
más frecuentes en la conversación sobre IA en la
región,se construyó un tesauro que extrajo una
muestra de 31 millones de mensajes a nivel global a
través de la API de twitter.
En la segunda etapa, para filtrar la muestra
generada por el tesauro y poder identificar solo
los mensajes que hicieran referencia a América
Latina y el Caribe, se entrenó un clasificador usando
las publicaciones registradas durante la primera
etapa. Este clasificador discrimina los mensajes en
tres niveles: i) si es sobre IA o no (por ejemplo, el
concepto Transformers hace referencia a la saga de
TV y también a la red neuronal); ii) si es en alguno de
los 5 grupos de países referenciados en la Tabla E1;
iii) a qué grupo de países debe ser clasificado. De
esta forma, la muestra de análisis es de 2.933.608
mensajes para redes sociales.

120 121
Al analizar el volumen de noticias y conversaciones, vemos que
en ambas muestras la tendencia es similar: un aumento quincenal
no tan pronunciado que cambia fuertemente a partir del mes
de febrero, cuando el crecimiento quincenal de conversaciones
empieza a aumentar exponencialmente. El fenómeno es
equivalente tanto a nivel de redes sociales como de medios
digitales como se observa en los gráficos E1 y E2. El cambio de la
tendencia es consistente con un fenómeno al revisar los datos,
que es la popularización de chat GPT en la región.

Gráfico E1: Noticias sobre IA en América Latina (total normalizado) / Fuente ILIA 2023 Gráfico E2: Tweets sobre IA en América Latina (total normalizado) / Fuente ILIA 2023

122 123
Se aprecian diferencias en el volumen de conversaciones y
noticias según grupo de países. Mientras que el volumen de
noticias es relativamente más grande para el grupo Extremo sur,
Andina 2 y Andina 1 respectivamente (Gráfico E3), la intensidad
de la conversación en redes sociales es más grande en Brasil
y Norteamérica (Gráfico E3). Más allá de las diferencias de las
muestras, se observa la tendencia descrita antes para todos los
grupos de países, aunque la intensidad no es homóloga entre
todas las regiones.

Gráfico E3. Total normalizado de noticias sobre IA en cada grupo de países. / Fuente: ILIA 2023 Gráfico E4. Total normalizado de mensajes en twitter sobre IA en cada grupo de países. / Fuente: ILIA 2023

Se puede observar que el volumen de artículos
en medios digitales es relativamente más grande
para el primer grupo de países (Extremosur, Andina
1 y Andina 2) mientras que las conversaciones en
twitter son más relevantes para el segundo grupo
(Norteamérica y Brasil).
Para analizar la percepción, se definieron tres
categorías: positivo, negativo y neutral. Detalles
del proceso de categorización a partir de modelos
de PLN se exponen en el Apéndice Metodológico.
Los resultados del análisis para ambas muestras
muestra diferencias significativas entre ambas
muestras (Gráfico E5). Mientras que la proporción
de mensajes con sentimientos neutrales se
mantiene en torno al 45%, los medios digitales se
inclinan hacia una percepción positiva (42%) con
una brecha de casi 30 puntos con la percepción
negativa(12,6%), mientras que en redes sociales
aumenta el porcentaje de percepción negativa
(31%), y la brecha de menos de 10 puntos con la
percepción positiva (23,15%).

124 125
 Gráfico E5. Proporción de mensajes con sentimientos neutrales, positivos y negativos para América Latina
/ Fuente ILIA 2023

La visión más favorable hacia la IA que se evidencia

en medios digitales está fuertemente influenciada
por la aparición de modelos generativos y una
cobertura con énfasis relevante en elementos de
mercado e impacto en el sector privado. La tabla
E2 muestra los 8 tópicos principales rescatados del
análisis de conceptos para la muestra de medios
digitales.

126 127
Por otro lado, al analizar los mensajes en redes
sociales, los tópicos y conceptos dominantes
cambian, siendo más diversos, como se observa en
la Tabla E3.
128
La percepción sobre la IA también tiene diferencias cuando se
observan los distintos grupos de países incluidos en este estudio,
tanto para redes sociales como para medios digitales. El Gráfico
E6 muestra la percepción en los distintos grupos de países en
mensajes de medios digitales, y el Gráfico E7 en redes sociales.
La percepción sobre la IA también tiene diferencias cuando se
observan los distintos grupos de países incluidos en este estudio,
tanto para redes sociales como para medios digitales. El Gráfico
E6 muestra la percepción en los distintos grupos de países en
mensajes de medios digitales, y el Gráfico E7 en redes sociales.
Gráfico E6. Proporción de mensajes con sentimientos neutrales, positivos y negativos para medios
digitales por zona / Fuente ILIA 2023
El porcentaje de publicaciones neutrales se mantiene en torno al
promedio regional sin manifestar mucha varianza entre los grupos
de países. Brasil destaca por tener casi el doble de percepción
negativa que el promedio de la región, y la menor brecha entre
percepción positiva y negativa. Por otro lado, Andina 2 (Ecuador
y Colombia) es la región con mayor porcentaje de percepción
positiva, además de tener la mayor brecha entre percepción
negativa y positiva, y junto a Norteamérica (México, Costa Rica
y Panamá) los únicos donde la percepción positiva supera la
neutral.
129
El Gráfico E7 muestra que el comportamiento de
la percepción por en los grupos de países es más
variable cuando se observan los mensajes de redes
sociales, tanto entre grupos de países como si se
compara con la muestra de medios digitales.
Gráfico E7. Proporción de mensajes con sentimientos neutrales, positivos y negativos para redes sociales
El porcentaje de de mensajes neutrales tiene mayor
varianza que en el caso de los medios digitales,
con un mínimo de 15,9% en Norteamérica y un
máximo de 63,1% en Brasil. Adicionalmente, está
es la única región donde los mensajes neutros
superan la suma de los positivos y negativos. Se
aprecia que en Andina 1( Perú, Bolivia y Paraguay),
Andina 2 y Extremo sur (Argentina, Chile y Uruguay)
los porcentajes de opiniones negativas sobre IA
en redes sociales es mayor que las positivas y las
negativas. Destaca el caso de Extremo sur, donde
la suma de opiniones positivas y neutrales es
menor que el total de opiniones negativas. Por otro
lado, llama la atención el caso de Brasil, donde
las opiniones positivas en redes sociales apenas
representan el 13,6% del total de la muestra.
130
La diferencia de percepción entre países y procedencia de la
información no es sólo para los sentimientos, sino que también
para los conceptos que predominan en las discusiones y
publicaciones (ver Tablas E2 y E3). En el Gráfico E8 se observa
la importancia relativa de los tópicos indicados en la Tabla E2
digitales. Vemos que ningún tópico destaca fuertemente a nivel
agregado, siendo los más importantes la revolución de la IA con
16% y la aplicación específica en retail con 15,7%.
por zona / Fuente ILIA 2023
Al comparar ambos gráficos, notamos que ningún
grupo de países muestra proporciones similares de
percepción positiva o negativa para redes sociales
o medios digitales. Las brechas más relevantes se
perciben el Andina 2 y Extremo sur. Para el primer
grupo, la percepción positiva aumenta 30 puntos al
comparar medios digitales frente a redes sociales,
y la percepción negativa cae en la misma magnitud
al pasar de redes sociales a medios digitales. El
caso de extremo sur es aún más agudo para la
percepción negativa, que aumentó de 9% en medios
digitales hasta 51% en redes sociales. La percepción
para cada país y tipo de fuente se muestra resumida
en la Tabla E3.
Gráfico E8: Porcentaje de artículos en medios digitales representado por cada tópico. / Fuente: ILIA 2023
131
Por otro lado, en el Gráfico E9 se observa la A continuación se revisa la proporción de tópicos Para el caso de Andina 1 (Gráfico E10) se aprecia
importancia relativa de los tópicos exhibidos en la para cada muestra a nivel de cada grupo de que el tópico Revolución de IA es 5 puntos menos
Tabla E3 para redes sociales. países, identificando diferencias relevantes entre que el promedio, mientras que el tópico IA Asuntos y
el promedio regional y la distribución para cada Riesgos actuales es 6 puntos encima del promedio.
grupo de países. Se observa que para el caso de
medios digitales, la distribución no muestra mayores
diferencias entre tópicos ni entre grupos de países

Gráfico E9: Porcentaje de mensajes en redes sociales representados por cada tópico. / Fuente: ILIA 2023. Gráfico E10: Comparación del porcentaje de artículos en medios digitales
representados por cada tópico entre Andina 1 y promedio Latam / Fuente: ILIA 2023

132 133
Para el caso de Andina 2 (Gráfico E11), no hay
ninguna diferencia significativa entre la distribución
promedio de la región y la del grupo de países
observado. En el caso de Brasil (Gráfico E12)
se aprecia que los tópicos de Revolución… y
Transformación digital con IA son relativamente
menos relevantes y que el de Robótica es más
importante que en promedio.

Gráfico E11. Comparación del porcentaje de artículos en medios digitales Gráfico E12. Comparación del porcentaje de artículos en medios
representados por cada tópico entre Andina 2 y promedio Latam / Fuente: ILIA 2023. digitales representados por cada tópico entre Brasil y promedio Latam. / Fuente: ILIA 2023.

134 135
Para el caso de Extremo sur (Gráfico E13) tampoco
se aprecia alguna diferencia significativa entre la
distribución promedio de la región y la del grupo
de países observado. Mientras que en el caso
de Norteamérica (Gráfico E14) se observa dos
diferencias significativas: la proporción para este
grupo está 5 puntos encima del promedio para
el tópico Revolución… y 5 puntos por debajo del
promedio para el tópico IA y Blockchain.

Gráfico E13. Comparación del porcentaje de artículos en medios Gráfico E14. Comparación del porcentaje de artículos en medios
digitales representados por cada tópico entre Extremo sur y promedio Latam. / Fuente: ILIA 2023. digitales representados por cada tópico entre Norteamérica y promedio Latam. / Fuente: ILIA 2023.

Como se observa en el Gráfico E9, la importancia A continuación se revisará la proporción de

relativa de los tópicos en el caso de redes sociales
es más variable que en el caso de medios digitales.
A nivel latinoamericano, los porcentajes de
distribución de tópicos en medios digitales oscilan
entre 10% y 16%; mientras que para redes sociales el
mínimo es 3% para el tópico de IA y sesgos sociales
y el máximo es de 31,6% para el tópico Robótica e
IA.
tópicos en redes sociales para cada muestra
a nivel de cada grupo de países, identificando
diferencias relevantes entre el promedio regional
y la distribución para cada grupo de países. Como
se mencionó antes, los tópicos presentan una
variabilidad mayor que para medios digitales,
además de diferencias significativas entre países.

136 137
Para el caso de el grupo Andina 1 (Gráfico E15) se
aprecia que hay dos temas que representan el 70%
de las conversaciones, Análisis de Datos con IA,
con 30% y 18 puntos sobre el promedio de América
Latina; e IA en Procesamiento de Lenguaje Natural
con 39% y 25 puntos por encima del promedio
regional.

Gráfico E15. Comparación del porcentaje de mensajes en redes sociales Gráfico E16. Comparación del porcentaje de mensajes en redes sociales
representados por cada tópico entre Andina 1 y promedio Latam. / Fuente: ILIA 2023. representados por cada tópico entre Andina 2 y promedio Latam. / Fuente: ILIA 2023.

El Gráfico E16 muestra el análisis de la conversación

en redes sociales para el grupo Andina 2. Se aprecia
que son 4 los tópicos dominantes con importancia
significativa: Análisis de Datos con IA representa
un 23% de los mensajes, IA en salud significa un
27% de los mensajes, IA y Criptomonedas abarca
un 17% y finalmente IA en Procesamiento de
Lenguaje Natural que comprende un 29% de los
mensajes. Los otros 4 tópicos relevantes a nivel de
América Latina no parecen ser significativos en la
conversación digital en este grupo de países.

138 139
 Gráfico E17. Comparación del porcentaje de mensajes en redes Gráfico E18. Comparación del porcentaje de mensajes en redes
sociales representados por cada tópico entre Brasil y promedio Latam. / Fuente: ILIA 2023. sociales representados por cada tópico entre Extremo sur y promedio Latam. / Fuente: ILIA 2023

En el caso de Brasil, se aprecia que más de la mitad (52,87%) de La relevancia relativa del tópico IA en
los mensajes en twitter están asociados al tópico IA y robótica, Procesamiento de Lenguaje Natural es
superando por 20 puntos el promedio de América Latina para particularmente significativa para el grupo de
este tema. Por otro lado, el tópico de Sesgos sociales e IA tiene países Extremo sur, donde representa el 51,4% de
6,45% de las conversaciones, casi el doble que el promedio las conversaciones totales. El otro tópico relevante
de América Latina. Dado que los datos etiquetados para Brasil en este grupo es el de Análisis de Datos con IA que
representan una fracción relevante de la muestra, el volumen de comprende el 23,3% de los mensajes en twitter.
conversaciones para ambos tópicos indicados está fuertemente Entre ambos tópicos acumulan casi tres cuartas
influenciado por la proporción que representan en este país. partes del total de tópicos mencionados en redes
Otro elemento que llama la atención es el bajo porcentaje que sociales.
representa el tópico IA en Procesamiento de Lenguaje Natural
que apenas alcanza un 1,15% de las conversaciones, mientras que
en el resto de los grupos de países analizados es uno de los más
relevantes.

140 141
 E.4
Cobertura mediática de
la IA en Chile: Temas y
nudos críticos.
Sección elaborada por
el Núcleo Milenio Future
of Artificial Intelligence
Research Center (FAIR)
Autores: Pablo Valderrama y Matín Tironi

¿Cuáles son los principales enmarcamientos y regímenes de

crítica en torno a la IA en Chile? ¿Los medios de comunicación
infunden miedo o entusiasmo sobre las implicancias sociales de
la IA? ¿Existen diferencias en la cobertura mediática de la IA a lo
largo del tiempo?¿Qué desarrollos relacionados con la IA generan
más críticas y cuáles son menos comentados? En este capítulo
presentamos un esbozo de una indagación en curso sobre las
formas plurales de cubrir, enmarcar y problematizar la IA en la
prensa chilena. Con esto buscamos avanzar en una aproximación
pragmatista (Alexandre et al., 2022) de la crítica de la IA desde
América Latina, esto es, comprender y cartografiar de qué manera
diferentes actores tematizan y critican los avances y debates
sobre la IA.

En los últimos años la IA se ha hecho cada vez más presente en

Gráfico E19. Comparación del porcentaje de mensajes en redes
sociales representados por cada tópico entre Norteamérica y promedio Latam. / Fuente: ILIA 2023.
la cobertura mediática, generándose estudios sobre cómo los
medios cubren y moldean las percepciones, imaginarios y futuros
de la IA (Brennen et al., 2018, 2022; Bunz & Braghieri, 2022; Crépel
& Cardon, 2021; Nguyen & Hekman, 2022; Vergeer, 2020). A pesar
de estas recientes investigaciones, hasta la fecha no se hallan
estudios que examinen la cobertura crítica a la IA en medios de
países del Sur como Chile. Es importante saber si los temáticas y
críticas recurrentes en torno a la IA son meramente reproducidas
desde el Norte en nuestra región, así como también qué otras
formas de crítica y controversias en torno a la IA son distintivas en
países como Chile.

En esta investigación realizamos un análisis ocupando técnicas

El patrón de conversaciones descrito para los computacionales de Procesamiento de Lenguaje Natural (PLN) así
grupos Andina 2 y Extremo sur se evidencia también como un análisis cualitativo de contenido a un corpus de noticias
en el grupo Norteamérica, como se puede ver en de cuatro medios chilenos sobre palabras clave asociadas a IA.
el Gráfico E19. El tópico de Análisis de Datos con Con esto pudimos analizar los modos de enmarcar la IA en la
IA alcanza un 31,6% y el de IA en Procesamiento de prensa y las menciones a nudos críticos dentro de las noticias.
Lenguaje Natural un 32,7%, sumando entre ambos De este modo, buscamos avanzar hacia una mejor comprensión
casi dos tercios de la conversación digital para de los regímenes de crítica a la IA en medios chilenos, y evaluar
este grupo de países. Sin embargo, a diferencia críticamente sus diferencias o variaciones en el tiempo.
Extremo sur, los tópicos vinculados a Regulación
de IA, IA en Gaming, IA en Salud y Criptomonedas
e IA tienen una importancia menor pero igualmente
significativa.

142 143
 La IA en la prensa
El encuadre de los medios de comunicación cumple
un rol crucial en como las sociedades comprenden
cuestiones de interés público como elecciones
políticas, avances científicos o innovaciones
tecnológicas como la IA (Rabitz et al., 2021;
Scheufele & Tewksbury, 2007). Los medios no son
observadores neutrales sino que seleccionan,
articulan e influencian determinadas percepciones
y actitudes hacia la tecnología (Nguyen & Hekman,
2022). Como sugieren recientes estudios en Ciencia,
Tecnología y Sociedad, los medios no son un éter
por el que fluye información sobre controversias
como los actuales debates sobre la IA. Los medios
son sitios activos en los que se desarrollan las
controversias sociotécnicas (Marres, 2021;
Moats, 2019). De modo que en lugar de separar
las cuestiones técnicas de las percepciones o
implicancias sociales de la IA, debemos considerar
como actores heterogéneos, incluida la prensa y
las plataformas, participan en hacer de la IA una
cuestión de involucramiento público (Latour, 2005),
generando atención, interés o escándalo frente a
nuevas innovaciones, promoviendo o clausurando
con ello ciertos imaginarios, preocupaciones y
futuros en torno a la IA.

Investigaciones recientes han comenzado a

1. Para los autores, la orientación
política de cada medio influye en
evidenciar cómo la IA se ha hecho cada vez más
la cobertura sobre la IA ya que presente en la prensa en los últimos años. Brenner
los medios de derecha hicieron
mayor hincapié en la economía
et al. (2018) sugieren que la prensa tiende a
y la geopolítica en torno a la IA, centrarse en productos e iniciativas de la industria,
mientras que los medios más
cercanos a la izquierda destacaron
planteando que sería un debate muy dirigido por la
más las preocupaciones éticas. industria. En la misma línea, centrándose en noticias
Algo similar encuentran Nguyen y
Hekman (2022) al evidenciar que los
sobre la IA en el área de la salud, Bunz y Braghieri
medios “mainstream” tenderían a (2022) destacan que las noticias tienden a enfatizar
ser más negativos al reportear sobre
IA que otros medios especializados
un discurso guiado por la tecnología, incluso cuando
en tecnología (Wired y Gizmodo). se aborda un área específica como la medicina.
Los autores sugieren que esto se
podría explicar por la tendencia
política progresista de los medios Otro punto clave dentro de estos estudios es el
mainstream escogidos que tenderían
a tener una mirada más crítica
poco reconocimiento en la prensa de los debates los investigadores, esta oposición entre discursos porque oculta que la IA se constituye como un logro
de las empresas tecnológicas. En actuales sobre los efectos perjudiciales de la IA perpetúa una vieja escisión en la historia de las socio-técnico en que participan actores humanos
nuestro caso, encontramos diferentes
énfasis por cada medio pero que
(Brennen et al., 2018)1. Según Nguyen y Hekman articulaciones entre computación y sociedad. y no-humanos, y a su vez inhibe preguntas claves
pueden relacionarse más bien a los (2022) los medios tenderían a cubrir los beneficios Asociado a esto, investigaciones plantean que sobre rendición de cuentas y responsabilidad de
diferentes volúmenes de noticias de
cada medio en el corpus. Para los
económicos de las tecnologías por sobre los daños la prensa tiende a crear la expectativa de una tales actores.
autores, la orientación política de societales, ecológicos e individuales, ya sean “pseudo-IA general” que tiende a oscurecer, más
cada medio influye en la cobertura
sobre la IA ya que los medios de
actuales o potenciales, y muchas veces cayendo que a clarificar el debate en torno a la IA (Brennen Estas investigaciones dan cuenta de diferentes
derecha hicieron mayor hincapié en en overhyping de tales beneficios y riesgos. et al., 2022). Para Bunz y Braghieri fue común formas de cubrir la IA en la prensa, desde marcos
la economía y la geopolítica en torno
a la IA, mientras que los medios más
Sin embargo, estos autores evidencian que la encontrar representaciones de la IA en el área centrados en futuras amenazas existenciales de
cercanos a la izquierda destacaron prensa estaría comenzando a ser más crítica de médica como una entidad superior, de mayor una IA general, a marcos que enfatizan actuales
más las preocupaciones éticas.
Algo similar encuentran Nguyen y
la IA, ya sea ocupando más palabras con un tono consistencia y precisión que el juicio de doctores. casos de discriminación algorítmica o avances
Hekman (2022) al evidenciar que los negativo a lo largo del tiempo o mencionando De ahí que constantemente la IA también aparezca tecnológicos. Asimismo, esta literatura nos entrega
medios “mainstream” tenderían a
ser más negativos al reportear sobre
más frecuentemente los riesgos asociados al en la prensa como una entidad que reemplazará luces sobre una creciente criticidad de la prensa
IA que otros medios especializados desarrollo de la IA (Nguyen and Hekman, 2022, p. o tomará los empleos de humanos. Además, los sobre la IA así como enmarcamientos que pueden
en tecnología (Wired y Gizmodo).
Los autores sugieren que esto se
13). Por su parte, analizando un gran corpus de casi investigadores discuten que la prensa también hace afectar los imaginarios que se tiene de ella. Sin
podría explicar por la tendencia 30 mil artículos de prensa sobre IA, Crépel y sus una personificación de la IA o antropomorfización embargo, todas estas investigaciones se centran
política progresista de los medios
mainstream escogidos que tenderían
colegas (Crépel et al., 2021; Crépel & Cardon, 2021) que puede llevar a simplificar en exceso la discusión en países del Norte global y se basan en medios de
a tener una mirada más crítica de las identificaron dos regímenes dominantes de crítica pública e influenciar negativamente la percepción habla inglesa, lo que abre la interrogante por cómo
empresas tecnológicas. En nuestro
caso, encontramos diferentes énfasis
sobre la IA: el miedo a los robots a largo plazo, de las personas sobre el uso de IA en el área de se congraficó la cobertura informativa en países
por cada medio pero que pueden imaginando una cierta personificación y autonomía la salud. Este enmarcamiento de la superioridad del Sur global dentro de Latinoamérica, y cómo
relacionarse más bien a los diferentes
volúmenes de noticias de cada medio
de la IA, y la crítica a los algoritmos por sus sesgos de la IA versus humanos, como discuten Nguyen y esta cobertura mediática moldea las percepciones,
en el corpus. o discriminaciones ancladas en el presente. Para Hekman (2022, p. 3), sería altamente problemático expectativas y el futuro de la IA en tales países.

144 145
 Construcción de un corpus de noticias sobre IA en Chile
Para conocer cómo la prensa chilena ha cubierto, enmarcado y
problematizado la IA, construimos un corpus de noticias utilizando la
interfaz Nexis Uni del agregador y proveedor de noticias LexisNexis.
Siguiendo ejemplos de la literatura, delimitamos la búsqueda a
conceptos claves asociados con IA para abarcar un amplio número
2. En concreto, nuestra búsqueda
incluyó los siguientes términos: “IA”
de noticias2. La búsqueda se limitó a los cuatro periódicos chilenos
OR “ IA “ OR “ I.A. “ OR “algoritmo” disponibles en la base de datos de Nexis Uni: Diario Financiero, El
OR “aprendizaje automatizado” OR
“redes neuronales” OR “aprendizaje
Mercurio, La Cuarta y La Tercera. Si bien estos periódicos no cubren
profundo” or “artificial intelligence” todo el espectro de medios en Chile3, ofrecen un panorama general
OR “ AI “ OR “ A.I. “ OR “algorithm”
OR “machine learning” OR “deep
suficiente para las pretensiones del estudio. Futuras investigaciones
learning” OR “neural network”. Esta podrían experimentar incluyendo más medios para así lograr una mayor
se basa en la búsqueda definida por
Crépel et al. (2021), y nos permitió
pluralidad en términos de tendencia política y propiedad económica.
capturar un mayor volumen de En términos temporales, la búsqueda se delimitó desde 2008 (el primer
noticias que solo buscando el
concepto “IA”.
artículo encontrado) hasta 2022. Lamentablemente, solo se encontraron
artículos de El Mercurio desde 2008 y los otros tres periódicos se
3. Los cuatro periódicos elegidos
son controlados por los principales
empiezan a archivar desde 2020.
grupos económicos del país.
El periodico El Mercurio, de
tendencia política de derecha,
Con el paquete LexisNexisTools (Gruber, 2017/2023) se convirtieron
fue fundado en Santiago en 1900 los archivos descargados en bruto en un formato de tabla para su
por Agustín Edwards Mac-Clure
y en la actualidad es propiedad
procesamiento, conformando una base de datos de 4021 noticias.
de El Mercurio Sociedad Anónima Posteriormente, el conjunto de datos se limpió en varios pasos4 para
Periodística (El Mercurio S.A.P.),
una empresa chilena de medios
que sólo contuviera artículos de noticias que mencionaran a la IA y
de comunicación, propiedad de tecnologías asociadas. Luego de la limpieza de los datos, se llegó a una
la familia Edwards. Por su parte,
La Tercera y La Cuarta son de
muestra total de 2622 noticias. Revisando rápidamente el volumen de
propiedad del grupo COPESA, noticias a lo largo del tiempo podemos ver un gradual incremento en la
empresa chilena fundada en
1950 por la familia Picó Cañas y
cobertura noticiosa sobre IA y un salto en 2020, pero este se condice con
controlada en la actualidad por la inclusión de noticias de los otros medios.
el empresario Álvaro Saieh. Por
su parte Diario Financiero es un
periódico económico chileno
fundado en 1988 por un grupo
de periodistas provenientes del
cuerpo de Economía y Negocios
de El Mercurio. Actualmente
es controlado por el Grupo
Claro, creado por el empresario
Ricardo Claro Valdés en 1975. Los
cuatro periódicos elegidos son
controlados por los principales
grupos económicos del país.
El periodico El Mercurio, de
Gráfico E20: Noticias sobre IA según diario en Chile / Fuente: Nexis Uni
tendencia política de derecha,
fue fundado en Santiago en 1900
por Agustín Edwards Mac-Clure
y en la actualidad es propiedad
de El Mercurio Sociedad Anónima
Periodística (El Mercurio S.A.P.),
una empresa chilena de medios
de comunicación, propiedad de
la familia Edwards. Por su parte,
La Tercera y La Cuarta son de
propiedad del grupo COPESA,
empresa chilena fundada en
1950 por la familia Picó Cañas y
controlada en la actualidad por
el empresario Álvaro Saieh. Por
su parte Diario Financiero es un
periódico económico chileno
fundado en 1988 por un grupo
de periodistas provenientes del
cuerpo de Economía y Negocios
de El Mercurio. Actualmente es
controlado por el Grupo Claro,
creado por el empresario Ricardo
Claro Valdés en 1975.

4. Para ello, se excluyeron todos

los artículos de noticias que no
correspondían a temas sobre IA
(por ejemplo, noticias relacionadas
al artista Ai WeiWei, tenistas, el
movimiento político Izquierda Autó-
noma (IA) o el Festival Internacional
de Música Electroacústica de Chile,
Ai-maako). Asimismo, se excluyeron
artículos que correspondían a noti-
cias “minuto a minuto” por su larga
extensión y no centrarse en IA.

146 147
 Resultados
Para el análisis del corpus de noticias, combinamos una lectura
cercana y distante de los textos. Siguiendo una aproximación
de “texto como datos”, empleamos técnicas de procesamiento
de lenguaje natural (Benoit, 2020; Grimmer & Stewart, 2013).
En paralelo, fuimos seleccionando noticias claves que eran
representativas de tópicos o nudos críticos para su inspección
y armando un diccionario de cuestiones críticas en torno a la IA
para así obtener una mejor comprensión de los marcos y críticas
de la cobertura mediática de la IA.

Modelamiento de tópicos
Un primer análisis exploratorio y más inductivo a nuestro corpus
de noticias fue el modelamiento de tópicos. Esto en general
corresponde a una técnica de clasificación no supervisada
que permite estimar un set de tópicos o estructuras “latentes”
5. Para el modelo LDA, seguimos un
u “ocultas” en los textos basándose en la co-ocurrencia de
pre-procesamiento relativamente términos, sin tener que realizar un etiquetado o codificación también es importante destacar que un cúmulo de noticias
estándar en la literatura utilizando
funciones del paquete en R quanteda
manual de los textos (DiMaggio et al., 2013; Grimmer & Stewart, enactan de forma bien taxativa la relación humano-maquina:
(Benoit et al., 2018): Primero, 2013; Günther & Quandt, 2018; Jacobi et al., 2016). En nuestra “Los robots nunca superarán a los humanos”, “La inteligencia del
realizamos una tokenización del
corpus en que separamos el texto por
investigación realizamos dos modelamientos de tópicos. Primero ser humano nunca será superada ni controlada por la artificial” o
cada espacio para tener columnas aplicamos el modelo de Latent Dirichlet Allocation (LDA) (Blei, “Quién le teme a la IA”. Estos titulares sugieren una visión más bien
por cada término. Luego, removimos
todos los símbolos, puntuación,
2012) por su simpleza y popularidad en la literatura5. LDA asume tecno-optimista de la IA. Es más, en algunos de estos artículos se
URLs, números y palabras vacías que cada documento del corpus contiene una combinación plantean críticas a una mirada catastrofista de la IA.
(stopwords) que usualmente no
son informativas. Luego pasamos
de tópicos que se estiman según la coocurrencia de términos
a minúsculas todos los textos y en cada documento6. Posteriormente, realizamos un segundo Un segundo grupo que pudimos identificar fueron tópicos
realizamos un recorte a las palabras
(stemming). También transformamos
modelamiento con BERTopic (Grootendorst, 2022), que a en torno al mundo empresarial: Aquí destacan tópicos que
el texto al formato Latin-ASCII. Si bien diferencia de LDA, este modelo de redes neuronales considera abordan noticias sobre las grandes compañías tecnológicas
esto saca los tildes y símbolos como
la ñ, permite reducir la cantidad de
los embeddings de los textos, es decir, el contexto en el que se como Microsoft, Google, Apple, IBM, Facebook o Nvidia,
términos en la base de datos para su encuentra cada término7. Entre ambos modelos, nos encontramos emprendimientos tecnológicos y rondas de inversiones,
posterior procesamiento.
con varios tópicos similares, pero con diferentes grados de destacándose intensamente en el corpus de noticias el caso de
6. LDA parte del supuesto que se especificidad. NotCo, la compañía chilena que desarrolla alimentos en base
conoce como “bag of words” en que
no se incluye la ubicación o secuen-
a plantas usando IA. Otros tópicos se centran en noticias sobre
cia de las palabras dentro del texto. Más que describir todos los tópicos en detalle, aquí el impacto de la IA en el crecimiento económico (tópico 22) o
Para aminorar las consecuencias de
esto, revisamos e incluimos dentro
mencionaremos los tópicos más relevantes para la investigación cómo se está implementando en procesos de la industria, minería
del modelo LDA las colocaciones utilizando principalmente el modelo LDA de 30 tópicos, los cuales y logística (tópico 5), y en el retail, la banca y el e-commerce
o secuencias de palabras más fre-
cuentes obtenidas utilizando la fun-
los categorizamos en diferentes grupos de tópicos: (tópico 24). Considerando la prominencia de los tópicos de
ción text_collocations del paquete las tecnologías y el mundo empresarial, se puede sugerir que,
quanteda. Si bien sigue en discusión
el cómo definir la cantidad de
Un primer grupo de tópicos corresponden a noticias sobre similar a lo encontrado por Brennen et al (2018), la cobertura
tópicos en los modelos de LDA tecnologías e innovaciones digitales encontrándonos aquí con mediática de la IA en Chile pareciera estar altamente motivada
(Rabitz et al., 2021), en nuestro caso
revisamos diferentes métricas ofre-
noticias sobre lanzamientos de nuevos televisores, celulares o por el mundo privado, aunque esto también podría deberse a la
cidas en el paquete de R LDA tuning notebooks en eventos corporativos o ferias tecnológicas (tópico selección de los periódicos.
usando diferentes números de tó-
picos entre 5 a 50 y realizamos una
18); noticias sobre infraestructuras de telecomunicaciones como
comparación manual de resultados la red 5G y la fibra óptica (tópico 11); las plataformas de redes Un tercer grupo de tópicos corresponde a áreas de aplicación
en 5 tópicos (K=20, 25, 30, 35 y 40).
De la comparación manual pudimos
sociales (tópico 6). Dentro de este grupo incluimos noticias sobre de la IA. Aquí encontramos noticias de IA aplicada en educación,
interpretar de qué se trataban los Robótica (tópico 26) y Datos y algoritmos (tópico 9). Sobre estos agronomía, movilidad urbana9, juegos -y especialmente en
tópicos y escribir etiquetas a cada
uno de ellos. Finalmente, llegamos
últimos dos tópicos, en consonancia a lo encontrado por Crépel videojuegos de fútbol-, así como también noticias sobre
a la idea de que un K de 30 tópicos et al. (2021) se puede constatar una cierta diferencia entre aplicaciones de IA en el área de la salud para detectar
nos permite identificar tópicos
relevantes y coherentes.
aplicaciones de robótica conectadas al concepto de futuro, enfermedades o predecir la evolución de cánceres. De forma
mientras que las noticias representativas del tópico sobre datos parecida a lo discutido por Bunz y Braghieri (2022), algunas
7. A diferencia de LDA, BERTopic
combina todos los documentos y
y algoritmos se centran en sistemas de decisión automatizada noticias en estos tópicos enmarcan una competencia entre
luego identifica clusters relevantes o modelos de predicción de lluvias o alza de contagios (Quizás humanos y máquinas con titulares como “A veces, la IA les gana 9. Este tópico resulta relevante
y evalúa los términos más importan- de profundizar porque
tes usando c-TDF-IDF, lo cual per-
el titular más representativo de esta diferencia es la noticia a los médicos en detección del cáncer de mama” o noticias sobre constantemente aparece el
mite que los conceptos asociados “El machine learning avanza en ciberseguridad, pero la real la victoria de la IA sobre jugadores avezados en juegos como concepto de ciudad como
a cada tópico sean más coherentes relevante, pero se encuentran
entre sí y fáciles de interpretar. Me-
inteligencia artificial sigue lejos”) el Ajedrez o el Go. Algo no considerado en la literatura, es que noticias sobre el desarrollo de los
diante el modelo con BERTopic se en el tópico sobre agronomía se destaca como la IA, sensores autos autónomos y eléctricos. Es
detectaron 37 tópicos en el corpus. curioso que es en este tópico donde
Los artículos sobre robótica, en cambio, enfatizan en la pregunta y satélites pueden ayudar a optimizar el uso de energía y agua, aparece el concepto de “ciudad” y
8. Por ejemplo, destaca la noticia sobre si los robots superarán a los humanos o serán capaces de así como también noticias sobre como la IA puede contribuir a se encuentra altamente asociado a
“Experta en IA: “antropomorfizar los vehículos, incluyéndose noticias
hasta proyectar responsabilidades
experimentar emociones, así como también los riesgos8, pero por revertir la crisis climática, prevenir incendios y enfrentar la sequía. que abordan futuros basados
en un robot supone un gran riesgo sobre todo, los beneficios de antropomorfizar a las máquinas En este sentido, la cobertura mediática de la IA tiende a cubrir sus en la electromovilidad y pilotos
para la sociedad”” que consiste en automáticos, sin considerar usos de
una entrevista a la doctora en infor-
(“Los robots con aspecto humano podrían dar un salto para ser aplicaciones para la maximización de recursos sin abordar los IA para contribuir a otras formas de
mática Laurence Devillers. multifuncionales y también más baratos”). Dentro de este tópico propios costos ecológicos que supone la IA (Crawford, 2021). movilidad.

148 149
 Otro grupo de tópicos corresponde a noticias sobre Artes,
Humanidades y el Derecho. Las artes (tópico 15) aparecen como
un tópico prominente dentro del corpus, con reportajes y críticas
sobre películas, novelas y obras de teatro del género de la ciencia
ficción o que o abordan la temática de la IA de forma crítica10.
Un segundo tópico relevante dentro este grupo corresponde a
reportajes sobre Filosofía e IA, incluyendo críticas de libros y
entrevistas a intelectuales11. Salvo por un par de noticias que
mencionan el valioso trabajo de la argentina Flavia Costa o la
profesora de nuevos medios Wendy Chun, llama la atención la
falta de mujeres en la cobertura mediática de la IA dentro de este
tópico y la prominencia de autores hombres extranjeros. Un tercer
tópico clave aquí fue sobre el Derecho e IA, encontrándonos
fundamentalmente con noticias sobre protección de datos
personales y ciberseguridad. En particular varias de estas noticias
discuten la falta de una entidad autónoma de la protección de los
datos personales en el país.

Otro grupo de tópicos corresponde al Estado y política,

identificando dentro de un mismo tópico a iniciativas del
gobierno, el senado y el debate constitucional. Otro tópico de
mayor proporción dentro del corpus aborda el desarrollo de las
políticas del MinCiencias como las políticas nacionales de CTCI
e IA lo cual indica que constituyen un hito importante no solo a
nivel del Estado, sino que también para la discusión de IA en los
medios12.

Aproximación por diccionario

Mientras que el modelamiento de tópicos nos permitió
tener una rápida lectura distante del corpus e identificar los
tópicos generales, no resultó tan fructífero para identificar
10. Ya sea mencionando la obra enmarcamientos y criticidad. Por ello se hizo necesario una
de Russell y Whitehead “Principia lectura cercana de las noticias para ganar una comprensión más
Mathematica”, obras de teatro
futuristas o de ciencia ficción como densa de la cobertura mediática de la IA. En esta lectura cercana,
“6P NB 1A” dirigida por Javier Ibarra seleccionamos artículos según palabras clave que nos indicaban
y Lía Misraji o “Réplica” de Francisco
Krebs, o novelas como “Klara y el la presencia de perspectivas críticas dentro de las noticias. Junto
sol” de Kazuo Ishiguro y The Blazing con ello, fuimos creando nuestro propio diccionario de criticidad
World de Siri Hustvedt, vemos que
las artes han estado continuamente para analizar las noticias.
marcando el imaginario sobre la
IA y con ello también la cobertura
mediática de la IA. En este diccionario, combinamos los términos que fuimos
encontrando con algunas de las categorías sugeridas en
11. Aquí nos encontramos con
reportajes y entrevistas con actores tres textos fundamentalmente: (1) el marco de la IA opresiva
como Yuval Noah Harari, Luc Ferry, desarrollado por Joana Varón y Paz Peña (2022), (2) el Data Harm
Eric Sadin, Byung-Chul Han, Niall
Ferguson, Juan de Dios Vial Larraín, Record del Data Justice Lab (Dencik et al., 2022) en que elaboran
así como también columnas de una taxonomía de daños causados por los usos de sistemas
opinión que incluyen reflexiones
filosóficas de Jorge Acevedo o José algorítmicos, y (3) el trabajo de Nguyen y Hekman (2022) en que
Joaquin Brunner discutiendo las
implicancias de la IA y la técnica en
describen “riesgos de datos”. Si bien estas categorías pueden
general en las sociedades contem- terminar reduciendo áreas emergentes de la sociedad datificada,
poráneas. son de gran utilidad en términos analíticos para detectar las
12. Otros tópicos no discutidos aquí categorías prominentes en la cobertura mediática de la IA en
corresponden a eventos de divul- Chile y seguir sus cambios en el tiempo dentro de nuestro corpus.
gación científica como el Congreso
Futuro organizado por la Funda-
ción Encuentros del Futuro junto
a la Comisión Desafíos del Futuro
del Senado, y en menor medida
noticias sobre el Festival Puerto
Ideas. Este tópico manifiesta no
solo el carácter noticioso de estos
eventos sino también el rol clave
de estas instancias y actores en el
Gráfico E20b. Tópicos principales categorizados según modelo
moldeamiento del imaginario sobre
IA en Chile. Luego tenemos tópicos
sobre eventos como las tensiones
entre China y EE. UU. (tópico 18) o la
pandemia del covid-19 (tópico 26)
y otros tópicos de difícil interpreta-
ción (tópicos 7, 16, 17 y 19).

150 151
 Gráfico E21: Frecuencia de menciones de nudos críticos en torno a la IA / Fuente: ILIA 2023 Gráfico E22: Frecuencia de menciones de nudos críticos
en torno a la IA en serie de tiempo / Fuente: ILIA 2023

Gracias a este análisis, pudimos constatar una mayor prominencia

de menciones a conceptos asociados al nudo crítico sobre
invasión a la privacidad y la protección de los datos personales,
destacándose las menciones al concepto de ciberseguridad.
Como señalamos anteriormente, este nudo también apareció
en el modelamiento de tópicos principalmente asociado al
tópico de la IA y el derecho13. Otra categoría importante en la
cobertura mediática de la IA fue la de daño socio-ambiental,
aunque aquí la gran mayoría de las menciones corresponden
al concepto de cambio climático por sobre otros como el
extractivismo o el colonialismo. Esto puede indicar de nuevo
que las noticias principalmente hablan de la IA como solución
para el cambio climático (ej. “Las soluciones tecnológicas que
buscan combatir el cambio climático”), sin atender muchas veces
a las consecuencias y daños ecológicos de los ensamblajes
de la IA sobre el planeta. Luego se observan varias menciones 13. Esto es razonable de esperar,
toda vez que la movilización de
a la categoría de manipulación y desórdenes informativos, críticas en torno a las tecnologías
destacándose conceptos como la desinformación y las noticias digitales en los últimos años se ha
centrado en derechos de autor y la
falsas. Estas menciones se encuentran principalmente en protección de los datos y solo más
noticias sobre plataformas de redes sociales en temas como recientemente se ha comenzado a
abordar problemáticas asociadas
experimentos de contagio emocional sin consentimiento, al diseño e implementación de
manipulación de algoritmos o los deep fakes. Con un menor sistemas algorítmicos y la IA.

152 153
 volumen de menciones, nos encontramos con menciones a
formas de discriminación de género, destacándose aquí noticias
sobre la política del MinCiencias para reducir brechas de género
en ciencia y tecnología. Y es llamativa la escasa discusión en
la cobertura mediática de la IA de otros nudos críticos como
discriminaciones por raza o etnia, precarización laboral14 y falta
de transparencia y accountability de la IA. Esto puede indicar que
a pesar de una relativamente alta y constante mención a la ética,
en las noticias no se han cubierto los conflictos y nudos críticos
más concretos sobre la IA.

Conclusiones
Del modelamiento de tópicos y el análisis de nuestro diccionario
de nudos críticos de la IA podemos desprender cuatro ideas:
En primer lugar, tal como sugieren Nguyen y Hekman (2022),
se confirma que la IA dejó de ser un tema de nicho, pasando a
permear variadas áreas de la vida social. Esto nos plantea que al
igual que lo digital, pareciera ser que la IA se establece como un
“hecho social total” (Marres, 2017) mediando en diversas áreas de
la sociedad de forma integral.

En segundo lugar, se observa la importante prominencia de

tópicos asociados a las tecnologías, economía y al mundo
empresarial, que plantea la interrogante por la falta de visibilidad
en la prensa de las iniciativas del Estado, universidades y
organizaciones de la sociedad civil en materia de IA. Si bien se
encontraron dos tópicos que incluían noticias sobre iniciativas y
políticas del Estado, falta visibilidad sobre cómo el Estado está
precisamente utilizando sistemas algorítmicos o aplicaciones
basadas en IA y abrirlos al escrutinio público.

En tercer lugar, encontramos un bajo nivel de criticidad en

el corpus de noticias. Salvo por los tópicos de las artes,
humanidades y el derecho, observamos una baja presencia
de crítica dentro de los tópicos y pocas menciones a los nudos
críticos en torno a la IA. La importancia de las artes en las noticias
sobre IA sugiere que allí radica una interesante vía por como
los gobiernos pueden potenciar una mayor conciencia, nuevos
imaginarios y pensamiento crítico sobre las implicancias de la
IA en la sociedad. A su vez es importante destacar que en otros
países el rol del periodismo investigativo ha sido clave para
visibilizar formas de discriminación algorítmica que no parecen
estar ocurriendo en la cobertura mediática de la IA en la muestra
de medios revisados.

En cuarto lugar, y conectado a lo anterior, de nuestro análisis

cualitativo de los contenidos de las noticias, consideramos que en
general se observa una mirada entusiasta sobre los avances de la
IA que puede sugerir un tecno-solucionismo en el modo en que la
prensa enmarca la IA en Chile. Más que abordar la IA y tecnología
digitales asociadas como solución, se debe problematizar sus
implicancias societales, de ahí la importancia de visibilizar y
potenciar el rol de las artes y humanidades en promover visiones
14. Al respecto, uno de los tópicos y futuros críticos de la IA. Siguiendo la evolución en el tiempo
en el modelo LDA corresponde
al futuro del trabajo, pero se
de las menciones a nudos críticos de la IA, se puede esperar
enfatiza más bien en el uso de IA que la cobertura mediática chilena sobre la IA sea más alta en
en procesos de reclutamiento y
gestión de talento, así como las
los próximos años, especialmente con los modelos grandes de
nuevas competencias y habilidades lenguaje natural y los nudos críticos aparezcan con mayor fuerza.
que se demandan en el mercado
laboral, y en general se enfatiza
en una visión optimista sobre el
impacto de la IA en el empleo (ej.
“Más empleos y riqueza de la mano
de la IA”).

154 155
Futuro de la F.1
Inteligencia Presentación del capítulo

Artificial en Este capítulo se propone analizar en profundidad

las proyecciones futuras de la IA para América
Latina y el Caribe en un contexto global. Se buscará

Latinoamérica determinar cómo la región puede aprovechar

al máximo el potencial de esta tecnología en el
marco de sus sistemas nacionales de innovación.
Asimismo, se examinarán las barreras y obstáculos
Capítulo F que puedan estar frenando el desarrollo pleno
de la IA en la región. Por otra parte, se ofrece una
visión del estado del arte y la práctica en las que se
consideran tendencias dominantes de la disciplina
desde la perspectiva académica, y se proponen
elementos a los cuales poner atención en los
próximos años, particularmente desde el contexto
regional.

El enfoque metodológico empleado en la primera

sección considera la participación activa de
expertos y actores clave de la industria en
Latinoamérica y la combinación de métodos de
análisis para su interpretación y síntesis. De esta
manera, se asegurará una comprensión holística
y contextualizada de la situación de la IA en la
región. En la segunda sección, se realizó una
revisión de literatura y se convocaron académicos
y académicas con trayectoria para consultar las
tendencias más relevantes.

Este capítulo busca contribuir al fortalecimiento

de la IA en Latinoamérica y fomentar su
participación activa en futuros informes globales.
Tanto los hallazgos identificados en los espacios
participativos como también en la reflexión de
académicos respecto a tendencias científicas
relevantes, reflejan que los desafíos globales de
la IA son similares a los que se identifican para
la región, pero que adquieren ciertos elementos
particulares cuando se analizan bajo la óptica
local. Desarrollar sistemas basados en datos
únicos, construir esquemas de gobernanza y
regulación multilateral, o invertir en conectividad
e infraestructura para reducir las brechas, son
algunos de los desafíos globales que deben ser
abordados considerando el contexto regional.

156 157
F.2
Principales Hallazgos
Priorizar la inversión en conectividad y capacidad de cómputo
de la región. Es urgente que la región invierta en reducir las
brechas en conectividad y el acceso a cómputo especializado,
sin depender de corporaciones del Norte Global. En particular,
se plantea la necesidad de fortalecer el acceso a internet de
alta velocidad para no aumentar desigualdades estructurales y
permitir una implementación efectiva de la IA.
Existe una preocupación transversal por el creciente poder
de las corporaciones. Se discutió la necesidad de establecer
marcos regulatorios adecuados para proteger los derechos de las
personas, evitar sesgos algorítmicos y garantizar la transparencia
y rendición de cuentas en el uso de la IA, especialmente por
el control ejercido por las corporaciones que desarrollan los
sistemas y su preponderancia en el Norte Global.

Fortalecer los sistemas educativos en forma integral de manera
urgente. Un enfoque educativo sólido y continuo es esencial
para enfrentar los retos que plantea la IA, desde la etapa inicial
hasta los mecanismos de reconversión laboral. Esta estrategia
se revela como clave no sólo para enfrentar la automatización,
sino también para combatir la fuga de talento, impulsar la I+D+i,
impactando en las matrices productivas de la región.
La IA puede ampliar las brechas de la región si no se atienden
las condiciones estructurales que las generan. Se destacaron
las brechas existentes en términos de capacidades, acceso a
la tecnología y recursos financieros en Latinoamérica. Las y los
expertos expresaron su preocupación por la posibilidad de que la
adopción de la IA profundice las desigualdades, tanto a nivel de
países (desarrollados vs. el resto) como a nivel de los individuos.

Fomentar la colaboración transfronteriza y generar repositorios
de datos regionales: Las y los expertos resaltaron la importancia
de establecer colaboraciones multiculturales entre países para
contar con repositorios de datos más completos. La diversidad
en la región permite desarrollar sistemas de IA que reflejen las
particularidades y desafíos específicos de cada país y recojan
elementos comunes regionales.
Fortalecer la cooperación regional a nivel de gobernanza
e investigación. Se enfatizó la necesidad de fortalecer la
cooperación regional para evitar el colonialismo tecnológico y
regulatorio. Al colaborar entre países, se protegen los intereses
de la región. Para esto se plantea la creación de institucionalidad
multilateral que coordine y financie investigación en torno
a desafíos regionales y promueva una reflexión regulatoria
armónica con la idiosincrasia de cada país.
Avanzar urgentemente en regulación de la IA o de los sectores
críticos que puedan ser afectados por esta. Las y los expertos
enfatizan la necesidad apremiante de una regulación sólida que
aborde los riesgos y desafíos de la IA antes de que estos superen
las oportunidades en la región. Protección de datos, transparencia
y gobernanza multilateral son clave y urgentes. Es necesario que
en este proceso se aprenda de la experiencia regulatoria del
Norte Global sin caer en una mimetización.
Se debe trabajar en una institucionalidad que permita la
colaboración de la industria, el sector público y la academia.
Los grupos focales resaltaron la importancia de la colaboración
entre los actores del sector público, privado y académico para
impulsar el desarrollo de la IA. Sin embargo, se discutió la falta
de esquemas de colaboración, los incentivos desalineados, la
ausencia de financiamiento, la ausencia de institucionalidad y la
desconfianza.
La corrupción y falta de confianza emergen como riesgos
significativos para el desarrollo ético de la IA. La preocupante
debilidad institucional y la corrupción han socavado la confianza
ciudadana, lo cual impacta directamente en el desarrollo de
los ecosistemas de innovación. Es fundamental abordar estas
cuestiones para fomentar un ambiente propicio que garantice el
uso ético y responsable de la IA en Latinoamérica, promoviendo
una mayor colaboración entre los distintos actores para superar
estos desafíos.

Promover desarrollos basados en características únicas de la

región. Se subrayó la importancia de fomentar sistemas de Ia
basados en características únicas. Aprovechar la diversidad
de idiomas, biodiversidad y uso de energías renovables puede
impulsar proyectos innovadores y sostenibles en el campo de la
IA y generar ventajas competitivas a nivel global.

Promover el desarrollo y uso de IA orientados a desafíos

sociales. Se enfatizó la importancia de establecer orientaciones
e incentivos para aprovechar el potencial que tiene la IA de
transformar la sociedad latinoamericana de diversas maneras,
desde la mejora de los servicios públicos hasta el impulso de la
innovación en diferentes sectores.

158 159

F.3
Metodología y resultados
Para la elaboración de este capítulo, se identificaron
cuáles eran los ámbitos donde la IA podría tener
un impacto más significativo considerando el
contexto latinoamericano. Se definieron 6 ámbitos
específicos:
A. Educación
B. Salud
C. Participación ciudadana y democracia
D. Cambio climático y biodiversidad
E. Automatización
F. Investigación académica
Estos tópicos fueron definidos a través de consultas
a informantes clave del sector público, privado,
academia y organismos internacionales en América
Latina, siendo identificados como aquellos donde
existe más potencial de impacto de la IA en la vida
social.
Para cada tópico específico se convocó un grupo
de expertos y expertas para participar en un grupo
focal, donde se discutió en torno a los escenario
futuros, optimistas y pesimistas, los elementos que
condicionarán alcanzar cada uno de los escenarios,
y el papel de América Latina en el panorama
global de la IA. En los grupos focales participaron
expertos y expertas de Bolivia, Chile, Colombia,
México, Argentina, Brasil, Costa Rica y Uruguay.
La diversidad de países presentes en la discusión
permitió una aproximación regional, que recogiendo
las vivencias y contextos específicos de cada
participante, permite una visión general sobre los
desafíos que se exponen a continuación:
A. Educación
Se abordó un escenario optimista respecto a la
personalización del aprendizaje. Se exploraron
posibilidades de potenciar el desarrollo de
habilidades y del cambio del rol docente a
mentores y acompañantes en la experiencia de
aprendizaje de las y los estudiantes. Asimismo, se
discutió sobre el potencial de nuevas herramientas
que permitan una educación más global, como la
traducción instantánea, y cómo esto podría mejorar
el acceso.
Por otro lado, las y los expertos manifestaron su
preocupación acerca de cómo la personalización
y el uso de tecnología podrían impactar en el
desarrollo socioemocional de los niños. Esto
podría llevar a una reducción en el espacio para
la contextualización del aprendizaje y a una
exacerbación de la individualidad por encima del
aspecto social. Además, surgió la inquietud sobre
una posible disminución del interés en la carrera
docente debido a la automatización de ciertos
procesos, lo que a largo plazo podría profundizar la
desigualdad al limitar el acceso a la tecnología y
exacerbar las brechas sociales
Uno de los desafíos planteados fue la necesidad de
contar con docentes altamente capacitados para
utilizar la tecnología de manera efectiva y guiar
a los estudiantes en su uso. Esto se relaciona con
la importancia de potenciar habilidades mínimas
y transversales para fomentar una apropiación
adecuada de los sistemas tecnológicos. En el
contexto de Latinoamérica, este desafío se vuelve
especialmente agudo debido a la existente brecha
de docentes, en particular en áreas relacionadas
con la tecnología. Asimismo, se planteó la
necesidad de establecer mecanismos que permitan
a la región no depender exclusivamente de los
países desarrollados, para evitar nuevas formas de
colonialismo tecnológico.
constató que el capital social de las familias incide
en la capacidad de adoptar estas tecnologías, lo
que podría agravar problemas estructurales de las
sociedades latinoamericanas.
En términos de oportunidades, se enfatizó en la
riqueza y diversidad cultural de Latinoamérica,
así como en el idioma común que se habla en
gran parte del continente. Esto podría significar
un elemento distintivo para entrenar sistemas
y desarrollar una visión propia sobre la IA en la
educación a escala regional. También se planteó
la posibilidad de desarrollar herramientas de
monitoreo y control de aula que apoyen la labor
docente. Además, se consideraron herramientas
que permitan automatizar procesos como las
evaluaciones, lo que liberaría tiempo de los
docentes en ese tipo de actividades.
Finalmente, se reflexionó sobre cómo debería
cambiar la forma en que se piensa la educación
y la tecnología. Se propone una visión donde la
educación integre y guíe el uso adecuado de la
tecnología. Esto implica un llamado a pensar de
manera holística cómo incorporar los nuevos
sistemas en los circuitos educativos, que varían
significativamente según los ingresos y recursos
de los hogares, así como entre contextos
rurales y urbanos, las jerarquías presentes en
los establecimientos y las distintas filosofías
educativas. Se destaca la importancia de adaptar
la tecnología para fortalecer los procesos de
aprendizaje, fomentar la equidad y enriquecer la
experiencia educativa, respetando la diversidad y
particularidades de cada entorno educacional.

En relación a lo anterior, se discutió sobre el

papel de los docentes más allá de impartir
contenidos. Se enfatizó que las y los educadores
deben adaptarse para asumir un rol más social,
fundamentado en la experiencia física y palpable
del mundo. Esto implica la necesidad de desarrollar
habilidades digitales en los docentes y promover el
pensamiento crítico y aspectos éticos relacionados
con la tecnología, lo cual requerirá cambios en los
planes de estudio de la formación docente.
Uno de los desafíos más apremiantes identificados
fue la democratización del acceso a factores
habilitantes básicos como la conectividad y la
capacidad de cómputo. Se mencionaron países
de Latinoamérica donde los establecimientos
educacionales carecen de acceso a internet o
incluso de electricidad, lo cual impide aprovechar
los beneficios de la IA. En la misma línea, se

160 161
B. Salud
Se abordó un escenario optimista en el cual la
combinación de nanotecnología e inteligencia
artificial generaría un sistema inmune artificial
altamente efectivo para combatir enfermedades,
especialmente el cáncer. También se exploró la
posibilidad de una medicina personalizada, que
monitoree constantemente datos vitales para
prevenir problemas de salud, y la incorporación
de robots de alta precisión en los tratamientos
médicos. Asimismo, se discutió la perspectiva
de mejorar las capacidades cognitivas mediante
sistemas de IA.
Por otro lado, se planteó la preocupación acerca
de una creciente desigualdad en la que el acceso a
estos sistemas podría determinar distintos niveles
de capacidad en las personas. Esta desigualdad no
solo se vincularía con temas socioeconómicos, sino
también con la representación de diversos grupos
en los datos utilizados para entrenar los sistemas
de IA. Además, se mencionó la posibilidad de que
la automatización en el tamizaje y el reemplazo de
médicos como primer contacto en la atención de
salud genere temor en la población y resistencia
entre los profesionales de la salud.
Se consideraron avances relevantes en los próximos
años como la cirugía robótica de alta precisión, el
uso de IA en el diseño de nuevos fármacos (tanto
personalizados como genéricos) y la realidad
aumentada y virtual integrada con sistemas de IA
para entrenamiento, procedimientos y apoyo en
el diagnóstico médico, aunque ninguno de estos
desarrollos se asoció específicamente con la región
de Latinoamérica. Por lo tanto, surgió el desafío de
no solo ser consumidores de tecnología, sino buscar
oportunidades únicas donde Latinoamérica pueda
aportar más que solo la adaptación de tecnologías
ya existentes.
A partir de ello se abordó la oportunidad que existe
en Latinoamérica de entrenar modelos en otros
idiomas y contextos culturales. Además, la región
cuenta con enfermedades específicas y poco
estudiadas (como el Chikungunya) que podrían
contribuir al desarrollo de sistemas más robustos.
Asimismo, existen elementos comunes en términos
de alimentación y enfermedades prevalentes que
podrían facilitar la adaptación y desarrollo de
sistemas de IA en salud específicos para la región.
Se identificaron barreras relevantes, entre ellas
el posible rechazo de algunos profesionales de
la salud hacia la implementación de sistemas de
IA, especialmente en roles de tamizaje inicial y
atención primaria. No obstante, se analizó que,
dada la falta de profesionales de la salud en la
región, la implementación adecuada de sistemas
de IA podría convertirse en una oportunidad para
mejorar la capacidad de atención.
162
A nivel administrativo y financiero, se señaló
la importancia de establecer marcos de
gobernanza e institucionalidad que protejan
los datos de los individuos, pero que también
fomenten la innovación en el ámbito de la salud
en Latinoamérica. Existe un déficit importante
en recursos financieros para la investigación
y el desarrollo, en comparación con países
desarrollados. Además, se planteó la necesidad
de mejorar los modelos de colaboración entre la
industria y la academia en la región.
Se destaca el posible impacto negativo en el
desarrollo de sistemas de IA en salud específicos
para Latinoamérica. Los modelos basados en
datos predominantemente del Norte Global
podrían tener un bajo rendimiento en regiones del
Sur Global, como Latinoamérica, donde existen
diferentes enfermedades, climas y condiciones
socioeconómicas. Por tanto, la adaptación o
desarrollo de modelos locales se presenta como
una oportunidad importante que, con los recursos
adecuados, debe fomentarse en la región.
En línea con lo anterior, se enfatiza la necesidad de
establecer redes de colaboración a nivel regional
entre la academia, el sector público y la industria
en el ámbito de la salud. Se mencionaron iniciativas
que promuevan estudios interculturales y avancen
en la digitalización de los datos de salud, tanto
a nivel nacional como regional, para mejorar el
acceso y el intercambio de información relevante
en el campo de la inteligencia artificial aplicada a la
salud en Latinoamérica.
C. Participación ciudadana
Se discutió en torno a un escenario optimista en el Un mecanismo de fortalecimiento propuesto en esa
cual los sistemas de gobierno y políticas públicas línea es que los sistemas de IA pueden ser utilizados
se basarían en mayor medida en evidencia, lo que para mejorar la transparencia y rendición de cuentas
podría impulsar una ciudadanía más informada y hacia la ciudadanía. Si se aplican de manera ética y
comprometida con la toma de decisiones. responsable, estos sistemas pueden convertirse en
Además, se discutieron elementos que los herramientas para combatir la corrupción, aumentar
participantes no pudieron clasificar claramente la confianza en las instituciones gubernamentales
como positivos o negativos. Uno de estos elementos y promover la participación y comprensión de los
fue la automatización de decisiones a través, en lugar procesos políticos.
de depender únicamente de decisiones humanas.
Esto podría significar el fin de la democracia Se identificó como un desafío tanto global
representativa tal como se conoce, dando paso a como regional el desarrollo de capacidades y
estructuras basadas en datos generados por los conocimientos en el aparato público para adquirir y/o
ciudadanos. desarrollar sistemas de IA. Aunque existen iniciativas
exitosas en la región, como el Proyecto de Algoritmos
Esta posibilidad presenta el potencial de distribuir el Éticos, Responsables y Transparentes en Chile o la
poder entre los ciudadanos y acercarse a modelos estrategia de la Agencia de Gobierno Electrónico y
más directos, pero también plantea el desafío de Sociedad de la Información y del Conocimiento en
asegurar que los sistemas de IA no sustituyan la Uruguay, se subrayó la necesidad de fortalecer la
voluntad humana y que no se utilicen datos de institucionalidad y la normativa para enfrentar este
comportamiento de manera manipulativa. Ante esto, desafío.
se consideró que si los procesos no avanzan en el
campo de la transparencia y explicación, podrían Específicamente en el ámbito de la participación
volverse cada vez más opacos, lo que eliminaría ciudadana, se observó que los sistemas de IA pueden
cualquier posibilidad de rendición de cuentas por contribuir no solo al procesamiento de grandes
parte del Estado hacia los ciudadanos. volúmenes de información cualitativa, sino también
a proporcionar a legisladores y formuladores
Por otro lado, se expresó preocupación sobre el de políticas públicas mejor información sobre
dominio de grandes corporaciones y una filosofía posiciones y propuestas ciudadanas.
data-céntrica. Esto podría poner en entredicho
a individuos o grupos que no generen los datos
esperados y resultar en mecanismos de control
y exclusión disfrazados de objetividad técnica y
matemática.
Ante esto, se discutió la necesidad de avanzar
en regulaciones tanto para los sistemas de IA
como para la protección de datos personales, la
ciberseguridad y las compras públicas, entre otras
áreas relevantes. No obstante, se reconoció el poder
que tienen las corporaciones y la influencia de las
regulaciones provenientes de países desarrollados.
Esto podría ejercer presión para que Latinoamérica
adopte marcos normativos que no se ajusten a sus
características socioculturales. Para contrarrestar
este riesgo de excesivo colonialismo tecnológico y
regulatorio, se destacó la importancia de una mayor
colaboración regional y el fortalecimiento de los
marcos institucionales.
163
D. Cambio climático
En el escenario optimista planteado al principio
de la discusión los sistemas de IA permiten
anticipar y gestionar catástrofes naturales de
manera más efectiva, lo que facilita el desarrollo
de infraestructuras más resilientes ante eventos
climáticos extremos. Asimismo, la IA contribuye a
mitigar los impactos medioambientales, fomentando
un uso más eficiente de la energía.
Por otro lado, se discutió la posibilidad de una
desconexión progresiva de los seres humanos de los
ecosistemas naturales, reduciendo la interacción
con el entorno vivo a meros análisis de datos y
sistemas digitales. Esto podría acelerar procesos
degenerativos en los ecosistemas sin ser advertidos
hasta ser irreversible. Además, se advirtió sobre el
exceso de confianza en la tecnología y la aparente
objetividad de los sistemas algorítmicos, lo que
podría aumentar la opacidad y ocultar sesgos,
impidiendo una respuesta oportuna por parte de las
sociedades ante las amenazas climáticas.
Se destacó la preocupación por avances
tecnológicos como los modelos de IA generativos,
que requieren grandes cantidades de energía para
su entrenamiento, lo que representa un riesgo global,
pero podría afectar de manera más aguda a países
más expuestos al cambio climático. Se hizo énfasis
en que la mayoría de los desarrollos de sistemas de
IA están motivados principalmente por incentivos
164
económicos y rara vez se consideran sus impactos en
el medio ambiente
Los participantes señalaron que la cultura de
Latinoamérica en relación con el medio ambiente es
única y podría ser una oportunidad para el desarrollo
de tecnologías centradas en la conservación y
remediación. La biodiversidad y la presencia de
ecosistemas únicos, como la región subantártica o
la selva amazónica, podrían ser habilitadores para
este tipo de desarrollos. Se consideró el desafío
que representa la prevalencia de las industrias
extractivas en la región y la dependencia de la
exportación de materias primas, pero también
se reconocen oportunidades para desarrollar
tecnologías que optimicen estos procesos
industriales y reducir su impacto ambiental, dada su
importancia en las economías de la región.
Además, se destacó la diversidad presente
en Latinoamérica como una oportunidad para
desarrollar tecnologías específicas para diversas
ecorregiones. Sin embargo, se señalaron los
obstáculos existentes en términos de financiamiento
para investigación, desarrollo, así como la fuga
de talento hacia el Norte Global. A esto se suman
brechas de infraestructura, como la conectividad y la
capacidad de cómputo local, que deben abordarse
para aprovechar plenamente el potencial de la IA en
la lucha contra el cambio climático en la región.
E. Automatización
Un proceso de automatización que liberaría a las
personas de trabajos indeseados, permitiéndoles
dedicarse a labores de su interés y disfrutar del
ocio, fue la proyección optimista que dió inicio a
la reflexión. Se vislumbra una mejora en la calidad
de vida, impulsada por una mayor productividad y
mejor distribución del ingreso. También se enfatizó
la capacidad de preservar la cultura y la memoria
histórica a través de las tecnologías digitales.
Sin embargo, la preocupante consolidación de
monopolios en grandes corporaciones de países
desarrollados podría traducirse en un control
dominante sobre las herramientas de IA y sus
aplicaciones, alcanzando un poder superior al
de los propios estados al controlar los factores
de producción esenciales para la humanidad.
Además, se advirtió que el acceso desigual a la
educación podría acentuar las brechas entre países
e individuos en la sociedad, generando perdedores
y ganadores en el proceso de automatización. Se
destacó que los procesos históricos de cambio
tecnológico siempre han sido vertiginosos e
incompletos, y que la aspiración de mayor equidad
y productividad podría nunca materializarse,
profundizando las desigualdades entre países
que desarrollan la tecnología y factores de
producción, y los que no. La región enfrenta una
situación colonial en el desarrollo tecnológico
en IA, con una integración insuficiente que deja
a los países aislados compitiendo con el Norte
Global y dificultando la emergencia de desarrollos
tecnológicos de vanguardia.
La educación se destaca como un aspecto crucial
a nivel global para aprovechar positivamente
la automatización de procesos, y surge con
especial importancia para América Latina,
donde la calidad de los sistemas educativos y la
falta de políticas para el desarrollo de talento
son brechas ineludibles. La escasez de capital
humano avanzado, la fuga de talento y currículums
deficientes en la educación primaria y secundaria
podrían aumentar la dependencia y precarización
laboral en el contexto de la automatización.
Para superar estos desafíos, es necesario que los
países de la región desarrollen políticas educativas
que abarquen desde la educación inicial hasta la
reconversión laboral. Sin embargo, las barreras
culturales y políticas, junto con altos niveles de
corrupción y baja confianza, dificultan la visión a
largo plazo y el compromiso entre los diferentes
sectores para mejorar el sistema educativo y
modernizar las estructuras productivas.
165
F. Investigación académica
Un elemento central de la visión optimista es la
apertura de nuevos campos y oportunidades de
desarrollo e innovación en conexión con la industria
a través de la IA. La capacidad analítica de la IA
permitiría a las y los científicos disponer de más
tiempo para abordar preguntas significativas.
Además, la academia podría utilizar esta tecnología
para enfrentar grandes desafíos de la sociedad,
como el cambio climático o la salud pública,
mejorando la calidad de vida.
En contrapartida, el poder de orientar la
investigación estaría concentrado en unas pocas
instituciones con el conocimiento y capacidades,
lo que aumentaría la desigualdad entre países
desarrollados y el resto del mundo. Estas regiones
podrían convertirse en meros sitios de prueba
y consumo, sin participar en el desarrollo ni
beneficiarse de él. La falta de una regulación
adecuada permitiría usos no éticos, como la
creación de humanos de diferente categoría
mediante interfaces cerebro-máquina.
Sumado a lo anterior, en la región se enfrentan
desafíos de financiamiento para la investigación
y la transferencia tecnológica, lo que impacta
tanto en el desarrollo de la investigación como
en la distribución de talento. Con recursos más
abundantes en el Norte Global, se aprecia
166
una significativa fuga de talento hacia países
desarrollados, y pese a que algunos países
latinoamericanos han implementado políticas para
formar capital humano en el extranjero, la falta de
mecanismos adecuados de retribución dificulta el
retorno de estos talentos y su contribución plena a
nivel local.
A nivel global, la industria tiene un rol
preponderante en la investigación en IA, lo
que influye en los incentivos, lineamientos y
salvaguardas de los avances en la disciplina. Dado
que estas empresas se concentran mayormente
en el Norte Global, esto agudiza la brecha Norte-
Sur y conlleva a una pérdida de pertinencia
cultural y territorial en los sistemas tecnológicos
desarrollados.
Esto acrecienta la falta de coordinación entre los
sistemas nacionales de innovación de los países
latinoamericanos. Se destaca la necesidad de una
mayor colaboración regional en investigación en IA,
vinculándola con desafíos comunes y facilitando el
acceso a financiamiento. Esta articulación permitiría
desarrollar investigación de frontera con pertinencia
cultural y territorial dentro de la región. Además,
una coordinación en la regulación de aspectos
comunes de gobernanza podría evitar impactos
negativos y fomentar una colaboración más fluida
en el uso de datos e infraestructura.
F.4
Tendencias académicas y
su impacto en la región
La IA es una disciplina cuyas aplicaciones y
desarrollos trascienden el campo de las ciencias
de la computación. La capacidad de inferencia,
reconocimiento de patrones y optimización
permiten su uso en el desarrollo de la investigación
académica de otras disciplinas como las ciencias
exactas o el arte; la necesidad de entender
y explicar los sistemas basados en reglas
matemáticas y estadísticas impulsa la colaboración
con disciplinas cómo las matemáticas, la física y
la lógica; y las consecuencias en las sociedades
modernas de la penetración de esta tecnología
requiere de una reflexión ética profunda y
permanente.
En este capítulo se abordará el estado del arte
global y las tendencias más relevantes que se
proyectan a futuro para 5 campos de investigación y
desarrollo asociados con la IA:
A. Modelos de visión y lenguaje
B. Ética
C. IA y ciencias exactas
D. Explicabilidad
E. IA y arte
Las proyecciones ofrecidas surgen de la reflexión
de académicas y académicos de América Latina
y reflejan las expectativas que existen para el
desarrollo de la disciplina y transdisciplina en los
próximos años.
167
A. Visión y lenguaje
Estado del arte e importancia:
La actual revolución en IA está íntimamente
asociada al éxito logrado por las técnicas de
Aprendizaje Profundo (Deep Learning, DL) en tareas
de reconocimiento visual, ya sea en imágenes o
video, y en tareas de procesamiento de lenguaje
natural, ya sea en lenguaje escrito o verbal. A modo
de ejemplo, el punto de inflexión que da inicio a la
presente revolución en IA, se remonta al año 2012,
con el éxito de la red convolucional AlexNet en
el desafío de reconocimiento visual ImageNet. En
efecto, si bien las ideas iniciales sobre DL surgen
en los años 80 y 90, principalmente a través de
los trabajos de los 3 Turing Awards: Bengio, Hinton
y LeCun, es el éxito de AlexNet el que masifica la
popularidad de estas técnicas.
Para comprender cómo el impacto de DL en visión
y lenguaje desencadena el momento actual de la
IA, es fundamental considerar la evolución que han
experimentado las tecnologías de la información
(TI). Al momento de la publicación de AlexNet, las
TI habían alcanzado un alto nivel de desarrollo
para almacenar y procesar los denominados
datos estructurados. Estos corresponden a datos
tabulares con filas y columnas, con atributos de alto
nivel semántico, principalmente datos demográficos
y transaccionales, generados mediante procesos
estructurados. Por el contrario, existía un gran vacío
tecnológico en lo que respecta al tratamiento de
los datos no estructurados. Estos corresponden a
datos con atributos de bajo nivel, principalmente
imágenes y texto, generados directamente a través
de la interacción humana. La relevancia de este
vacío se exacerba por la proliferación de los datos
no estructurados impulsada por las TI. En este
contexto, el gran impacto de DL ha sido llenar este
vacío, desencadenando una ola de nuevos avances
e investigaciones que han definido el rumbo de los
progresos en IA.
En el ámbito visual, la revolución ha estado
liderada por el desarrollo de avanzadas y robustas
técnicas de reconocimiento de objetos, las cuales
han alcanzado un nivel de generalidad y precisión
impensables sólo hace algunos años atrás. En
este ámbito, modelos de código abierto como
Yolo y FasterRCNN han facilitado el acceso a
estas tecnologías, acelerando su masificación y
ampliando su impacto. Más aún, implementaciones
eficientes, para ejecución en tarjetas gráficas
(GPUs), han permitido una operación en tiempo
real, abriendo la puerta a aplicaciones en ámbitos
como la robótica. Por su parte, la detección de
cuerpos y poses humanas ha logrado un notable
desarrollo, a modo de ejemplo, modelos como
DensePose y PifPaf han encontrado una gran gama
de aplicaciones en seguridad, analítica de vídeos
y tratamientos médicos, entre otros. El avance
en el reconocimiento facial ha sido igualmente
168
notable, propiciando la aparición de numerosas
aplicaciones. El problema de segmentación
visual, también ha logrado importantes avances,
destacando modelos como Mask-RCNN y
recientemente SAM. La generación de imágenes a
través de IA generativas con adversario o modelos
de difusión ha conseguido también resultados
excelentes, revolucionando campos como el diseño
y los videojuegos, entre otros. En suma, el avance en
el dominio visual ha sido constante y significativo,
motivando a los más optimistas a indicar que el
problema de reconocimiento visual está altamente
solucionado.
En el caso de texto, el principal avance ha
estado en la generación de modelos de lenguaje
(Language Models, LM) capaces de ser adaptados
para implementar diversas tareas asociadas
al procesamiento de lenguaje natural (Natural
Lenguage Processing, NLP), tales como análisis
de sentimiento, reconocimiento de entidades,
generación de resúmenes, respuesta a preguntas
textuales, o la implementación de asistentes
virtuales, entre otras. Los éxitos iniciales orientados
a la creación de espacios semánticos para
modelación a nivel de palabras, como Word2Vec
y Elmo, fueron rápidamente evolucionando hacia
modelos de mayor granularidad capaces de
descubrir relaciones a nivel de frases, como Skip-
Thoughs, o entre frases, como Bert. En este ámbito,
la reciente irrupción de grandes modelos de
lenguaje (LLM) con miles de millones de parámetros
y capaces de capturar complejas relaciones en
extensos textos, han revolucionado no solo el área
de NLP sino toda la disciplina de IA. En particular,
los LLM, tales como ChatGPT, han demostrado
sorprendentes capacidades emergentes que les
permiten realizar nuevas tareas con un mínimo de
supervisión, por ejemplo, sólo una descripción o
explicación de los aspectos principales de la nueva
tarea.
Desafios.
En términos de limitaciones y desafíos abiertos,
han surgido críticas respecto a la robustez de
las técnicas actuales de IA basadas en DL.
Específicamente, diversos estudios han mostrado
que muchos de los modelos actuales operan
como memorias asociativas gatilladas por la
identificación de correlaciones superficiales en los
datos de entrenamiento. En la práctica, esto implica
una débil robustez para enfrentar situaciones
nuevas, por ejemplo, cambios en la distribución
de los datos de entrada o ataques de usuarios
malintencionados. Esta debilidad ha generado
nuevas investigaciones orientadas a desarrollar
variantes de DL que permitan identificar reglas
causales o con un mayor grado de abstracción
que la identificación de simples correlaciones.
Otra crítica importante a los modelos de DL está
asociada a las dificultades para transparentar sus
procesos internos de inferencia. Esta debilidad
ha generado abundante investigación en el área de datos de entrenamiento. Los pronósticos más
conocida como IA explicable (Explainable IA, XIA), optimistas apuntan a la factibilidad de generar
destinada a transparentar el proceso de inferencia modelos de IA de un nivel cognitivo igual o
utilizado por un modelo de IA. Temáticas como superior al ser humano, lo cual se ha denominado
éstas marcan la agenda de investigación en IA y IA general o AGI (Artificial General Intelligence).
ejemplifican que aún quedan importantes desafíos Los pronósticos más reservados apuntan a que
por resolver. las técnicas de DL son insuficientes para generar
procesos de razonamiento con capacidades
Tendencias. similares al ser humano y son necesarias nuevas
Los éxitos anteriores han impulsado 2 tendencias teorías para lograr avances significativos.
recientes. Por un lado, ha surgido un interés por
explorar modelos multimodales que integren La información visual y textual es omnipresente
imágenes y texto, e incluso otras modalidades en nuestro día a día, lo cual otorga a la IA el
como audio y vídeo. Por otro lado, ha habido un potencial de impactar la vida en América Latina en
auge en la generación de los llamados Modelos un sinnúmero de formas. Así, si este potencial es
Fundacionales. Estos corresponden a modelos de aprovechado correctamente, las tecnologías de IA
gran tamaño (miles de millones de parámetros) y pueden producir un incremento significativo en la
generalidad que pueden ser usados o adaptados calidad de vida de los ciudadanos de la región. Para
para realizar diversas tareas en el ámbito visual, ello, lo primero es trabajar con mucha energía en
textual, o multimodal. Sin bien aún es prematuro su diseminación en la región y en el fortalecimiento
evaluar el impacto de estas nuevas tendencias, lo de los factores habilitantes que permitan su
que es indiscutible es que continuarán impulsando desarrollo saludable. Asimismo, también es
la actual revolución de la IA, en particular, importante avanzar en los desafíos que implica la
profundizando su impacto en el ámbito visual y implementación de la IA, como la necesidad de
textual que seguirán siendo protagonistas de una regulaciones adecuadas para promover su uso
revolución a plena marcha. ético, evitar la proliferación de desigualdades,
proteger la privacidad de las personas y evitar
Hacia el futuro cercano, la principal expectativa cualquier externalidad negativa. En este sentido,
está puesta en las capacidades emergentes de es crucial que cualquier legislación sea mirada
los Modelos Fundacionales. En este sentido, es con una perspectiva local, teniendo en cuenta las
importante destacar que las condiciones y alcances necesidades más urgentes de cada país, y sus áreas
de estas propiedades emergentes son aún poco prioritarias en el ámbito social y el económico, para
entendidas por la comunidad científica de IA. así lograr que la IA sea una herramienta eficaz para
Asimismo, tampoco son claros sus límites a medida aportar a mejorar la calidad de vida colectiva e
que se siga aumentando el tamaño de los modelos individual de los ciudadanos de la región.
en términos de número de parámetros y cantidad
169
B. Ética
Estado del arte e importancia:
Debido al crecimiento de la capacidad predictiva
de la IA y a su potencial para abordar diversos
problemas, las instituciones privadas y públicas
utilizan cada vez más la IA en sistemas que
repercuten en nuestra vida cotidiana. Además de
controlar el orden de nuestras noticias, resultados
de búsqueda y recomendaciones musicales, la IA
predice la reincidencia, el fraude y los riesgos para
la salud, realiza reconocimiento facial y de voz,
y prioriza quién debe obtener una entrevista de
trabajo, obtener un préstamo o recibir servicios de
protección infantil.
En el caso de muchos sistemas de IA, las
pruebas nos alertan del daño que pueden
causar, especialmente a las poblaciones
vulnerables. Cuando los investigadores o los
periodistas de investigación han podido interrogar
sistemáticamente algunas de estas aplicaciones
de IA, a menudo han descubierto que los resultados
de estos sistemas pueden estar sesgados en contra
de las mujeres, los ancianos, las personas de color
o las personas que viven en la pobreza, entre otras
poblaciones marginadas.
Por ejemplo, el reconocimiento facial comete
muchos más errores al reconocer a mujeres
afroamericanas que a otros grupos demográficos.
Cuando las ciudades utilizan el reconocimiento
facial para la vigilancia, estos errores pueden
acarrear graves consecuencias, como falsas
acusaciones de delitos. El reconocimiento facial
también falla más en el caso de las personas
con discapacidad visual, dejándolas también en
desventaja. Las tasas de error desproporcionadas
para grupos específicos de personas dan forma a
una forma adicional de discriminación a gran escala
posibilitada por la IA.
Las razones de los resultados sesgados se asocian a
menudo con los sesgos incrustados en los conjuntos
de datos utilizados para entrenar la IA, un fenómeno
conocido como “basura entra, basura sale”. Este
razonamiento subraya que los conjuntos de datos
representan nuestros comportamientos sesgados
pasados como parte de sociedades sexistas,
racistas, clasistas y capacitistas. Por lo tanto, la IA
aprende estos prejuicios de los datos y perpetúa
los patrones de discriminación a través de sus
resultados.
Sin embargo, también hay consenso en que los
datos son uno de los muchos problemas. Existen
relaciones entrelazadas entre sesgos históricos
(por ejemplo, sesgos de género), humanos (por
ejemplo, sesgos de confirmación y automatización)
y técnicos (por ejemplo, sesgos de muestreo y
procesamiento) en el proceso de IA que pueden
conducir a resultados problemáticos de la IA.
170
Los múltiples sesgos afectan a las decisiones
críticas en cada fase de un proyecto de IA,
incluida la conceptualización de los problemas
organizacionales que la IA pretende resolver,
la selección y el etiquetado de los datos, el
procesamiento y la evaluación de los modelos de
IA y la forma en que las personas utilizan y (cuando
es posible) impugnan los resultados de la IA. Así
pues, las personas que están detrás del desarrollo
y el uso de la IA y las que se ven afectadas por ella
adquieren relevancia en el debate sobre el impacto
de la IA en la sociedad.
Más allá de los resultados injustos, los
investigadores han documentado otros daños
potenciales de la IA. Entre ellos, su amplio uso de
datos personales privados, su enorme impacto
en el medio ambiente por el consumo de energía
y la extracción de minerales, y el potencial para
sustituir la mano de obra humana y empeorar
drásticamente las oportunidades laborales de
las personas. También preocupan las precarias
condiciones laborales de miles de trabajadores
(principalmente en el Sur Global) que hacen posible
la IA mediante tareas clave pero infravaloradas,
como el etiquetado de datos y la moderación de
contenidos. Este último fenómeno se conoce como
el trabajo fantasma detrás de la IA.
El auge de la IA generativa de fácil uso, como
ChatGPT, ha exacerbado aún más otros problemas.
A medida que la IA produce textos, vídeos e
imágenes sintéticos creíbles, empezamos a ver
problemas más generalizados con, por ejemplo, la
creación por parte de la IA de textos creíbles con
información falsa y engañosa que la gente utiliza en
centros educativos, tribunales y otras instituciones.
También hay una proliferación de imágenes y
vídeos falsos que permiten la intimidación, el acoso
sexual (por ejemplo, deepfakes pornográficos)
y la propagación de noticias falsas. Además,
cada vez preocupa más el amplio uso de datos
protegidos por derechos de autor, incluidas pinturas
y obras literarias, sin la debida compensación o
reconocimiento para sus autores.
Las consideraciones en torno a las repercusiones
de la IA y su potencial de daño han dado lugar
a numerosos estudios sobre ética e IA. Algunas
investigaciones examinan si la IA toma decisiones
moralmente cuestionables, un tipo de ética de las
máquinas. Otros se centran en la conducta moral
de los seres humanos involucrados en el desarrollo
y el uso de la IA y en las implicaciones de tales
comportamientos. Este último aspecto ha recibido
recientemente una atención considerable por
parte de disciplinas que van desde la filosofía y el
derecho hasta la sociología, la interacción persona-
computador y la informática. Este trabajo se basa
en disciplinas más antiguas, como la ciencia, la
tecnología y la sociedad (CTS), la filosofía de la
tecnología y los estudios críticos de datos (ECD).
y su legitimidad como mediadores del acceso a
Desafíos. servicios, información y oportunidades. Además,
Así, desde perspectivas interdisciplinarias se han con frecuencia las personas no saben que están
escudriñado diversos aspectos del diseño de interactuando con un sistema de IA o que la IA
sistemas de IA y de sus responsables, centrándose mediatiza su acceso a determinados servicios.
principalmente en los siguientes: Este hecho ha llevado a acuñar el concepto de
algoritmos invisibles, poniendo de relieve la
INJUSTICIA. dificultad de supervisar el impacto de la IA en
Más allá de desvelar resultados sesgados en nuestra vida cotidiana. Además, en el caso de
distintos tipos de aplicaciones de IA, en los últimos los modelos de aprendizaje profundo, aunque los
años se ha trabajado mucho para ofrecer soluciones desarrolladores saben cómo los algoritmos tratan
técnicas que permitan medir la imparcialidad y de encontrar los patrones para ofrecer predicciones
proponer algoritmos, herramientas y estrategias precisas, no pueden saber directamente qué
para mitigarla. Sin embargo, existen múltiples factores influyen en una predicción concreta. Este
formas de definir y medir la imparcialidad, y es último problema ha llevado a los investigadores
imposible generar sistemas que satisfagan todas a trabajar en la IA explicable (XAI), de la que se
las definiciones de imparcialidad. Así pues, los habla en otra sección del Índice de IA. Aunque es
retos en torno a la imparcialidad siguen abiertos y probable que la explicabilidad aborde algunos de
los trabajos actuales se inclinan hacia estrategias los retos técnicos de la opacidad de la IA, como
sociotécnicas para afrontarlos, en las que los los métodos y herramientas para aumentar la
equipos de IA, por ejemplo, reflexionan sobre qué visibilidad de los procedimientos en los modelos,
definiciones de imparcialidad son adecuadas para existe una preocupación más amplia por hacer
su contexto y cómo el proyecto puede articular que la IA sea más transparente y comprensible
estrategias para abordar los retos de generar una para los distintos agentes. Este aspecto implica
IA imparcial. Otros enfoques complementarios proporcionar información accesible y procesable
implican normativas y auditorías algorítmicas. a diversas partes interesadas, incluidos los
responsables políticos, los usuarios y los afectados
OPACIDAD. indirectamente por la IA (sin utilizarla). En general, el
Otra línea de trabajo problematiza el hecho objetivo previsto es diseñar y construir sistemas de
de que muchas aplicaciones actuales de la IA IA que permitan supervisar su funcionamiento.
funcionen como cajas negras para usuarios, Falta de rendición de cuentas. Debido a los
responsables políticos y desarrolladores. La gente problemas actuales de la IA relacionados con
no suele entender cómo funcionan los sistemas los efectos adversos y la opacidad, existe una
de IA, lo que dificulta cuestionar sus resultados gran preocupación sobre quién debe rendir
171
cuentas cuando la IA causa daños, aunque
sean involuntarios. Además de las dificultades
inherentes a la explicación del funcionamiento
de la IA, muchas otras decisiones organizativas e
individuales conscientes influyen en los resultados
de la IA.
Existe un amplio llamado a la creación, adopción
y aplicación de mecanismos que documenten y
justifiquen las decisiones humanas que subyacen a
la IA. La investigación sobre la responsabilidad de la
IA aboga por mecanismos como la documentación
de datos y modelos, la evaluación y mitigación
de riesgos, las auditorías internas y externas, la
disponibilidad de recursos en caso de daños y las
normativas que impongan la rendición de cuentas y
la asignación de responsabilidades. La rendición de
cuentas también está estrechamente relacionada
con los debates sobre la responsabilidad, haciendo
hincapié en la consideración ética de la toma de
decisiones moralmente justificadas.
Tendencias.
Mientras que, como sociedad, seguimos luchando
para hacer frente a estos retos, las políticas
organizativas y públicas han adoptado ampliamente
un enfoque: una IA basada en principios. De forma
análoga a la ética biomédica, definen un conjunto
de principios fundamentales que deben guiar
el desarrollo y el uso de la IA. Los principios de
la IA más comunes en todas las políticas son la
equidad y la no discriminación, la protección de la
privacidad, el respeto de los derechos humanos y
la promoción del bienestar social, la transparencia
y la explicabilidad, la rendición de cuentas y
la responsabilidad profesional, la seguridad y
la protección, el control humano de la IA y la
sostenibilidad medioambiental. En gran medida,
estos principios aún tienen que concretarse en
reglamentos, normas y prácticas organizativas y
profesionales más específicas.
Es de esperar que la amplia atención pública
prestada a la ética en la IA en los últimos años,
alimentada por las recientes peticiones de
moratorias de la IA como respuesta a los hipotéticos
daños de una IA de propósito general, conduzca
a nuevos avances en la investigación, las políticas
y las prácticas organizativas en torno a la ética
tanto para la IA restringida como para la general.
Es urgente y esencial hacer frente a los actuales
daños tangibles causados por la IA. En este ámbito,
prevemos avances en las siguientes dimensiones.
SOSTENIBILIDAD MEDIOAMBIENTAL E IA
Debido a la crisis climática, esperamos ver
esfuerzos más exhaustivos para medir y controlar el
impacto de la IA en el medio ambiente. Las próximas
iniciativas incluyen la mejora de la visualización
y medición del impacto medioambiental de la IA
(por ejemplo, datos más precisos sobre la huella de
carbono).
172
A medida que aumentan las pruebas del gran
consumo de energía de la IA, prevemos tendencias
de traslado de los centros de datos para utilizar
energías renovables (por ejemplo, con fuentes de
hidroelectricidad en lugar de combustibles fósiles)
y desarrollar una IA más eficiente, que consuma
menos recursos y sea más asequible.
JUSTICIA SOCIAL E IA
Aunque la preocupación por la equidad continuará,
prevemos que las perspectivas críticas de justicia
social tendrán una influencia más amplia en
la comprensión de las repercusiones de la IA
y en la remodelación de sus objetivos futuros.
Prevemos más investigaciones que examinen las
conexiones entre la IA y las desigualdades sociales
estructurales. Aunque los investigadores han
estudiado las desigualdades de género y raza, aún
queda mucho por aprender sobre las consecuencias
de la IA entre las personas en situación de pobreza,
las personas con discapacidad y las que viven
en el Sur Global. Los enfoques interseccionales
arrojarán luz sobre los efectos agravados de las
desigualdades estructurales. También esperamos
ver más trabajos que exploren y cuestionen la
distribución desigual de beneficios y costes de la IA.
Además, las tendencias crecientes, como la justicia
de datos y el feminismo de datos, fomentarán
el desarrollo de nuevos imaginarios y prácticas
sociotécnicas para ampliar los límites de los fines
de la IA más allá de la eficiencia y la vigilancia.
Aunque es posible que esta tendencia no influya en
las grandes empresas, prevemos más investigación
y emprendimiento, especialmente en el Sur Global,
donde los profesionales utilizan la IA para avanzar
hacia una mejor calidad de vida y justicia social.
GÉNERO E IA
A medida que avanzamos hacia la justicia social,
seguiremos observando las realidades de la
discriminación de género en la IA y, con suerte, la
aparición de formas más eficaces de erradicarla.
La IA perpetúa la discriminación de género a través
del aprendizaje y la transmisión de estereotipos
de género en tareas de procesamiento del
lenguaje (por ejemplo, traducción, sugerencias de
búsqueda), visión por computador (por ejemplo,
confundiendo el género de las personas trans en
el reconocimiento de género, clasificando fotos de
mujeres como más sexualmente sugerentes que
fotos similares de hombres) y tareas de clasificación
(por ejemplo, degradando los currículos de las
mujeres que solicitan trabajos técnicos). La
discriminación de género también es previsible
en ámbitos específicos. La investigación sanitaria
se ha centrado históricamente en los hombres,
acumulando más datos sobre el cuerpo masculino
que sobre otros cuerpos; por tanto, es probable
que las aplicaciones de IA basadas en datos para la
salud funcionen peor para los cuerpos femeninos.
Además, la IA generativa permite nuevas formas
de acoso sexual. Un estudio de 2019 encontró que el desarrollo y el uso de la IA, así como los valores y
el 96% de los videos deepfake eran contenido las intenciones que subyacen a su diseño. Además,
pornográfico, todos dirigidos a mujeres. La lucha las combinaciones de conocimientos sociológicos,
contra la discriminación de género en la IA tiene éticos y técnicos también ayudarán a diseñar
un largo camino por recorrer. Esperamos ver más mejores formas de comunicar cómo funciona cada
estrategias de mitigación del sesgo de género en sistema de IA, aumentando así la alfabetización
los próximos años, esfuerzos más sólidos para algorítmica y promoviendo una comprensión más
diversificar la composición de género de los equipos completa de las soluciones de IA. Éstas, a su vez,
de IA y regulaciones más fuertes para penalizar pueden conducir a una confianza mejor calibrada en
el acoso sexual en línea habilitado por la IA y la estos sistemas. Prevemos debates más matizados
discriminación de género. y colaboraciones interdisciplinares para delimitar
mejor las expectativas de impacto y las limitaciones
NORMATIVA Y SUS IMPLICACIONES de la IA.
Instituciones multilaterales, como la Unesco y
la ONU, ofrecen recomendaciones sobre IA, que EL FUTURO DEL TRABAJO
esperamos ver traducidas en políticas públicas Debido al impresionante progreso de la IA, la
en diversos países. En la actualidad, 69 países, preocupación por su impacto en los mercados
entre ellos varios latinoamericanos, cuentan laborales será central en los próximos años.
ya con una iniciativa política sobre IA. Junto Esperamos ver más análisis basados en evidencia
con las políticas y regulaciones, esperamos ver sobre el impacto de la IA en el empleo en diversos
desarrollos relacionados con el cumplimiento sectores productivos, lo que llevará a una mejor
de las mismas. Así, prevemos avances en la comprensión de los puestos de trabajo que podrían
implementación de soluciones de privacidad desaparecer y los que surgirán debido a las nuevas
diferencial, auditorías algorítmicas, estándares de configuraciones de trabajo IA-persona. También
explicabilidad centrados en el usuario y requisitos prevemos más investigación sobre la colaboración
de transparencia. entre IA y humanos en entornos laborales.
Enfoques sociotécnicos para la responsabilidad A medida que las preocupaciones en torno a la
profesional y la transparencia: Debido a los ética y la IA sigan impulsando la investigación, el
múltiples factores que influyen en las repercusiones activismo y la formulación de políticas, esperamos
de la IA y a la opacidad de su funcionamiento ser testigos de su influencia en la remodelación
interno, las perspectivas interdisciplinarias serán de la forma en que construimos, adoptamos y
esenciales para documentar y justificar las adaptamos la IA para hacer nuestras sociedades
decisiones potencialmente responsables durante más prósperas y justas.
173
C. IA y ciencias exactas
Estado del arte e importancia.
Desarrollos recientes como la IA generativa, la
visión por computador y los grandes modelos
lingüísticos están haciendo posibles tecnologías y
aplicaciones que tienen el poder de transformar la
industria, los negocios, las interacciones sociales
y nuestras propias vidas. El impacto generalizado
de la IA también está revolucionando el modo
en que se lleva a cabo la investigación científica
y tecnológica, al redefinir la forma en que
abordamos la formulación, el diseño y la ejecución
de las actividades de investigación en todas las
disciplinas.
El desarrollo de una comprensión mecanicista
detallada de los procesos biológicos en los
organismos vivos, o de sistemas físicos y de
ingeniería complejos, requiere análisis progresivos
e integración de nuevos datos (por ejemplo,
resultados experimentales) en el contexto de datos
anteriores (por ejemplo, bibliografía publicada). Sin
embargo, esta tarea resulta cada vez más difícil
para la mente humana debido al enorme volumen
de datos y literatura científica. En Biología, por
ejemplo, la aceleración de la generación de datos
debido a la llegada de las tecnologías ómicas
hace que esta tarea sea prácticamente imposible
de llevar a cabo desde una perspectiva holística.
Especialmente en la última década, hemos
asistido a un aumento espectacular del número de
grandes conjuntos de datos de gran complejidad
generados a partir de experimentos biológicos,
que cuantifican variables moleculares como la
abundancia de genes, proteínas y metabolitos, la
composición del microbioma y la variación genética
de toda la población, por citar sólo algunas. Un
reto similar se plantea en física, astronomía y
ciencias de la Tierra debido al diluvio de datos
generados por los aceleradores de partículas y por
los telescopios y constelaciones de satélites que
observan continuamente la Tierra y el Universo a
múltiples escalas espaciales y espectrales. Los
esfuerzos comunitarios en todas las disciplinas de
investigación generan periódicamente petabytes de
datos.
Desde que Alan Turing planteó por primera vez en
1950 la idea de que las máquinas podían aprender
y autoinstruirse a partir de sus propias experiencias,
el campo de la inteligencia artificial (IA) se ha
disparado. Gran parte de la promesa de la IA en las
ciencias se deriva de su capacidad para descubrir
(o ‘’aprender’’) estructuras en grandes conjuntos
de datos y utilizar esta estructura para hacer
predicciones o realizar tareas. Los campos de la IA
y la investigación científica están más entrelazados
que nunca, y los métodos para extraer y aplicar
la información almacenada en sistemas físicos y
organismos vivos se perfeccionan constantemente.
A medida que el campo de la IA madura con
174
algoritmos más entrenados, crece el potencial
de su aplicación en muchos problemas y ámbitos
diferentes. La epidemiología, el estudio de las
interacciones huésped-patógeno, el descubrimiento
de fármacos, la medicina personalizada, la edición
de genes, la radiografía, el tratamiento de imágenes
y la gestión de medicamentos son algunos de los
muchos ámbitos en los que la IA ya está teniendo
repercusiones.
En los últimos años se han producido avances
impresionantes en los modelos de IA (LeCun et al.,
2015), que muestran resultados prometedores para
descubrir conocimientos y asociaciones complejas
basados en fuentes de datos masivas. Un ejemplo
destacado es AlphaGo (Silver et al., 2016), un
sistema de IA capaz de vencer a los jugadores de Go
más expertos del mundo. Durante su enfrentamiento
contra el campeón del mundo de Go, AlphaGo
realizó jugadas consideradas cruciales para la
victoria que eran completamente imprevistas
y clasificadas como conocimientos altamente
creativos por expertos en el juego del Go. Uno de
sus sucesores, AlphaFold (Jumper et al., 2021), un
modelo basado en IA que predice la estructura
3D de las proteínas a partir de la secuencia 1D de
aminoácidos, representó un salto cuántico respecto
a todos los algoritmos anteriores en competiciones
de plegamiento de proteínas y fue seleccionado
en 2021 por la revista Science como el principal
avance científico del año.
Desafíos
La gran disponibilidad de datos en algunos campos
ha llevado al desarrollo de aproximaciones basadas
exclusivamente en datos para diversos sistemas
físicos, químicos o biológicos. Sin embargo, este
enfoque se ve obstaculizado en varias aplicaciones
científicas en las que los datos de entrenamiento
siguen siendo escasos debido al coste experimental
y a las limitaciones técnicas, y no garantiza el
cumplimiento de los primeros principios físicos
establecidos ni de los conocimientos especializados
del dominio. Además, aunque la IA consigue generar
predicciones precisas para sistemas físicos y
biológicos, el objetivo último de la investigación
científica es obtener una comprensión sólida de
los procesos subyacentes y comprender las leyes y
relaciones causales que los rigen (Krenn et al. 2022).
Una posible solución es alimentar los algoritmos
de IA con nuestros conocimientos previos sobre las
leyes, los modelos matemáticos y las restricciones
que se aplican a un sistema físico determinado.
Esto puede hacerse, por ejemplo, incorporando
ecuaciones diferenciales subyacentes o restricciones
específicas del dominio dentro de la arquitectura y el
proceso de entrenamiento de la IA, o preentrenando
el modelo con datos simulados con modelos
mecanicistas. Estos algoritmos basados en la física
pueden funcionar y generalizar mejor en regímenes
de datos pequeños y ruidosos, pueden utilizarse para
aprender parámetros de modelos o ecuaciones que
describan fenómenos físicos de alta dimensión, y
el uso de principios físicos puede incluso ayudar a cúbico de V1 de ratón (MI- CrONS Consortium, 2021).
interpretar y probar el funcionamiento interno de los Pasando a las ciencias físicas, algunos resultados
modelos de aprendizaje profundo (Karnadiakis et al. destacados de la IA incluyen la predicción de la
2021). formación de estructuras cosmológicas (He et
al. 2019), la detección de ondas gravitacionales
Tendencias (Huerta et al. 2021), una reconstrucción de alta
En un futuro próximo, podemos prever varias resolución de la primera imagen de un agujero
formas en las que la IA seguirá teniendo un impacto negro (Medeiros et al. 2023), el descubrimiento
duradero en los descubrimientos científicos: de nuevos materiales (Pyzer-Knap et al. 2022) y el
control autónomo del plasma en reactores de fusión
MÉTODOS DE IA PARA CONJUNTOS DE DATOS de hidrógeno (Degrave et al. 2022), que acerca un
CIENTÍFICOS: paso más la energía nuclear limpia. En general, los
La capacidad de los modelos de IA para encontrar marcos impulsados por la IA para el procesamiento
estructuras en grandes conjuntos de datos y hacer de datos científicos están acelerando resultados
predicciones precisas para nuevas observaciones críticos en prácticamente todas las áreas de
ha tenido un profundo impacto en el descubrimiento investigación, y es seguro que se producirán más
científico y la transformación tecnológica en todas avances de este tipo en los próximos años, en una
las disciplinas. En Biología, por ejemplo, una de las amplia gama de dominios.
primeras aplicaciones de la IA fue el software de
seguimiento de movimiento Deeplabcut (Mathis et SIMULACIONES COMPUTACIONALES ASISTIDAS
al., 2018), que analiza vídeos para etiquetar la pose POR IA:
de los animales, lo que permite una caracterización Las simulaciones numéricas de última generación
más precisa del comportamiento animal (tanto utilizadas para validar la teoría frente a
de individuos como de grupos sociales) durante conjuntos de datos a gran escala en campos
grabaciones o perturbaciones neuronales. También como la climatología, la cosmología, la física de
se utilizan algoritmos de segmentación y seguimiento partículas y la energía de fusión han alcanzado
de aprendizaje automático para reconstruir mapas unos costes computacionales prohibitivos para
de conectividad sináptica a partir de datos seriados la mayoría. Por lo tanto, resulta inviable llevar a
de microscopía electrónica, lo que hasta ahora cabo los experimentos masivos necesarios para
ha permitido reconstruir un cerebro completo de comprender y probar el comportamiento de
Drosophila, toda la retina de ratón y un milímetro los modelos mecanicistas en toda la gama de
175
condiciones físicas posibles, o en escalas de tiempo
prolongadas. Como orientación de la investigación,
se pueden utilizar diversos métodos de IA para
entrenar modelos sustitutos que proporcionen
una representación simple pero fiel del sistema
completo y, a su vez, estos modelos sustitutos se
pueden utilizar para generar conjuntos masivos de
simulaciones a un coste computacional razonable.
Además, los algoritmos de IA pueden utilizarse
para aumentar la resolución, el tamaño, la escala
temporal y el número de interacciones que
pueden modelizarse para un sistema determinado
(Kasim et al. 2022, US DOE 2023). Estos enfoques
computacionales asistidos por IA serán
fundamentales para mejorar nuestra capacidad
de estudiar procesos dinámicos complejos como
la evolución del clima, la formación de estructuras
a gran escala en el universo y los procesos
multifísicos de la Tierra, como la propagación de
tsunamis y terremotos. mitigar el impacto ecológico de la explotación
EXPLORACIÓN CIENTÍFICA ASISTIDA POR IA
El aprendizaje autosupervisado, en el que
un modelo de IA se entrena utilizando datos
etiquetados autogenerados, es la base del éxito
de modelos de IA como AlphaGo y AlphaFold. En
efecto, al crear sus propios retos de predicción, un
modelo de IA es capaz de extraer conocimientos
útiles de una cantidad casi ilimitada de datos. Por
ejemplo, en el contexto del Procesamiento del
Lenguaje Natural o PLN, los grandes modelos de
lenguaje autosupervisados, como GPT-3 (Brown
et al., 2020) o PaLM (Chowdhery et al., 2022), han
demostrado una capacidad impresionante para
extraer piezas significativas de conocimiento del
mundo a partir de su exposición a una cantidad
extremadamente grande de texto (miles de millones
de palabras). Un reto importante está relacionado
con la forma de acceder al conocimiento codificado
por la representación interna de un modelo de IA
de gran tamaño. Como hallazgo sorprendente,
investigaciones recientes (Gao et al., 2021; Zhong
et al., 2021) han descubierto que es posible
dirigir estos grandes modelos para que generen
conocimiento relevante a partir de una tarea
objetivo novedosa utilizando sólo una indicación.
Específicamente, utilizando una indicación para
proporcionar al modelo una descripción en lenguaje
humano o varios ejemplos de lo que se quiere que
haga, el modelo puede producir conocimientos
significativos relacionados con una tarea objetivo.
Esta estrategia de aprendizaje, denominada
“indicación contextual”, ofrece un nuevo grado
de control para acceder selectivamente a los
conocimientos codificados en las representaciones
internas de un gran modelo lingüístico. A su vez,
esto abre una nueva vía disruptiva para llevar a
cabo exploraciones y descubrimientos científicos
asistidos por IA. Sostenemos que estos modelos de
IA entrenados en la literatura o los datos científicos
existentes pueden inducir nuevas ideas o sintetizar
conocimientos de un modo que hoy en día no
176
pueden hacer individuos o grupos de científicos.
Además, al proporcionar esquemas adecuados
de aprendizaje en contexto para consultar un
modelo, estos modelos pueden proporcionar a
los científicos una herramienta muy poderosa
para explorar el conocimiento codificado por el
modelo, recuperando nuevas conexiones entre la
información existente que no se apreciaron antes o
hipótesis que en última instancia deberían conducir
a nuevos descubrimientos. Los enfoques neuronales
basados en grandes grafos también pueden
aprovecharse para construir redes de conocimiento
semántico a partir de grandes corpus de literatura
científica, a partir de las cuales pueden identificarse
relaciones conceptuales y líneas de investigación
inexploradas (Krenn et al. 2022). Creemos que
estos avances representan un punto de inflexión
en la forma en que se lleva a cabo la investigación
científica, reconceptualizando la ciencia como un
bucle de retroalimentación optimizable entre la IA y
los científicos.
Hay muchos campos en los que los países
latinoamericanos pueden aprovechar el poder de
las tecnologías de IA, tanto desde una perspectiva
general como impulsadas y dirigidas a las
necesidades locales. Tenemos condiciones de
laboratorio naturales únicas y extremas en lugares
como el Amazonas, el desierto de Atacama, la
cordillera de los Andes y la región subantártica, por
nombrar sólo algunos. Estos laboratorios naturales
albergan una biodiversidad genética única en
macroorganismos y microorganismos que esperan
ser descubiertos. Se necesitan nuevos esfuerzos de
investigación para comprender esta extraordinaria
biología y Latam debe desempeñar un papel
importante. Comprender la biología es el primer
paso para desarrollar nuevas biotecnologías con
fines aplicados que puedan servir a las necesidades
tanto locales como mundiales.
Latinoamérica también debe liderar el desarrollo
y despliegue de nuevas tecnologías más eficientes
para la agricultura que permitan una producción de
alimentos sostenible y resiliente frente al cambio
climático. La región de América Latina y el Caribe
desempeña un papel vital en la producción de
alimentos y servicios ecosistémicos que benefician
no sólo a la propia región, sino a todo el planeta.
También se requerirán nuevas estrategias para
de los recursos naturales (por ejemplo, minería,
silvicultura), así como para reducir la contaminación
de nuestras ciudades. Además, existen retos
locales únicos que habrá que abordar localmente.
Los problemas de salud que son prominentes en
América Latina debido a patógenos particulares, la
composición genética única, así como las opciones
de estilo de vida tendrán que ser abordados a nivel
local. Por último, debido a su entorno geotectónico
y a los efectos del calentamiento global a largo
plazo y a las tendencias de aumento del nivel del
mar, América Latina es especialmente propensa
a riesgos geológicos (terremotos, volcanes) e
hidrometeorológicos (ciclones, inundaciones,
sequías, olas de frío/calor) cada vez más frecuentes
y extremos. La región se encuentra en una posición
excepcional para abordar los procesos físicos
que subyacen a estos fenómenos, sus impactos
potenciales y las posibles estrategias de mitigación
y adaptación, mediante una combinación de
conjuntos de datos globales de teledetección,
redes de sensores regionales únicas y métodos de
IA adaptados para integrar estas diversas fuentes
de datos que completan modelos mecanicistas
parciales y simulaciones computacionales de
vanguardia.
y temporalmente continua de todo el cielo. La
En otros ámbitos científicos, Latinoamérica ya masividad y complejidad de estos datos supera las
desempeña un papel destacado. Por ejemplo, Chile capacidades de procesamiento y análisis de los
concentra ya más de la mitad de la capacidad métodos computacionales tradicionales, y la IA se
astronómica mundial, y es actualmente el lugar convertirá en una herramienta clave para extraer,
de construcción de futuros observatorios gigantes modelizar y comprender las señales que van
en el visible y el infrarrojo, como el Telescopio desde los exoplanetas hasta el fondo cósmico y la
Extremadamente Grande (ELT), el Observatorio Vera estructura a gran escala del universo, y para revelar
Rubin y el Magallanes Gigante. Otros proyectos la nueva física que puede esconderse en ellos. Las
en curso, como el Observatorio de Atacama de universidades, institutos de investigación y unidades
Tokio (TAO), el Observatorio Simons y el Cherenkov de investigación gubernamentales de Latinoamérica
Telescope Array también cartografiarán el universo deben adoptar la nueva ola de IA y utilizar el poder
a muy bajas y altas energías, desde las frecuencias de esta nueva tecnología para desempeñar un
de microondas hasta los rayos gamma. En papel destacado y vital a la hora de abordar estos
combinación, estos observatorios proporcionarán problemas y desarrollar nuevas soluciones para
una visión multiescala, multilongitud de onda Latinoamérica y el mundo.
177
D. IA explicable (XAI)
Estado del Arte
Los modelos actuales de IA, como las redes
convolucionales profundas y las arquitecturas
basadas en la atención como Transformers, han
logrado resultados impresionantes en tareas
predictivas relacionadas con múltiples dominios. Su
éxito radica principalmente en su capacidad para
alcanzar índices de precisión muy elevados en la
clasificación de ejemplos sobre grandes conjuntos de
datos. Para lograr esta precisión, estas arquitecturas
ajustan hasta cientos de miles de millones de
parámetros, lo que les permite detectar patrones
muy complejos en los datos que son invisibles para
modelos más sencillos con menos parámetros.
Sin embargo, hay una contrapartida importante que
debemos tener en cuenta con estas arquitecturas: a
medida que aumentamos el número de parámetros
que utilizan y, por tanto, su precisión, disminuye
nuestra capacidad para comprender qué factores
influyen más en la predicción resultante. Se trata de
una cuestión importante porque la única manera de
que podamos tener una IA operativa y desplegable al
servicio de las personas es mediante el desarrollo de
métodos cuyas acciones puedan ser comprendidas
y evaluadas por los seres humanos. Hay múltiples
razones que justifican esta necesidad, entre ellas
el creciente uso de la IA en aplicaciones críticas
(defensa, salud, vehículos autónomos), la obligación
ética de comprender y eliminar los sesgos en los datos
utilizados para entrenar nuestros modelos de IA, la
creciente demanda de regulación de los sistemas de
IA y la necesidad de proporcionar mecanismos que
permitan a los humanos interactuar esta tecnología.
En los últimos años se ha avanzado notablemente en
el desarrollo de la IA explicable (XAI) para responder
a la demanda de métodos fiables de interpretación
de los modelos de IA. Este progreso ha dado lugar
a importantes aplicaciones de XAI en diversos
campos. Por ejemplo, en el ámbito de la radiología,
donde el aprendizaje profundo se utiliza cada vez
más para clasificar imágenes médicas de diferentes
afecciones, se emplean técnicas como los mapas
de saliencia y los mecanismos de atención para
explicar a los radiólogos qué partes de la imagen
influyeron en la decisión del sistema de IA. Esto
permite a los radiólogos validar y perfeccionar las
recomendaciones del sistema de IA. Además, la
XAI se está utilizando en el análisis de imágenes de
satélite y datos de sensores para controlar y explicar
cambios medioambientales como la deforestación,
los niveles de contaminación y los patrones climáticos.
Los conocimientos derivados de la XAI en estas áreas
pueden informar a los responsables políticos y a los
ciudadanos, permitiéndoles tomar decisiones bien
informadas sobre los esfuerzos de conservación y las
prácticas sostenibles.
178
Desafíos
A pesar de los rápidos avances en el campo de la
XAI, hay varios retos importantes que aún no se han
resuelto. A continuación mencionamos algunos de
ellos, que probablemente serán objeto de muchas
investigaciones en los próximos años:
EXPLICACIONES PARA MODELOS COMPLEJOS:
Una forma habitual de dar explicaciones a los
modelos de IA, sobre todo para responder a la
pregunta de por qué el modelo dio este resultado para
esta entrada concreta, es mediante el análisis de la
contribución de cada característica de esa entrada
a la salida del problema. Estos métodos suelen ser
agnósticos con respecto al modelo, lo que significa
que no dependen de las características internas de
los modelos analizados. A pesar de ello, no pueden
utilizarse para modelos complejos basados en redes
neuronales, ya que su implementación resulta costosa
desde el punto de vista computacional. Aunque se han
propuesto varios métodos para paliar este problema,
incluida la compilación de modelos complejos en
otros más sencillos cuyas explicaciones sean fáciles
de calcular, aún no se sabe a ciencia cierta cuándo
pueden aplicarse estos métodos y si pueden utilizarse
métodos mejores en determinadas situaciones.
LENGUAJES FÁCILES DE USAR PARA CALCULAR
EXPLICACIONES:
En la mayoría de las situaciones, la explicación de los
resultados de un modelo requiere una combinación
de diferentes métodos y métricas propuestos
para cuantificar la contribución de las distintas
características. Esto implica que sólo los usuarios
expertos pueden construir tales explicaciones, ya
que este proceso implica una interacción elaborada
con el modelo y una comprensión sofisticada de sus
características internas y del dominio de aplicación
en el que se está utilizando. La falta de disponibilidad
de expertos en XAI es un problema cada vez más
común, especialmente en los entornos en los que se
implementan algoritmos de IA. No es realista esperar
que siempre haya un experto en XAI disponible
para interactuar con el modelo y proporcionar
explicaciones. Como resultado, se han propuesto
soluciones para abordar este problema, y una de las
soluciones es el desarrollo de lenguajes declarativos
para computar explicaciones sobre modelos de IA.
Estos lenguajes permiten a los usuarios declarar lo que
quieren entender del modelo y permiten a un sistema
automático generar explicaciones en lugar de tener
que programarlas constantemente. Esta solución
puede permitir a los usuarios no expertos comprender
mejor los modelos de IA y las decisiones que toman.
CAUSALIDAD:
Uno de los principales retos de la XAI en términos
de causalidad es la dificultad para identificar y
separar las relaciones causales de las correlaciones PLANIFICACIÓN URBANA INTELIGENTE:
en modelos complejos. La correlación no implica La XAI se utilizará de diversas formas para ayudar en
causalidad y, por tanto, identificar las relaciones el proceso de planificación urbana en el futuro. Por
causales que conducen a una predicción concreta ejemplo, podemos mencionar el uso de técnicas de
es crucial para ofrecer explicaciones significativas. XAI para apoyar la optimización de la asignación de
Sin embargo, puede resultar difícil distinguir entre las recursos en diferentes zonas de la ciudad. Al ofrecer
relaciones causales y las correlaciones espurias que explicaciones sobre las decisiones tomadas por los
pueden surgir de modelos complejos. algoritmos de IA en este contexto, como determinar
las rutas óptimas para el transporte público o decidir
Tendencias dónde construir un hospital, los planificadores podrán
Prevemos la aplicación de técnicas de XAI en muchos comprender mejor tanto el algoritmo como la propia
contextos en un futuro próximo, incluyendo varios ciudad. Este conocimiento permitirá afinar y ajustar
contextos que pueden ser de particular relevancia las estrategias de asignación de recursos para que se
para América Latina. A continuación ofrecemos ajusten mejor a las necesidades y prioridades urbanas
algunos ejemplos: específicas. Una vez más, esto tiene una importancia
significativa para América Latina, ya que la eficiencia
TOMA DE DECISIONES POLÍTICAS Y GOBERNANZA: de la asignación de recursos aborda directamente
En nuestra opinión, un área significativa en la que las las condiciones estructurales específicas de la región
técnicas de XAI pueden aplicarse en América Latina relativas a la pobreza y la desigualdad.
es la mejora de la relación ciudadano-Estado, con el
objetivo de mejorar la transparencia y fomentar la GESTIÓN DE CATÁSTROFES NATURALES:
confianza en las instituciones. A medida que aumente América Latina es propensa a diversas catástrofes
el uso de técnicas basadas en datos y algoritmos naturales, como terremotos, huracanes, inundaciones
para analizar situaciones complejas por parte de los e incendios forestales. Mediante el empleo de técnicas
gobiernos, será cada vez más importante ofrecer de XAI, los organismos de gestión de catástrofes
explicaciones satisfactorias a los ciudadanos sobre podrán ofrecer explicaciones transparentes sobre
los resultados de estos procesos. En particular, deben patrones y tendencias, lo que permitirá a los
ofrecerse garantías de que estos resultados están responsables de la toma de decisiones conocer
libres de sesgos y manipulaciones. Esto es de especial mejor el impacto potencial y la trayectoria de una
importancia en América Latina, ya que la región tiene catástrofe. Además, la XAI también puede contribuir
una larga historia de inestabilidad política que ha al desarrollo de sistemas de alerta temprana al ser
erosionado la confianza de los ciudadanos en sus capaz de identificar indicadores precoces de posibles
instituciones. catástrofes.
179
E. IA y arte
Estado del Arte
Esta sección, que no pretende ser exhaustiva,
profundiza en el panorama actual de la integración
de la IA con varias formas de arte en toda América
Latina. Al igual que en otras regiones, en la última
década América Latina ha experimentado un rápido
aumento del uso de las tecnologías de IA en las
artes. Sin embargo, el uso de estas tecnologías
no es homogéneo en toda la región. El acceso a
estas tecnologías varía no sólo de un país a otro.
También existen grandes discrepancias en el
uso de la IA dentro de los países. El acceso a las
herramientas de IA depende de muchos factores,
como la infraestructura, los niveles de conectividad,
el acceso a la tecnología y otras variables
socioeconómicas de la región. Sin embargo, esto
no ha impedido el uso cada vez mayor de la IA y su
impacto en diversas expresiones artísticas.
Los países latinoamericanos presentan un espectro
muy heterogéneo de desarrollo tecnológico, que
afecta directamente al grado de integración de
la IA en las diversas formas de arte. Naciones
como Uruguay y Chile, por ejemplo, poseen
sólidas infraestructuras digitales, altos índices
de penetración de Internet y un amplio acceso
a dispositivos de última generación. Esta proeza
tecnológica permite a los artistas de estos
países adoptar sofisticadas herramientas de
IA y profundizar en complejos algoritmos de IA
y modelos de aprendizaje automático para su
expresión artística. Por otro lado, en países con
recursos y avances tecnológicos más limitados,
como Bolivia, Paraguay y algunas regiones rurales
de países con una infraestructura digital más
sólida, los artistas se enfrentan a más dificultades
para adoptar plenamente la IA en sus obras. La
conectividad a Internet y el acceso a dispositivos
avanzados pueden ser limitados, lo que repercute
en el alcance y la profundidad de las aplicaciones
de la IA. A pesar de estas limitaciones, estos países
suelen fomentar colaboraciones únicas (como
es el caso de Cuba) con organizaciones y artistas
internacionales, que dan lugar a iniciativas creativas
de IA.
La IA ha tenido uno de los impactos más “visibles”
en las artes visuales de América Latina. El uso
del arte visual generado por IA está floreciendo
en toda la región. Desde el uso generalizado en
fotografía, diseño de presentaciones y creación
de sitios web por parte del público en general,
hasta usos más sofisticados por parte de artistas
profesionales e instituciones. Un rápido vistazo a
Internet nos permite ver una serie de sitios y páginas
web generados en América Latina que incorporan
tecnologías de IA en sus ricos diseños. Las
instituciones están integrando técnicas de IA en sus
procesos de creación, comisariado de instalaciones,
diseños y análisis de datos. Un ejemplo concreto
180
de esta aplicación es el uso de la IA en algunos
museos, donde se ha utilizado para generar
exposiciones que incluyen el uso de algoritmos de
reconocimiento facial para ofrecer una experiencia
más individualizada al público asistente.
Los artistas visuales utilizan cada vez más
algoritmos de IA para ayudar en la producción y
procesamiento de fotografías, pinturas digitales,
esculturas e instalaciones interactivas. Varios
artistas están incorporando poesía generada
por IA e instalaciones receptivas, en las que la
participación del público da forma a la obra de
arte en evolución. Otros artistas experimentan con
instalaciones impulsadas por IA que responden a
datos en tiempo real, produciendo experiencias
artísticas inmersivas y siempre cambiantes. Estos
son sólo algunos ejemplos de IA aplicada a las artes
visuales.
En el ámbito de la música, la IA está siendo utilizada
en diversos medios y por diferentes actores,
dando lugar a importantes innovaciones. La fusión
de IA y música ha dado lugar a innovaciones
revolucionarias en América Latina. Músicos y
compositores utilizan algoritmos de IA para ayudar
en la composición, generar nuevos sonidos y
mejorar las actuaciones en directo. Las empresas
están aprovechando la IA para ofrecer plataformas
de educación musical personalizadas que se
adaptan a los estilos de aprendizaje individuales.
El impacto de la IA en la industria musical puede
apreciarse en la forma en que se compone,
interpreta, comercializa y consume la música. A
nivel del consumidor, las aplicaciones y sitios web
de música que utilizan IA están revolucionando la
forma en que se distribuye, compra y comparte la
música. Servicios como Spotify, Deezer, Amazon
Music y Apple Music, presentes en América Latina,
se basan cada vez más en algoritmos de IA y
determinan la forma en que se consume la música
en la región. Estos sistemas de recomendación de
música basados en IA están ayudando al público
a descubrir nueva música y a diversificar sus
experiencias musicales.
A nivel de producción, los avances en IA en forma
de aplicaciones, plugins y sitios web especializados
permiten a personas sin formación musical
previa crear música de diversos estilos (hip-hop,
jazz, etc.) y con distintos niveles de sofisticación.
Algunos de los sitios más utilizados para música
generada por IA son Aiva, Amper Music, Muber,
Infinite Music, Jukebox by ChatGPT y muchos
más. A nivel profesional, cada vez son más los
músicos, compositores y productores que utilizan
programas de notación musical (Sibelius, Finale,
etc.) y DAW (Digital Audio Workstations) como Logic
Pro, Ableton, etc., frente a la forma tradicional de
componer con lápiz y papel.
Estos y muchos otros programas y aplicaciones A nivel profesional, en países como Colombia,
integran cada vez más capacidades de IA en forma México y Argentina, por citar sólo algunos, existen
de plugins y módulos añadidos a los softwares de varios ejemplos o “colaboraciones” en las que,
producción musical. Algunas de estas herramientas en asociación con un modelo lingüístico de IA,
facilitan o automatizan la realización de tareas los autores han experimentado la coescritura
mecánicas sencillas. Mientras que otras, ofrecen de guiones, cuentos y novelas, aprovechando el
capacidades más sofisticadas que aumentan la potencial de la colaboración entre la creatividad
producción y facilitan la exploración de nuevas ideas humana y la de la IA. Estas experiencias, sin
musicales generadas por algoritmos de IA. Aunque embargo, no están exentas de polémica. Siguen
todavía son minoría, muchos músicos colaboran con existiendo muchas cuestiones relacionadas con la
algoritmos de IA para generar melodías, armonías y autoría, los derechos de autor y la compensación
ritmos. a los autores legítimos (algo que trataremos más
adelante en este artículo).
Por otro lado, la IA está dejando su huella en el
ámbito de la literatura y la escritura creativa en La IA también puede ayudar a promover la
América Latina. Se están utilizando algoritmos de diversidad cultural y la representación en la
procesamiento del lenguaje natural para analizar literatura latinoamericana. Al analizar diversas obras
obras literarias de diferentes regiones del mundo, lo literarias de la región, los algoritmos de IA pueden
que permite a los autores explorar estilos narrativos ayudar a identificar patrones, temas y puntos en
y temas innovadores. La IA ofrece a escritores común que destaquen las voces y experiencias
profesionales y no profesionales la posibilidad únicas de los autores latinoamericanos. Por último,
de investigar temas, crear esquemas, emplear la IA también se está utilizando para mejorar
tramas y personajes generados por la IA y muchos las herramientas de traducción y aprendizaje
otros recursos que ayudan a agilizar y mejorar su de idiomas, facilitando el intercambio de obras
proceso creativo. La IA está siendo utilizada por literarias entre diferentes culturas e idiomas.
estudiantes de todos los niveles (la IA puede sugerir
mejoras, corregir la gramática, ofrecer sugerencias Aunque los contenidos generados por IA pueden
estilísticas, etc.) y cada vez hay más iniciativas para ser impresionantes, hay quien sostiene que carecen
incluir el uso pedagógico de la IA como herramienta de la profundidad de las emociones y experiencias
de aprendizaje dentro y fuera del aula. humanas que hacen atractiva la literatura
tradicional.
181
Para el caso de las artes escénicas, la IA también Por otro lado, los artistas de países o regiones con
está cambiando el panorama en América Latina, una infraestructura tecnológica limitada pueden
fomentando colaboraciones interdisciplinarias y tener dificultades para acceder a las herramientas
ampliando los límites creativos. Las compañías de de IA y utilizarlas eficazmente. Los gobiernos y las
danza están incorporando tecnologías de IA para organizaciones de América Latina deben fomentar
crear espectáculos inmersivos, combinando el el desarrollo localizado de la IA y las iniciativas
movimiento con efectos visuales interactivos. En el educativas para reducir la dependencia del
teatro, se han utilizado chatbots controlados por apoyo externo y fomentar el crecimiento artístico
IA para atraer al público y facilitar experiencias sostenible.
narrativas interactivas. Además, se están
empleando tecnologías de realidad virtual (RV) Una dependencia excesiva del arte generado por
y realidad aumentada (RA) potenciadas por IA IA podría restar valor a la creatividad humana y
para crear exposiciones interactivas y envolventes a la profundidad emocional que transmiten las
que redefinen el compromiso del público. Aunque formas artísticas tradicionales. Por ejemplo, un
potencialmente son una gran herramienta, los poema generado por IA podría seguir técnicamente
problemas de acceso y los altos costes han limitado todas las reglas de la poesía, pero carecer de las
el uso de estas últimas nuevas tecnologías a muy emociones y experiencias genuinas que un poeta
pocas experiencias en América Latina. humano podría infundir en su obra.

Otras consideraciones éticas tienen que ver con el

Desafíos
Hay muchos retos y consideraciones éticas
que deben abordarse antes de que puedan
aprovecharse plenamente todas las ventajas
potenciales de la IA. Algunos de los retos más
importantes tienen que ver con cuestiones éticas,
la parcialidad de los algoritmos de IA, la propiedad
intelectual, la dependencia del apoyo externo, las
leyes y normativas, y la posible pérdida del toque
humano y la intuición.
Los algoritmos de IA pueden perpetuar
inadvertidamente los prejuicios culturales presentes
en sus datos de entrenamiento, dando lugar a
un arte generado por IA que puede carecer de
sensibilidad hacia diversas normas culturales. Los
algoritmos de IA pueden promover tendencias
globales populares en el arte, llevando a la pérdida
de expresiones y tradiciones culturales únicas
en América Latina. Por ejemplo, si la música
generada por IA se basa principalmente en los
géneros occidentales dominantes, podría eclipsar
los estilos e instrumentos musicales tradicionales
latinoamericanos, reduciendo la diversidad cultural.
Abordar y rectificar estos sesgos es crucial para
garantizar que el arte generado por IA respete y
represente la rica diversidad cultural de América
Latina.
Así como las herramientas de IA podrían ayudar
a “democratizar” la forma en que se produce y
consume el arte, a medida que el arte impulsado
por la IA gane prominencia, los artistas tradicionales
de América Latina podrían tener dificultades para
competir con las obras automatizadas y producidas
en masa. Por ejemplo, las pinturas generadas
por IA podrían inundar el mercado, dificultando a
los artistas locales ganarse la vida con sus obras
artesanales, lo que provocaría desigualdades
económicas en la industria del arte.
Además, existe la preocupación de posibles
pérdidas de puestos de trabajo. Hay abundantes
pruebas de estudios de animación, publicidad y
videojuegos que demuestran que están despidiendo
a miembros de sus equipos creativos para reducir
los costes de producción mediante el uso de IA.
Evitar la pérdida de puestos de trabajo debido a
la IA requiere un enfoque proactivo y estratégico
por parte de los individuos, las empresas y los
gobiernos, fomentando un entorno de colaboración
entre los seres humanos y la IA, y centrándose
en funciones centradas en el ser humano que
aprovechen la inteligencia emocional y la
creatividad.
Definir la propiedad y los derechos de autor de las
obras de arte generadas por IA plantea complejos
problemas jurídicos. Determinar quiénes son
los legítimos reclamantes, que podrían incluir al
creador del sistema de IA, al artista y al proveedor
de la plataforma o del conjunto de datos, requiere
una cuidadosa consideración y marcos jurídicos
claros. Según el Manifiesto del Colectivo Arte es
Ética, uno de los “aspectos negativos comunes a
casi todos los modelos de IA del mercado, es que
diluyen la autoría de las fuentes de las que derivan
sus capacidades a través del aprendizaje profundo”.
El proceso de entrenamiento de estos modelos
generativos de IA implica el uso de vastos conjuntos
de datos de contenido generado por humanos, lo
que plantea cuestiones sobre la compensación y la
propiedad de dichas obras generadas por IA.
contenido. Por ejemplo, si una IA crea arte visual
que incluya contenido ofensivo o inapropiado,
podría dar lugar a controversias y debates sobre el
uso responsable de la IA en la expresión artística.
Para hacer frente a estos peligros se requiere
un planteamiento global en el que participen
artistas, desarrolladores, responsables políticos
y la sociedad. Esto implica desarrollar algoritmos
de IA sensibles a los matices culturales, promover
conjuntos de datos de IA diversos e inclusivos,
establecer directrices claras sobre los derechos
de autor y la propiedad del arte generado por IA, y
fomentar un enfoque equilibrado que respete tanto
la creatividad impulsada por la IA como la expresión
humana tradicional.
Tendencias
Un uso responsable y ético de las tecnologías de
IA podría ofrecer muchos beneficios a las artes
en la región. Pero cada vez es más imperativo
que se establezcan normativas y formas de
aplicarlas. La IA permite a los artistas explorar
nuevas posibilidades creativas, interactuar
con el público de forma innovadora y fomentar
colaboraciones interdisciplinarias. La IA podría
desempeñar un papel vital en la conservación del
patrimonio cultural latinoamericano, facilitando el
proceso de digitalización y restauración de obras
de arte, tradiciones orales, artefactos antiguos,
manuscritos, etc. de incalculable valor. Al conservar
y digitalizar estas obras, el uso de la IA garantiza
su accesibilidad para las generaciones futuras
al tiempo que las salvaguarda del deterioro y la
pérdida.
Las herramientas de IA también pueden ayudar a
los artistas en la ejecución de tareas mecánicas,
permitiéndoles dedicar más tiempo a su proceso
creativo. Además, la IA puede servir de catalizador
para los artistas, aumentando sus límites creativos
y ofreciéndoles nuevas perspectivas. Esta
amplificación de la creatividad anima a los artistas
latinoamericanos a explorar nuevos conceptos
artísticos y a experimentar con ideas poco
convencionales, fomentando una nueva ola de arte
innovador y sugerente.
La integración de la IA en la creación artística, si
se hace correctamente, también podría ayudar a
democratizar el panorama artístico en América
Latina. Las herramientas y plataformas impulsadas
por la IA podrían llegar a ser más accesibles
y asequibles que las herramientas artísticas
tradicionales, lo que permitiría a una gama más
amplia de artistas, especialmente a aquellos con
recursos limitados, participar en la escena artística
y compartir sus creaciones con un público global.
En conclusión, la integración de la IA en las artes en
América Latina muestra una interacción dinámica
entre tradición e innovación. Las aplicaciones
actuales de la IA en las artes visuales, la música,
la literatura y otras formas de arte podrían ayudar
a destacar el potencial creativo de la región,
amplificado por los avances tecnológicos. Aunque
la IA ofrece numerosas ventajas a la hora de
preservar el patrimonio cultural, potenciar la
creatividad y democratizar el arte, sigue siendo
imperativo abordar las consideraciones éticas, los
prejuicios, los problemas de propiedad intelectual
y la dependencia del apoyo externo para fomentar
una integración más responsable e integradora de la
IA en las artes. Al adoptar la IA con conciencia ética,
América Latina puede fomentar una escena artística
más vibrante y culturalmente resonante que tienda
puentes entre el pasado y el futuro.

182 183
Fichas País
Capítulo G

184 185
186 187
188 189
190 191
192 193
194 195
196 197
198 199
200 201
202 203
204 205
206 207
208 209
210 211
212 213
214 215
216 217
218 219
220 221
222 223
224 225
226 227
228 229
230 231
232 233
234 235
236 237
238 239
240 241
242 243
244 245
Apéndice
Metodológico
Capítulo H

246 247
H.1
Presentación
del Apéndice
Este apéndice describe la metodología utilizada
para la construcción de cada subindicador del ILIA
2023, desde el proceso de medición, los criterios de
de indicadores, la agregación y los mecanismos de
imputación de valores faltantes.
En primer lugar se describe la estrategia para
recolección de datos y se ofrece un hipervínculo
para acceder a los indicadores con puntaje de cada
uno de los países. Posteriormente se detallan los
subindicadores y la metodología empleada para
su construcción a partir de fuentes abiertas. Luego
se abordan los desafíos y limitaciones que se
enfrentaron para la construcción del ILIA 2023.
Finalmente se detalla la construcción de aquellos
indicadores y subindicadores que no provienen
de fuentes públicas y comparables, además de
aquellos que provienen de fuentes e informantes
primarios.
248
H.2
Estrategia de recolección
de datos
La fuente primaria de información fue aquella
disponible públicamente para cada uno de los 12
países estudiados. El detalle de la procedencia
de cada uno de los subindicadores es posible
encontrarlo en la Tabla Descriptiva de ILIA 2023
donde éstos son segmentados en función a la
dimensión que nutren.
Durante el proceso de recolección de
información se veló permanentemente por la
comparabilidad de los datos de los distintos
estados. En consecuencia, en casos en los que los
datos públicos sólo estaban disponibles para un
país o un conjunto reducido de ellos, se prescindió
de emplearla. En esta misma línea, en casos que
algunos países contarán con data más actualizada
o de mejor calidad que aquella reportada a
organismos internacionales, se optó por la segunda
para efectos de comparación.
Tal como fue mencionado anteriormente, cada
dimensión es conformada a su nivel más granular
por subindicadores. Estos a su vez se pueden
agrupar en 2 grandes categorías: los cuantitativos
y los cualitativos. Ambos son tratados de forma
diferenciada en el proceso de recolección, aquellos
cualitativos han sido estructurados en categorías
las que son detalladas en la Tabla Descriptiva de
ILIA; mientras que los cuantitativos se recolectaron
sin incurrir en un procesamiento posterior.
Para revisar los indicadores detallados de cada uno
de los países, acceder a este link.
249
H.3 Tabla Descriptiva de ILIA 2023

250 251
252 253
254 255
256 257
258 259
260 261
H.4
Modelo de agregación de
subindicadores
La información recolectada es altamente en el Government AI Readiness Index y Tortoise en
heterogénea. Para asegurar su comparabilidad, The Global AI Index, se empleó el criterio Mín-Máx
el valor bruto observado para cada subindicador para normalizar los datos recolectados utilizando la
fue transformado, tomando un valor entre 0 y 100. siguiente fórmula.
Siguiendo la metodología empleada por Oxford

El porcentaje promedio de disponibilidad de datos

fue de 92,2%. Al separarlos por dimensión, la
cobertura de Factores Habilitantes fue de 93,4%,
la de Desarrollo y Adopción de 83,3% y la de
Gobernanza de 100%. En la Tabla AM. 11 Cobertura
Donde: de subindicadores e indicadores se detalla la
cobertura por indicador, por dimensión y por país.
SubindicadorNi corresponde al valor normalizado del subindicador.
Como mecanismo de imputación se empleó
SubindicadorBi corresponde al subindicador, en su valor bruto, tal como fue recolectado. el criterio de “vecino más cercano”, aplicado a
aquellos los casos donde la información no estaba
Mini es el menor valor que puede tomar el subindicador en su valor bruto u original. disponible para todos los países pero sí para el
50% de los países o el 30% de los países y el 75%
Maxi es el mayor valor que puede tomar el subindicador en su valor bruto u original. de los países prioritarios (Argentina, Brasil, Chile,
Colombia, México y Uruguay). Se consideró dicho
vecino a aquel cuya diferencia de PIB per cápita
fuera la menor entre el país con los datos faltantes
Cabe destacar que, se establecieron dos tipos de mínimos y y aquellos con datos que se encontraran en una
máximos: factibles y efectivos observados. Los factibles se posición superior o inferior. Esta estrategia consiste
asocian, en su mayoría, a subindicadores categóricos; y los en sustituir el valor ausente con los datos del país
efectivos, a continuos. De tal modo, cuando se conocía el que posee el PIB per cápita más similar y que tenga
mínimo y máximo valor posible para el subindicador en cuestión, datos imputados para ese subindicador.
se empleó como tal; en caso contrario, se empleó el efectivo
observado. Para mayor detalle ver Tabla AM 10. A fin de velar
por la comparabilidad de la información recolectada, en los
subindicadores cuantitativos de alta dispersión, el valor bruto se
transformó en per cápita previo a la normalización.

La agregación categórica de los subindicadores pondera por

igual cada uno de sus componentes1. Ello en respuesta a que
no se dispone de información que permita sustentar un ajuste
que otorgue mayor peso a algunos componentes en desmedro
del resto. Esta metodología de agregación se replica de forma
ascendente hasta conformar el Índice de cada país. Es decir,
todos los subindicadores de un indicador tienen el mismo peso
para el cálculo de un indicador; y todos los indicadores tienen el
mismo peso para el cálculo de una subdimensión. Finalmente,
cada subdimensión tiene la misma ponderación que todas las
otras para el cálculo de una dimensión. A modo de ejemplo, si un
indicador se compone de 4 subindicadores, cada uno tendrá un
peso relativo de 25% para el valor del indicador.
1. Los casos donde la agregación
es modificada son expuestos en
Una vez disponible el índice para cada país analizado, se la Tabla AM 10. En específico,
promedia el resultado para obtener el de la región. Cabe destacar se contemplan en la dimensión
de Gobernanza, atendiendo que
que el promedio es empleado también en cada nivel de apertura existen múltiples modelos para que
para establecer un retrato de la región en dicho ámbito. cada país avance en la materia.

262 263
 H.5
Detalle del subindicador
orientación al bien
público, para cada país
En el caso de los elementos contemplados en el
subindicador de “Orientación al Bien Común”, se
consideró una lista de siete elementos usualmente
relacionados a tópicos de inclusión y equidad
dentro del ámbito de aplicación de inteligencia
artificial. Estos tópicos son: género, niñez,
cambio climático, pueblos indígenas, población
afrodescendiente, impacto en el trabajo y personas
con discapacidad. Se asignó un puntaje según
la cantidad de temas incluidos dentro de las
estrategias nacionales de inteligencia artificial,
pudiendo variar desde puntaje 0 cuando este no
incluye ninguno de los tópicos a puntaje 7 cuando
incluye todos los elementos de la lista. Cabe
mencionar que cursos de formación de habilidades,
conocimientos o capacidades computacionales
en niños son considerados como un elemento de
“niñez”, salvo que estos incluyan explícitamente la
protección de derechos de infancia y la protección
de niños, niñas y adolescentes.

La Tabla AM.1 describe el detalle de los tópicos

abordados para cada país, según cuántos
elementos de bien común están contemplados en
sus respectivas estrategias de IA.

Fuente: ILIA 2023, Cenia.

264 265
 Tabla AM.2 Subdimensión “Regulación”
H.5.1
Detalle de subdimensión
Regulación
La subdimensión de Regulación se compone de
3 indicadores: Regulación sobre IA, Regulaciones
relacionadas y Experimentación regulatoria. La
primera consiste en determinar la existencia de una
ley sobre regulación de IA en el país en cuestión y
si acaso está en fase de proyecto o promulgada.
Como base para las regulaciones relacionadas se
utilizan las leyes de protección de datos personales
y de ciberseguridad, ambas entendidas como
habilitantes para las iniciativas de uso de datos y
entornos digitales necesarias para el despliegue
de sistemas de IA. Por último, las iniciativas de
experimentación regulatoria se centran en los
sandboxes y policy prototyping para IA, que son
los mecanismos más comunes identificados en
la literatura para el desarrollo de experiencias de
experimentación regulatoria.

La Tabla AM. 2 muestra los antecedentes

utilizados para la asignación de puntaje para cada
subindicador. Para experimentación regulatoria,
además de una búsqueda particularizada, se
observaron las iniciativas de policy prototyping
de Open Loop3. Aunque la información no está
siempre actualizada, también se puede consultar a
las bases de datos del Departamento de Derecho
Internacional de la OEA4 y el Observatorio de la
Ciberseguridad de la misma institución junto con
BID5.

3. https://openloop.org/lets-
unlock/#program-america

4. https://www.oas.org/es/sla/ddi/
derecho_internacional.asp

5. https://observatoriociberseguri-
dad.org/#/home

266 267
 Fuente: ILIA 2023, Cenia.

268 269
 Tabla AM.3 Subdimensión “Internacional”
H.6
Detalle de subdimensión
Internacional
La subdimensión de “Internacional” se compone
de 3 indicadores: Participación en definición
de estándares, Participación en organismos
internacionales y Regulación internacional.
Respecto a la primera, se determinó la
participación del país en el establecimiento de
normas ISO para IA, lo que implica la participación
en el establecimiento de estándares a nivel
internacional. En cuanto a la participación en
organismos internacionales, se determinó la
participación en comités de impacto global en
temas de IA, basándose principalmente en la OCDE
y el Global Partnership on Artificial Intelligence
(GPAI). Se descartaron iniciativas internacionales
de alcance regional tales como la iniciativa fAIr
LAC del Banco Interamericano de Desarrollo ,
privilegiando aquellas de alcance global que están
insertas e impactan a nivel mundial, como las
ya mencionadas. Por último, siguiendo la misma
orientación ya descrita, se utilizó como criterio
de regulación internacional si el país adhiere a
los principios OCDE de IA o si ha incorporado los
principios de UNESCO. La sola suscripción de los
principios de UNESCO no es informativa, debido
a que todos sus miembros están suscritos, pero la
incorporación de estas recomendaciones es una
iniciativa actualmente en marcha dentro de la
región.

A continuación se presentan los detalles de cada

indicador y los antecedentes que se tuvieron a la
vista al momento de asignar el puntaje (véase la
Tabla AM.3). Solo las economías más grandes de la
región participaron del Comité ISO de Inteligencia
Artificial6 y son miembros plenos de GPAI7
Argentina, Brasil y México. La lista de adherentes
OCDE8 contempla a más países, porque incluye la
adherencia de otros países no miembros.

6. Miembros comité ISO para

estándares de IA https://www.iso.
org/committee/6794475.html

7. Miembros GPAI https://gpai.ai/

community/

8. Listado de adherentes principios

OCDE https://legalinstruments.
oecd.org/en/instruments/OECD-LE-
GAL-0449#adherents

270 271
 H.7
Construcción de
indicadores de
investigación y migración
de talento.
Los capítulos B y C, sobre factores habilitantes
e investigación, desarrollo y adopción, incluyen
puntaje asignado a partir de la estimación de
movilidad de talento dentro y fuera de América
Latina, además de el número de autores,
publicaciones, citas y productividad por cada país
evaluado en el ILIA. A continuación se detalla la
metodología que se utilizó para el cálculo de los
indicadores que asignaron el puntaje a cada país.

Fuente: ILIA 2023, Cenia.

272 273
H.7.1
Base de datos: Openalex
Openalex es una base de datos bibliográfica libre y
heterogénea, contiene elementos tales como artículos
científicos, autores, instituciones, conceptos (Priem,
J. et al., 2022). A diferencia de bases bibliográficas
tradicionales como Scopus y Web of Science (WOS),
Openalex es una base de datos que no solo considera
artículos científicos publicados e indexados, sino
también artículos científicos no-publicados o en
revisión (pre-prints). Openalex, es la continuación libre
y actualizada (hasta la fecha) de Microsoft Academic
Graph (MAG). MAG fue una versión experimental de
un grafo heterogéneo multidisciplinario y cerrado
de artículos científicos que existió hasta el año
2021. A partir del 3 de enero del 2022, el equipo
OurResearch (https://ourresearch.org/, accedido el
31 de Julio, 2023) construye y almacena la fuente
de datos Openalex con el mismo paradigma que
MAG, pero esta vez de acceso libre, actualizada y
completamente accesible a través de una API y con
descarga inmediata a la fuente de datos original
(https://openalex.org/about, accedido el 31 de
Julio, 2023). Actualmente, Openalex almacena
aproximadamente 240M de artículos científicos,
casi 2.7 veces más que las bases de datos Scopus
y WOS. Adicionalmente, maneja distintos tipos de
entidades, entre las cuales están artículos, autores,
fuentes, instituciones, conceptos, publicadores
y financiadores (Figura 1). Por consecuencia,
Openalex maneja cientos de millones de entidades
y miles de millones de conexiones entre entidades
(aproximadamente 300 GB de espacio en disco).
274
H.7.2
Descarga y poblamiento
local de base de datos
Openalex permite realizar consultas simples a
los datos a través de su API, por ejemplo, contar
el número de artículos científicos de un autor
específico a partir del ORCID number. Sin embargo,
no es posible contar el número de artículos
científicos de un autor que contengan el concepto
de “Artificial Intelligence” con un puntaje mayor al
20%. La segunda consulta es clave para obtener
artículos científicos de inteligencia artificial.
Debido a la imposibilidad de realizar consultas
más complejas con la API de Openalex, los
investigadores responsables (Felipe Urrutia, Andres
Carvallo) deciden descargar y poblar localmente la
base de datos original de Openalex.
El equipo responsable (Felipe Urrutia, Andres
Carvallo y Cristian Contreras) siguió los pasos en la
documentación de Openalex9 para descargar todos
los datos y poblar localmente la base de datos
como un modelo entidad relación en PostgreSQL10).
• Fecha de extracción: 3 de Mayo, 2023.
• Fecha de poblacion: 29 de Mayo (KRAKEN), 16 de
Junio (LLAIMA).
• Artículos científicos entre que años tenemos: de
1987 a 2023.
• Número de artículos científicos en total: 249
millones de papers.
• Tamaño en memoria: fullprod 1106 GB
(tobebackedup_size 9145 kB, junk_size 1106 GB).
• Cantidad de entidades y relaciones: 6 entidades,
11 relaciones, más otras 19 tablas.
• Máquina: servidor LLAIMA (KRAKEN - CENIA).
9. Disponible en https://docs.
openalex.org/download-all-data/
download-to-your-machine,
accedido en Mayo, 2023. Disponible
en https://docs.openalex.org/
download-all-data/download-to-
your-machine, accedido en Mayo,
2023.
10. Disponible en https://docs.
openalex.org/download-all-data/
upload-to-your-database/load-to-
a-relational-database, accedido en
Mayo, 2023.
275
H.7.3
Estrategia de
identificación de artículos
científicos de IA
Cada artículo científico en Openalex tiene asociado
un conjunto de conceptos (tabla works_concepts =
(work_ id, concept_ id, score)). Por ejemplo, el artículo
de Omer Levy & Yoav Goldberg (2014), “Neural
Word Embedding as Implicit Matrix Factorization”,
tiene los conceptos “Word embedding” y “Artificial
intelligence”, entre otros. Openalex utiliza un
modelo neuronal, de principio a fin, que etiqueta
conceptos de acuerdo a los conceptos/tópicos
presentes en el título, abstract, y otros metadatos
del artículo científico11. Por consecuencia, para
cada concepto, el clasificador entrega un puntaje
que indica que tan probable es la presencia del
concepto en el artículo científico. Por ejemplo, en
el artículo de Omer Levy & Yoav Goldberg (2014),
“Word embedding” tiene un puntaje de 66.9% y
“Artificial intelligence” de 45.2%, mientras que el
concepto “Paleontology” tiene un puntaje de 0%.
Tal como se observa en el ejemplo anterior, pese a
que el concepto “Paleontology” tiene un score nulo,
aun así el concepto está conectado con el artículo
científico. Incluso para artículos científicos que se
etiquetan con el concepto de “Artificial Intelligence”,
existe un porcentaje considerable de artículos
científicos que tienen el concepto etiquetado con
un puntaje nulo, por ejemplo, https://api.openalex.
org/works/W4205543764, accedido el 31 de Julio,
2023.
En primer lugar, para la confección de la primera
versión de los índices (versión actual: Julio, 2023),
el equipo responsable (Felipe Urrutia y Andres
Carvallo) decide utilizar únicamente los artículos
científicos etiquetados con el concepto de “Artificial
intelligence” para confeccionar los índices de la
producción científica en AI. Por otro lado, debido
a que existen artículos científicos con el concepto
de IA etiquetados con un puntaje bajo, incluso
nulo, el equipo responsable decide definir un
puntaje mínimo para identificar aquellos artículos
científicos, etiquetados con el concepto de IA, que
efectivamente son de IA. Para resolver el problema,
el equipo responsable realiza los siguiente pasos:
1. Seleccionar una muestra aleatoria de muestra
aleatoria de 476 artículos científicos etiquetados
con el concepto de IA.
2. Identificar manualmente cuáles de ellos son
efectivamente de AI. Para el etiquetado manual,
solo uno de los integrantes responsable (Felipe
Urrutia), investigador en IA, etiqueta la totalidad
276
de la muestra para decidir si el artículo se incluye o
excluye como artículo de IA.
3. Encontrar un puntaje mínimo para identificar
aquellos artículos científicos etiquetas con el
concepto de IA que efectivamente son de IA. Para
encontrar el puntaje mínimo, el equipo responsable
ajusta un árbol de decisión de un nivel, usando
los datos etiquetados por el experto, para que
clasifique, en base al puntaje, si el artículo se
incluye o excluye como artículo de IA.
El equipo responsable identifica que el puntaje
mínimo óptimo es del 20% (Figura 2). De esta forma,
durante el resto de la metodología, los artículos
científicos que se dicen de IA, son todos aquellos
artículos científicos que están etiquetados con el
concepto de AI pero con un puntaje mayor o igual al
20%.
11. Disponible en https://github.
com/ourresearch/openalex-
concept-tagging, accedido el 31 de
Julio, 2023
H.7.4
Medición de la
producción científica en
IA
El equipo responsable (Felipe Urrutia y Andres
Carvallo) ha diseñado consultas en lenguaje SQL
para confeccionar tres índices de medición de la
producción científica en IA (Tabla AM.4 ). Los índices
considerados son lo siguientes: 1) Cantidad de
artículos científicos de IA, 2) Cantidad de autores
con artículos científicos de IA, y 3) Cantidad de citas
de artículos científicos de IA.
Cada uno de los índices se desagrega por país y por
año. Openalex almacena explícitamente el año de
publicación del artículo científico (publication_year).
Sin embargo, el país de un artículo científico es un
dato implícito, dado que no es evidente el país de
origen de un artículo científico cuando es propiedad
de autores de distintas nacionalidades. Tampoco es
evidente la nacionalidad de un autor, dado que el
autor puede tener en autores artículos científicos en
afiliaciones de distintos países. Dada la ambigüedad
del origen de los artículos científicos, el equipo
responsable decide el siguiente procedimiento para
relacionar artículos científicos con países:
1. Cada artículo científico (work_ id) es escrito por un
conjunto de autores (author_ id).
2. Cada autor escribe un artículo científico en una
afiliación específica (institution_ id).
3. Cada afiliación específica tiene un país designado
(country_code).
4. Por defecto, cada artículo científico tendrá
asociado un conjunto de países. Los países,
designados al artículo científico, serán aquellos
a los cuales existe una afiliación en alguno de los
países, y existe un autor que escribe el artículo
científico en dicha afiliación.
5. En consecuencia, para la asignación de artículos
científicos con países, no importa el número de
autores, sino la existencia de al menos un autor con
una afiliación en el país en cuestión.
277
H.7.5 H.7.6
Colaboración en IA Medición de tendencias
entre países en conceptos de IA
Se realizó una consulta para encontrar colaboración entre países, El investigador responsable (Felipe Urrutia) ha Intelligence”, en donde se encuentra el concepto de
donde el país representa el país de la institución del autor en determinado un conjunto de conceptos de AI. NLP.
la fecha de publicación. Se eliminan países duplicados en una Para cada uno de los conceptos del conjunto,
misma publicación, por ende si un autor de un país colabora con el responsable calcula la cantidad de artículos Por otro lado, la gráfica de tendencia de conceptos
3 otros de otro país, este último se considera tan solo como una: científicos de IA que tienen etiquetado el concepto para la región de LATAM viene dada como sigue:
Se realizó una consulta para encontrar colaboración entre países, en cuestión, por país y por año de publicación.
donde el país representa el país de la institución del autor en Para seleccionar el conjunto de conceptos de IA, 1. El equipo responsable identifica la región de
la fecha de publicación. Se eliminan países duplicados en una el investigador responsable realiza el siguiente LATAM como los siguientes países de interés: Brasil,
misma publicación, por ende si un autor de un país colabora con 3 procedimiento de selección: Chile, México, Uruguay, Colombia, y Argentina.
otros de otro país, este último se considera tan solo como una:
1. Incluir todos aquellos conceptos en Openalex de 2. La gráfica se confecciona a partir de una
nivel 1 que tienen como ancestro al concepto de combinación lineal de las gráficas de cada país. Los
SELECT DISTINCT w1.work_ id, w.publication_year AS publication_year, i1.country_code AS country1, IA (Artificial Intelligence: https://explore.openalex. ponderadores, o coeficientes de la combinación
i2.country_code AS country2 org/concepts/C154945302, accedido en 1 de Julio, lineal, vienen dados por la versión normalizada de
FROM openalex.works_authorships w1 2023). Ver lista de ancestros aqui: https://docs. los índices per cápita de cada país.
JOIN openalex.works_authorships w2 ON w1.work_ id = w2.work_ id AND w1.institution_ id < w2.institution_ id google.com/spreadsheets/d/1LBFHjPt4rj_9r0t0TTAlT
JOIN openalex.institutions i1 ON w1.institution_ id = i1.id 68NwOtNH8Z21lBMsJDMoZg/edit#gid=575855905.
JOIN openalex.institutions i2 ON w2.institution_ id = i2.id
JOIN openalex.works_ ids wid ON w1.work_ id = wid.work_ id 2. Incluir todos aquellos conceptos en Openalex
JOIN openalex.works w ON wid.doi = w.doi equivalente a subcategorías de la categoría AI
WHERE i1.country_code < i2.country_code AND w1.work_ id IN ( en wikipedia (Categoria “Articial Intelliegence”
SELECT work_ id en wikipedia: https://en.wikipedia.org/wiki/
FROM openalex.works_concepts Category:Artificial_ intelligence). Ver lista en la Tabla
WHERE score >= 0.2 AND concept_ id = ‘https://openalex.org/C154945302’ AM.5.
);
3. Incluir todos aquellos conceptos en Openalex
equivalente a subcategorías de la categoría
Donde este concept_id: https://openalex.org/C154945302 es el Aplicaciones de AI en wikipedia (Categoria
concepto de IA. “Applications of Articial Intelligence” en
wikipedia: https://en.wikipedia.org/wiki/
La posición relativa entre cada país se determina a partir de la Category:Applications_of_artificial_ intelligence). Ver
similitud de conceptos entre las producción científica de IA de lista en la Tabla AM 5
cada país. Los países se representan como una distribución de
conceptos. Los conceptos seleccionado cumplen el siguiente El equipo responsable decide incluir no sólo los
procedimiento: conceptos de Openalex que tienen como ancestro
a AI, por ejemplo “Artificial Neural Networks” y
Todos aquellos conceptos de nivel 0, exceptuando CS: Computer “Machine Learning”, sino también incluir una familia
Science, adicional de conceptos. La extensión del conjunto
Todos aquellos conceptos de nivel 1 que tienen como ancestro a de conceptos se debe a que conceptos claves
CS, exceptuando AI: Artificial Intelligence, en AI como Natural Language Processing (NLP) y
Todos aquellos conceptos de nivel 2 que tienen como ancestro a IA. Computer Vision (CV) no tienen como ancestro a
AI, sino que tienen como ancestro a CS, es decir
Posteriormente, cada país se representa como un vector de son hermanos de AI pero no hijos. La jerarquía
probabilidad (un vector que suma 1 y cada componente es no- poco intuitiva entre conceptos no solo ocurre
negativa) donde cada componente del vector está asociado en Openalex, sino también en otras ontologías,
a un concepto. Cada componente representa la frecuencia o también conocidas como Field of Study (FOS),
normalizada de artículos científicos de IA del país que tienen como las de Arxiv y MAG. Sin embargo, existe una
etiqueta el concepto. La normalización se realiza de tal forma manera sencilla de encontrar la familia adicional
que el vector suma 1. El equipo responsable (Felipe Urrutia y de conceptos. El equipo responsable utiliza la
Andres Carvallo) decide desglosar los conceptos de CS y IA dado riqueza del grafo de categorías de Wikipedia para
que dichos conceptos suelen llevarse gran parte de la masa de confeccionar la familia adicional de conceptos.
probabilidad, al ser conceptos etiquetado con artículos científicos Específicamente, subcategorías de “Artificial
de IA. Finalmente, cada uno de los vectores de probabilidad son Intelligence”, en donde se encuentra el concepto
proyectados en dos dimensiones con el método UMAP. de CV, y subcategorías de “Applications of Artificial

278 279
H.7.7
Medición de la migración
de talento en IA
El equipo responsable define el índice de migración
de talento de acuerdo al movimiento de autores
de AI que entran, mantienen, salen de un país dado
en un año en específico, entre otros. Por diseño, el
equipo responsable decide considerar una ventana
de dos años para verificar aquellos autores que
se mantienen publicando en un país, salen a otros
países a publicar, dejan de publicar, o incluso entran
o vuelven a publicar en un país en especial (Figura
3). En lo que sigue están las definiciones dadas por
el equipo responsable para la definicion de indices
en específico:
1. in: Cantidad de autores de IA que no publicaron
en tiempos T-1 ni T-2 en el país pero que publican en
tiempo T en el país en cuestión (ejemplo del autor C
en Figura 3).
2. out: Cantidad de autores de IA que publicaron
en el país al menos en los tiempo T-1 o T-2 pero que
dejan de publicar en el país en cuestión en tiempo T
(ejemplo de los autores E y D en Figura 3).
3. in (aff): Cantidad de autores de IA que su última
publicación de IA no fue en el país en cuestión hasta
tiempo T, pero que en tiempo T publica en el país en
cuestión.
4. out (active): Cantidad de autores de IA que
publicaron en el país al menos en los tiempos T-1 o T-2
pero no publican en el país en cuestión, y si en otro
país,en tiempo T (ejemplo del autor E en Figura 3).
5. n: Cantidad de autores de IA que publicaron en el
país al menos en los tiempos T-1 o T-2 y que siguen
publicando en el país en cuestión en tiempo T
(ejemplo del autor F en Figura 3).
6. total: Cantidad total de autores de Ia que
publicaron en el país en tiempo T.
El equipo responsable diseña dos versiones del
índice (A) y (B). Solo la versión (A) es lanzada en
la primera versión del índice. Mientras que la
versión (B) es una versión diferente en proceso de
construcción. En lo que sigue están descritas las dos
version y sus motivaciones:
A. Grueso: Contabiliza autores que publican al
menos una vez en AI. Sin embargo, dichos autores
no necesariamente son autores activos en AI.
Es decir, en el conteo de autores pueden existir
que solo publicaron históricamente una única
publicación en IA. Específicamente, dado el diseño,
280
H.7.8
Figuras referenciales
el conteo de autores que salen del país, puede ser
disminuido al considerar solo aquellos autores que
consistentemente han publicado en IA.
B. Estrecho (consistentemente AI): La versión
estrecha del índice sólo considera aquellos
autores que consistentemente publican en IA.
Para categorizar autores de AI bajo el criterio
de consistencia, el equipo responsable (Felipe
Urrutia, Andres Carvallo y Alvaro Soto) etiqueta
manualmente una muestra aleatoria de 200
autores según el criterio de consistencia en IA. El
etiquetamiento es realizado en dos etapas. Primero,
dos investigadores (Felipe Urrutia y Andres Carvallo)
etiquetan independientemente la totalidad de
los datos. Luego, el tercer investigador etiqueta
aquellos autores para los cuales no hubo un total
acuerdo de etiqueta (aproximadamente 20 autores).
Finalmente, el equipo responsable entrena un árbol
de decisión con la cantidad de artículos científicos
y la proporción de artículos científicos en AI del
autor para clasificar si el autor en cuestión es
consistentemente IA o no (Figura 4).
Figura 1 Vista de entidades según categorías entregadas por la fuente de datos / Nota. Imagen de
referencia (https://docs.openalex.org, accedido el 31 de Julio, 2023).
Figura 2 Figura ilustrativa del proceso de Categorización de artículos científicos de IA
Nota. (Izq.) Histograma del puntaje; para cada tramo en verde:
proporción de artículos incluidos en IA, y en rojo: proporción de
artículos excluidos en IA. (Der.) Árbol de decisión para clasificar si
es incluido o excluido en IA de acuerdo al puntaje del concepto de
IA en el artículos científico (según él clasificación de conceptos
de Openalex).
281
Figura 3 Figura ilustrativa para mecanismo de estimación de migración de talento en IA / Fuente: ILIA 2023. Figura 4 Categorización de autores consistentes en IA / Fuente: ILIA 2023, Cenia.

Nota. Ejemplos de autores para el conteo de cada criterio del Nota. Árbol de decisión para clasificar autores
índice de migración en IA. (A) es un autor que publica el año si son (Y) o no (N) consistentes en IA. “mean_IA”
T-3 pero deja de publicar desde el año T-2. Para el índice “n” el contabiliza la proporción (histórica) de artículos
autor no es contabilizado como un autor en AI que se mantiene científicos del autor que son de AI. “count_papers”
en Chile el año T. Mientras que para el índice “out (active)” contabiliza la cantidad (histórica) de artículos
no se contabiliza en tiempo T-2 como un autor de IA que deja científicos del autor en cuestión.
de publicar en Chile. (B) es un autor en IA que publica en T-2
en otro país, y que después entra a publicar en Chile el año T.
(C) Es un autor que publica en T-1 en otro país, pero después
entra a publicar a Chile el año T. (D) Publica en tiempo T-1 y
luego en tiempo T sigue siendo contabilizado como autor de IA
en Chile. (E) es un autor que publica en tiempo T-1 en Chile y
continúa publicando en tiempo T pero que no publica en Chile
(contabilizado en el índice “out (active)”). (F) es un autor que
publica en Chile en tiempo T-2, deja de publicar en tiempo T-1,
pero vuelve a publicar en tiempo T (contabilizado en “n” pero no
en “in (aff)”).

282 283
Tabla AM.4 Consultas para la confección de los indicadores sobre talento en IA, ILIA 2023 Tabla AM.4 Consultas para la confección de los indicadores sobre talento en IA, ILIA 2023

Nota. El prefijo openalex.* corresponde al nombre

del esquema donde se almacena la base de datos
Openalex. El concepto_ id “https://openalex.org/
C154945302” corresponde al identificador en
Openalex el concepto “Artificial Intelligence”.
Fuente: ILIA 2023, Cenia.

284 285
Tabla AM.5 Lista de conceptos de AI Tabla AM.6 Población utilizada para el ajuste Per cápita / Fuente:ILIA 2023. Cenia

12.Nota. Subcategorias de AI en
Wikipedia: https://en.wikipedia.
org/wiki/Category:Artificial_
intelligence, y Subcategoria de
Aplicaciones de AI en Wikipedia:
https://en.wikipedia.org/wiki/
Category:Applications_of_artificial_
intelligence.

286 287
 Tabla AM.7. Tesauro para Twitter / Fuente: ILIA 2023, Cenia.
H.8
Percepción sobre IA
El Capítulo E del ILIA expone una aproximación
respecto a la percepción respecto a la IA en
América Latina, utilizando datos provenientes
de dos fuentes: medios digitales y twitter. A
continuación se detalla la metodología utilizada
para su construcción.

Para extraer información de la percepción de la IA

en las redes sociales, específicamente Twitter, se
implementó una metodología en dos fases.

En la primera fase, que se llevó a cabo durante los

meses de noviembre de 2022 y enero de 2022, se
utilizó la API oficial de Twitter para recolectar datos
precisos y contextualmente relevantes. Buscamos
una coincidencia exacta en el contenido de los
tweets que incluyeran la frase “inteligencia artificial
<país>”, seguido de una revisión manual para
garantizar la precisión y pertinencia de los datos.
Esta fase generó una muestra de 18,708 tweets,
distribuidos entre las regiones de Norteamérica,
Extremo Sur, Andina 2, Brasil y Andina 1.

En la segunda fase, desarrollada entre enero

(excluyendo los tweets ya recopilados previamente)
y abril de 2023, la búsqueda se amplió a través
de un tesauro más extenso de IA para obtener
un corpus más grande de tweets (véase Tabla
AM.7). Para esta recolección de datos, se usó la
biblioteca sns scraper13, resultando en un conjunto
de aproximadamente 31 millones de tweets.

13.https://github.com/
JustAnotherArchivist/snscrape

288 289
 H.8.1
Método de
procesamiento de texto
El proceso de limpieza de los tweets implicó varios
pasos para asegurar que los datos estuvieran
preparados adecuadamente para el análisis.
Inicialmente, se eliminaron los caracteres
especiales, los enlaces URL y los emojis que no
aportaban información relevante para el estudio.
Luego, se procedió a la eliminación de las llamadas
“stopwords”, palabras comunes en el lenguaje que
suelen ser filtradas en el procesamiento de texto,
como preposiciones, conjunciones y artículos, ya
que no aportan mucho valor al análisis semántico.

Para ello, se utilizó una lista predefinida de

“stopwords” en el idioma correspondiente. Este
proceso fue seguido de la normalización del texto,
lo que implicó convertir todos los caracteres
a minúsculas. En nuestro análisis de tweets,
decidimos no utilizar la lematización ni el stemming.
Aunque estas técnicas de procesamiento de
lenguaje natural pueden simplificar el análisis,
también pueden ocultar matices lingüísticos
importantes. Al conservar las palabras en su forma
original, mantenemos la riqueza y precisión del
lenguaje utilizado en las discusiones de Twitter
sobre la inteligencia artificial, permitiéndonos una
interpretación más detallada y contextualmente
precisa.

Nota: Conceptos del tesauro en español y portugués.

290 291
H.8.2
Métodos para
clasificación de tweets
sobre IA y geolocalización
tweets son de IA
Para la clasificación de los tweets según su región
de origen y su relación con el tema de la IA, se
empleó un clasificador entrenado con la primera
descarga de tweets. Este conjunto de datos,
que constaba de 18,708 tweets, ofrecía una alta
precisión y un volumen razonable de datos. Para
garantizar la precisión de la información, este
conjunto de datos fue sometido a una validación
manual.
Para llevar a cabo esta tarea de clasificación, se
seleccionó mBERT (Multilingual BERT), una variante
de BERT (Bidirectional Encoder Representations
from Transformers) que ha sido pre-entrenada en
104 idiomas. La elección de mBERT se basó en su
capacidad para comprender varios idiomas, lo que
era esencial dado el carácter multilingüe de los
datos recopilados. Además, mBERT se utilizó para
convertir los tweets en “embeddings”, es decir,
representaciones vectoriales de alta dimensión,
que capturan el contenido semántico de los textos.
Sobre estos “embeddings”, se entrenó una capa
lineal adicional utilizando los datos de los tweets
recogidos en la primera descarga. Esta capa lineal
tuvo la tarea de clasificar los tweets según dos
criterios: su pertenencia a una región específica y
su relevancia respecto al contenido de Inteligencia
Artificial.
Si la probabilidad predicha para una región
específica era menor a 0.4, los tweets
correspondientes se excluyeron de la muestra
de los 31 millones de tweets obtenidos durante
la segunda etapa de la extracción de datos. Este
umbral, establecido tras un análisis de sensibilidad,
buscó equilibrar precisión y cobertura en la
clasificación regional de los tweets recogidos. De
esta manera, se mantuvo la calidad del análisis sin
sacrificar excesivamente la cantidad de datos.
Para el conjunto de tweets recolectados en la
segunda etapa de extracción, aunque mBERT
demostró un alto rendimiento y capacidades
multilingües, se hizo evidente la necesidad de
ciertas correcciones para garantizar la precisión en
la clasificación regional. Una de estas correcciones
se realizó cuando la clasificación regional
proporcionada por mBERT no coincidía con la
información del país en el nombre del autor del
tweet. En estos casos, se realizó una corrección
292
Tabla AM.8 Rendimiento de mBERT en la clasificación de tweets por región.
manual. Asimismo, se utilizó una lista geográfica
detallada que incluía instituciones, regiones y
ciudades de los países considerados en el estudio,
denominada “gazeteer”. Si la clasificación regional
de mBERT en la segunda descarga de tweets no
concordaba con la información geográfica en el
“gazeteer”, se procedía a otra corrección.
Adicionalmente, se consideraron los nombres de
los medios de comunicación de cada país y los
nombres de usuarios específicos de cada región.
Cuando la clasificación de mBERT no estaba en
línea con esta información, se realizó una corrección
adicional. Estas medidas correctivas contribuyeron
significativamente a aumentar la precisión de la
clasificación regional de los tweets. De esta forma,
se pudo garantizar que los tweets clasificados como
relacionados con la IA fueran verdaderamente
relevantes para el estudio.
Los resultados presentados en la Tabla AM 8, derivados de los
datos de la primera descarga de tweets, son evaluados a través
de validación cruzada de 5 folds sobre los datos de la primera
descarga. Los resultados incluyen la precisión, llamado (recall)
y puntaje F1 (F1-score) para cada región, así como la precisión
global, poniendo en evidencia la efectividad del modelo en esta
tarea de clasificación. Resalta la efectividad significativa del
modelo mBERT en la clasificación de los tweets por región y su
relevancia con respecto a la temática de la Inteligencia Artificial
(IA). A través de una evaluación con validación cruzada de 5 folds,
el modelo consiguió una precisión global, o “accuracy”, de 0.78.
Al profundizar en los resultados por región, se notaron
fluctuaciones en las métricas de precisión, recall y F1-score. Brasil
se destacó con las cifras más altas, registrando una precisión de
0.85, un recall de 0.88 y un F1-score de 0.87. En contraposición,
la región Andina 1 mostró los resultados más bajos, con una
precisión de 0.67, un recall de 0.66 y un F1-score de 0.67.
293
H.8.3
Análisis de sentimiento
Para el análisis de sentimiento de los tweets por
región, se utilizó la biblioteca PySentimiento, un
modelo basado en Transformers que soporta
múltiples idiomas y ha demostrado resultados
competitivos, especialmente en español
y portugués. Este análisis proporcionó una
clasificación de los tweets en diferentes categorías
de sentimiento.
Con el fin de asegurar la precisión y relevancia
de estos resultados, se implementó un proceso
de ajuste de probabilidades. Este proceso fue
fundamental para evitar la asignación continua
de clases neutrales, escenario común al clasificar
textos que no exhiben una polaridad o sentimiento
claro. En cada tweet del conjunto de datos, se
analizó la distribución de probabilidad de las
clases generada por el modelo PySentimiento.
Se identificaron las dos clases con la mayor
probabilidad. Cuando la clase con mayor
probabilidad resultó ser la clase neutra y la
diferencia entre la probabilidad de esta clase y
la de la segunda clase más probable fue menor
que un umbral predefinido de 0.5, se consideró
que la predicción de la clase neutra no era lo
suficientemente distintiva.
H.8.4
Modelamiento de tópicos
En el análisis de los tweets, se implementó el
modelado de temas para descubrir las principales
áreas de discusión inherentes a los datos. Se usó
el método GSDMM (Gibbs Sampling Dirichlet
Multinomial Mixture) [4], ideal para textos cortos
como los tweets, con el cual se lograron identificar
ocho temas principales.
Para asignar un título a cada uno de estos temas,
se aprovechó la capacidad de generación de texto
del modelo de lenguaje ChatGPT-414. Este modelo
se alimentó con las veinte palabras clave más
relevantes para cada tema, teniendo en cuenta la
ponderación proporcionada por el modelo GSDMM.
Así, ChatGPT-4 generó un título coherente y
representativo para cada tema basándose en estas
palabras clave.
Este enfoque combinado permitió obtener una
comprensión clara y organizada de los principales
temas de conversación en relación a la inteligencia
artificial en las diferentes regiones, mejorando el
análisis y la interpretación de los datos.

En consecuencia, se ajustó la predicción, asignando

la segunda clase más probable. Sin embargo, si la
clase con mayor probabilidad no era neutra, o si la
diferencia entre las probabilidades de las dos clases
más probables era mayor o igual al umbral de 0.5,
se mantuvo la clase con la mayor probabilidad
como la predicción del modelo. Mediante el uso
de este método de ajuste de predicciones, se
consiguió que las clases neutrales no dominaran
las predicciones del modelo, resultando en
predicciones de sentimiento más informativas y
posiblemente más precisas por cada región.

14.https://chat.openai.com

294 295
 H.8.5
Estrategia de extracción
de datos en medios
digitales
Para complementar el análisis de los tweets,
también se extrajeron datos de noticias y medios
digitales de cada región. Para llevar a cabo este
proceso, se creó un “scraper” web utilizando las
bibliotecas urllib15, requests16 y Beautifulsoup17 de
Python. Este scraper permitió recopilar información
de los principales medios de comunicación de las
regiones en estudio durante el periodo de diciembre
2022 a abril de 2023.
La información extraída incluía el titular de
la noticia, la bajada (o subtítulo) y, si estaba
disponible, el texto completo de la noticia. Este
enfoque proporcionó una visión más completa
y detallada de la percepción y discusión de la
inteligencia artificial en cada región, a partir de la
información publicada en medios de comunicación
digitales, que suele ser más formal y estructurada
que los tweets.
Esta recolección de información adicional de los
medios de comunicación permitió tener una visión
más amplia de la conversación sobre la inteligencia
artificial en las distintas regiones, ofreciendo un
complemento valioso a la información recogida a
través de Twitter.
15. vease en https://github.com/
urllib3/urllib3
16. vease en https://github.com/
psf/requests
17. vease en https://pypi.org/pro-
ject/beautifulsoup4/
296
H.8.6
Método de
procesamiento de texto
Para el procesamiento del texto de las noticias, se
aplicaron varias técnicas de limpieza y preparación
de los datos con el fin de garantizar la calidad y
coherencia de la información para su posterior
análisis. Al igual que con los tweets, las palabras
comunes o ““stopwords”” fueron eliminadas para
reducir el ruido y centrar la atención en las palabras
más significativas. Además, todo el texto se
convirtió a minúsculas para asegurar la uniformidad
y evitar duplicaciones innecesarias en el análisis
basado en diferencias de mayúsculas y minúsculas.
Adicionalmente, en función de las necesidades
específicas del análisis, se aplicaron técnicas de
procesamiento de texto como la eliminación de
números, símbolos especiales y enlaces a sitios
web, que no aportaban información relevante para
el propósito del estudio. Es importante destacar
que, al igual que en el caso de los tweets, se decidió
no utilizar las técnicas de lematización y stemming.
Aunque estas técnicas pueden ser útiles para
reducir la dimensionalidad de los datos y enfocar el
análisis en la raíz de las palabras, también pueden
conducir a la pérdida de información valiosa,
especialmente en contextos donde las formas
conjugadas o derivadas de las palabras pueden
tener significados o connotaciones distintas. Por lo
tanto, se optó por conservar la forma original de las
palabras en el texto de las noticias.
297
 H.8.7
Estrategia de análisis de
sentimiento
En el análisis de sentimiento de las noticias, se
utilizó el modelo PySentimiento [3], que se basa
en transformers para múltiples idiomas y ha
demostrado tener resultados competitivos para
el español y portugués. Para asegurar la calidad y
relevancia de las clasificaciones de sentimiento, se
implementó un ajuste de probabilidades similar al
utilizado con los tweets.
El objetivo de este proceso de ajuste fue prevenir
que el modelo asignara constantemente la clase
neutral a los textos de noticias que no presentaban
un sentimiento claramente definido. Para cada
noticia en el conjunto de datos, el modelo generó
una distribución de probabilidad para las clases de
sentimientos. Luego, identificó las dos clases con
las mayores probabilidades. Si la clase con la mayor
probabilidad resultaba ser la clase neutral y la
diferencia entre la probabilidad de esta clase y la de
la segunda más probable era menor que un umbral
predefinido de 0.5, se consideró que la predicción
de la clase neutral no era suficientemente distintiva.
En estos casos, se ajustó la predicción, asignándo
como resultado la segunda clase más probable.
En cambio, si la clase con la mayor probabilidad
no era la neutral, o si la diferencia entre las
probabilidades de las dos clases más probables
era igual o superior al umbral de 0.5, se mantenía la
predicción original del modelo, asignando la clase
con la mayor probabilidad. Este método de ajuste
de probabilidades permitió evitar que la clase
neutral dominara las predicciones del modelo,
conduciendo a predicciones de sentimiento más
informativas y, posiblemente, más precisas en el
análisis de las noticias.
298
H.8.8
Modelamiento de tópicos
Para el modelado de tópicos en las noticias
digitales, se optó por utilizar el algoritmo Latent
Dirichlet Allocation (LDA),respaldada por evidencia
de su efectividad cuando se aplica a textos largos.
Este enfoque se consideró apropiado dada la
longitud y complejidad del texto en los titulares,
subtitulares y contenido completo de las noticias
digitales cuando estaba disponible.
El modelo LDA identifica los tópicos presentes en
el conjunto de documentos, y cada documento se
representa como una distribución de tópicos. Cada
tópico, a su vez, se considera una distribución de
palabras. Al aplicar LDA, se obtuvo un conjunto de
tópicos, cada uno con una lista de palabras claves
asociadas ponderadas por su relevancia en el
tópico.
Para facilitar la comprensión de la serie de tópicos
resultantes del modelado, se utilizó la inteligencia
artificial de lenguaje natural, ChatGPT-4, para
generar títulos de los tópicos. ChatGPT-4 procesó
las 20 palabras clave más relevantes para cada
tópico, considerando su ponderación según el
modelo LDA, y generó un título que encapsula el
concepto común entre estas palabras. De esta
forma, se logró una descripción comprensible
y coherente de los tópicos identificados en las
noticias digitales.
299
 H.9
Metodología Futuro de IA
El Capítulo F del ILIA se construye con el propósito
de consolidar la visión y aportes de las y los
expertos, se llevó a cabo un análisis exhaustivo
de las discusiones generadas durante los grupos
focales para identificar tendencias respecto al
futuro de la IA en la región. Para este análisis, se
combinaron técnicas de análisis automatizado con
métodos manuales de análisis cualitativo.
300
H.9.1
Análisis automatizado
Se utilizó el poder de la inteligencia artificial para procesar y
organizar grandes volúmenes de datos textuales, permitiendo
identificar patrones, tendencias y relaciones relevantes en las
respuestas y comentarios de las y los expertos. Se emplearon
técnicas de procesamiento de lenguaje natural, específicamente
de modelamiento de tópicos para explorar y clasificar los temas
emergentes en las discusiones.
El modelamiento de tópicos se basó en la utilización de datos de
entrada que incluyeron la transcripción de audio de las sesiones
de los grupos focales, así como los textos registrados en la
plataforma colaborativa Miró. Para garantizar la exhaustividad
en el análisis, se desarrollaron un total de 7 modelos distintos:
uno correspondiente a cada grupo focal, es decir, por temática
(6), y un modelo adicional que considerara la información total
proveniente de todas las sesiones.
Para el entrenamiento de los modelos, se utilizaron los siguientes
parámetros que permitieron una adecuada extracción de los
tópicos presentes en los textos:
Número de tópicos: Se estableció un rango de posibles tópicos
que mejor se ajustara a la naturaleza y cantidad de los datos
analizados, con el objetivo de representar los temas relevantes
sin generar una segmentación excesiva o pérdida de información
significativa.
Número de iteraciones: Se determinó el número óptimo de
iteraciones que el algoritmo debía realizar para converger hacia
la solución más estable y precisa.
Eliminación de palabras vacías y stopwords: se filtraron palabras
vacías y stopwords, con el fin de eliminar términos comunes y
poco informativos que no aportaban al análisis de los tópicos.
Uso de algoritmos de procesamiento de lenguaje natural: se
identificaron y se le asignaron probabilidades a las palabras que
mejor representaran cada tópico empleando la técnica LDA
(Latent Dirichlet Allocation).
Tras el entrenamiento de los modelos, se obtuvieron resultados
significativos que permitieron una clasificación efectiva de los
tópicos presentes en las sesiones de grupos focales (véase
apartado 3). Cada tópico identificado se caracterizó por un
conjunto de palabras clave que describen su contenido y
relevancia en la discusión. Estos resultados facilitaron una visión
global y detallada de los temas abordados en cada grupo focal,
permitiendo su posterior análisis y comparación entre las distintas
temáticas. Además, el modelo que consideró la información total
brindó una perspectiva integrada y enriquecida, destacando
conexiones y relaciones inter-temáticas relevantes para el estudio
de la inteligencia artificial en Latinoamérica.
301
 H.9.2 H.9.3
Análisis cualitativo Apartado 1: Detalle sesión
manual plenaria
Para asegurar una comprensión profunda y
contextualizada de los aportes de las y los expertos,
se realizó un análisis cualitativo manual. Este
enfoque permitió identificar matices y perspectivas
específicas, capturando detalles que podrían
no ser plenamente detectados por los métodos
automáticos.

En cuanto al análisis manual, se procedió a una

revisión exhaustiva de las transcripciones de
audio, así como de las notas tomadas por los dos
moderadores presentes durante las sesiones de
grupos focales. El objetivo era comprender cómo
las discusiones y comentarios se relacionaban, o no,
con los tópicos encontrados por los algoritmos de
procesamiento de lenguaje natural.

Durante este análisis, se destacaron ideas y

perspectivas emergentes que enriquecieron
significativamente la comprensión de los temas
discutidos. También se identificaron aspectos clave
que podrían haber pasado desapercibidos en el
análisis automatizado, lo que resalta la importancia
de combinar métodos para obtener una visión
integral y rigurosa.

El enfoque manual permitió contextualizar las

aportaciones de los expertos en el contexto más
amplio de cada tema, y también proporcionó
claridad sobre las interrelaciones entre diferentes
tópicos y áreas de estudio. La complementariedad
entre el análisis automático y el manual resultó
fundamental para brindar un panorama completo
y enriquecedor, potenciando la calidad y robustez
de los resultados obtenidos en este estudio sobre
inteligencia artificial en Latinoamérica.

302 303
 Figura AM 5. Tablero de MIRO utilizado para sesión de priorización
H.9.4
Apartado 2: Detalle
encuesta de priorización
En el marco del proyecto para explorar el futuro de Cuarta pregunta:
la IA en Latinoamérica, esta encuesta servirá para Independientemente de sus respuestas anteriores,
priorizar sectores en los que se proyecta que la ¿puede sugerir participantes para los Focus Groups?
Inteligencia Artificial tendrá un impacto significativo Indicar Si o No
en la vida de las personas en la región. Los
sectores priorizados serán estudiados con mayor
profundidad, y el listado surge de una discusión Quinta pregunta:
entre actores relevantes de 12 países de la región y • Nombre Participante Sugerido
organismos multilaterales. • Dimensión para la que se sugiere
• Mail de Contacto
• País
Primera pregunta:
En base a su percepción y conocimientos, ¿en
qué orden debieran priorizarse las siguientes
dimensiones para el desarrollo de IA en
Latinoamérica y El Caribe? No necesita contestar
todas las prioridades.
Puede ver todos los sectores hacia la derecha, ya
que es posible que no se visualicen todos en la
pantalla inicial.

• Participación ciudadana.
• Sustentabilidad y Crisis Climático.
• Productividad.
• Infraestructura Digital.
• Educación.
• Investigación básica.
• Seguridad.
• Desinformación.
• Modernización del Estado.
• Automatización y Transformación del Trabajo.
• Salud.
• Energía.
• Ética.
• Agricultura y Seguridad Alimentaria.
• Resiliencia y Desastres Naturales.
• Desigualdad e Inclusión Social.
• Logística.

Segunda Pregunta:
Indicar a qué institución pertenece. Favor indicar
país de procedencia y nombre de la institución.

Tercera Pregunta:
Indicar con cuál de los siguientes sectores se
identifica principalmente. Seleccionar sólo uno.

• Academia
• Industria
• Sector Público
• Público general

304 305
Tabla AM 9: Resultados de matriz de Condorcet para Priorización de tópicos / Fuente: ILIA 2023, Cenia. Figura AM 6 Visualización de Tablero de Miro utilizado para grupos focales temáticos

306 307
H.9.5
Apartado 3: Detalle de
análisis de tópicos
A continuación se exponen los principales tópicos
que surgieron de la aplicación del modelo LDA a
la transcripción de los grupos focales durante el
transcurso del proyecto.

Palabras por tópico análisis grupo focal educación Palabras por tópico análisis grupo focal cambio climático

Palabras por tópico análisis grupo focal salud Palabras por tópico análisis grupo focal automatización

Palabras por tópico análisis grupo focal participación ciudadana Palabras por tópico análisis grupo focal investigación

308 309
H.10 / Tabla AM 10. Categorización de los subindicadores incluidos en la construcción de las dimensiones de ILIA 2023

310 311
 H.11 / Tabla AM 11. Porcentaje de cobertura a nivel de indicador y subindicador de ILIA 2023

312 313
 Fuente: ILIA 2023, Cenia.

314 315

H.12 / Tabla AM 12. Porcentaje de cobertura de los datos a nivel de dimensión y país
Fuente: ILIA 2023, Cenia.
H.13
Desafíos y limitaciones
A continuación se presentan las dificultades que
surgieron durante la recolección de información
y el cálculo de algunos de los indicadores.
Consideramos que es relevante poner a disposición
esta información para fortalecer los procesos de
mejora, rendición de cuentas y el aprendizaje entre
los países en el contexto del ILIA 2023.
En primer lugar, al priorizar bases de datos
internacionales para la comparabilidad y la certeza
de actualización a periódica de datos, se deja a una
serie de países sin una fuente primaria. Por ejemplo,
para la mayoría de los indicadores de ciencia y
tecnología de la OECD [8], solo se cuenta con datos
para Argentina, Brasil, Chile, Colombia y México.
En segundo lugar, existen una serie de indicadores
para los cuales no existe una recolección
sistemática para los países latinoamericanos, lo
que implica que se tenga que hacer una evaluación
experta y recopilación manual de dicha información
a partir de fuentes secundarias. Aun así, esto es
posible sólo para algunos países, por lo que sin
informantes expertos es todavía más compleja la
recolección.
tiene potenciales sesgos, ya que su recolección
no suele estar en centro de la operación, sino que
son generadas como una externalidad positiva.
A su vez, esto no quiere decir que los datos
públicos necesariamente sean de mejor calidad
o se encuentren exentos de sesgos. De hecho,
muchos de ellos provienen de fuentes privadas. Sin
embargo, la existencia de datos provenientes de
actores privados puede dificultar la transparencia y
explicabilidad de algunos indicadores.
En séptimo lugar, especialmente para la dimensión
de gobernanza, existen indicadores cuya valoración
positiva o negativa, en términos de asignación de
puntaje, es compleja de definir. La construcción
de un índice opera bajo el supuesto de que más es
mejor, pero sin embargo dicha interpretación en
muchos casos no es directa. Por ejemplo, no es lo
mismo un indicador de mayor o menor cobertura
de internet, sobre el cual existe un consenso en
cuanto al objetivo a lograr, que uno que mida la
presencia de una legislación específica. Esto llevó
a la incorporación de flexibilidades en el cálculo
del índice, manteniéndose como una limitación
importante.

En tercer lugar, algunos indicadores actualmente no
cuentan con mediciones específicas sobre IA, por lo
que se construyen indicadores en base a sectores
o disciplinas más amplias como las ciencias
de la computación y las habilidades digitales.
Esto se relaciona con que la definición misma de
inteligencia artificial es amplia y sus límites son
difusos y móviles.
En cuarto lugar, relacionado a la limitación anterior,
ciertas definiciones no están armonizadas entre
los países, por lo que la forma en que reportan sus
datos nacionales puede esconder problemas de
comparación a nivel internacional.
Finalmente, se buscaron mecanismos para mostrar
las brechas entre América Latina y los países del
norte global, lo cual sin embargo fue desestimado
luego establecer que la magnitud de las brecha
comprometían negativamente el análisis, incluso
a nivel agregado. En futuras versiones del ILIA se
desarrollarán mecanismos de normalización que
permitan una comparación a escala para evidenciar
las brechas de América Latina en el contexto global.

En quinto lugar, existe una gran dispersión de

datos a nivel de instituciones y organizaciones en
los países. En la actualidad no existen registros
unificados de políticas y/o sistemas de IA en los
Estados ni a niveles generales de adopción y uso.
Al mismo tiempo, los países revisados difieren
en la responsabilidad institucional de reportar y
mantener datos y al levantamiento de indicadores,
complejizando la identificación de informantes
primarios.

En sexto lugar, para una serie de indicadores se

requieren alianzas con actores privados, por lo
que no siempre es posible contar con toda la
información disponible. Cada una de estas fuentes

316 317
 H.14
Referencias para metodología
de Percepción e Investigación
[1] Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet
allocation. Journal of machine Learning research, 3(Jan), 993-
1022.
[2] Kenton, J. D. M. W. C., & Toutanova, L. K. (2019, June). Bert:
Pre-training of deep bidirectional transformers for language
understanding. In Proceedings of naacL-HLT (Vol. 1, p. 2).
[3] Pérez, J. M., Giudici, J. C., & Luque, F. (2021). Pysentimiento: A
python toolkit for sentiment analysis and socialnlp tasks. arXiv
preprint arXiv:2106.09462.
[4] Yin, J., & Wang, J. (2014, August). A dirichlet multinomial
mixture model-based approach for short text clustering. In
Proceedings of the 20th ACM SIGKDD international conference on
Knowledge discovery and data mining (pp. 233-242).
[5] Priem, J., Piwowar, H., & Orr, R. (2022). OpenAlex: A fully-
open index of scholarly works, authors, venues, institutions, and
concepts. arXiv preprint arXiv:2205.01833.
[1] Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet
allocation. Journal of machine Learning research, 3(Jan), 993-
1022.
[2] Kenton, J. D. M. W. C., & Toutanova, L. K. (2019, June). Bert:
Pre-training of deep bidirectional transformers for language
understanding. In Proceedings of naacL-HLT (Vol. 1, p. 2).
[3] Pérez, J. M., Giudici, J. C., & Luque, F. (2021). Pysentimiento: A
python toolkit for sentiment analysis and socialnlp tasks. arXiv
preprint arXiv:2106.09462.
[4] Yin, J., & Wang, J. (2014, August). A dirichlet multinomial
mixture model-based approach for short text clustering. In
Proceedings of the 20th ACM SIGKDD international conference on
Knowledge discovery and data mining (pp. 233-242).
[5] Priem, J., Piwowar, H., & Orr, R. (2022). OpenAlex: A fully-
open index of scholarly works, authors, venues, institutions, and
concepts. arXiv preprint arXiv:2205.01833.
318
H.15
Referencias del artículo
Cobertura mediática de la IA en
Chile: Temas y nudos críticos.
Sección elaborada por el Núcleo
Milenio Future of Artificial
Intelligence Research Center
(FAIR).
Alexandre, O., Beuscart, J.-S., & Broca, S. (2022). Une sociohistoire
des critiques numériques: Réseaux, N° 231(1), 9–37. https://doi.
org/10.3917/res.231.0009
Benoit, K. (2020). Text as Data: An Overview. In L. Curini & R.
Franzese (Eds.), The SAGE Handbook of Research Methods in
Political Science and International Relations (pp. 461–497). SAGE
Publications Ltd. https://doi.org/10.4135/9781526486387
Blei, D. M. (2012). Probabilistic topic models. Communications of
the ACM, 55(4), 77–84. https://doi.org/10.1145/2133806.2133826
Brennen, J. S., Howard, P. N., & Nielsen, R. K. (2018). An Industry-
Led Debate: How UK Media Cover Artificial Intelligence. 10.
Brennen, J. S., Howard, P. N., & Nielsen, R. K. (2022). What to
expect when you’re expecting robots: Futures, expectations, and
pseudo-artificial general intelligence in UK news. Journalism,
23(1), 22–38. https://doi.org/10.1177/1464884920947535
Bunz, M., & Braghieri, M. (2022). The AI doctor will see you now:
Assessing the framing of AI in news coverage. AI & SOCIETY, 37(1),
9–22. https://doi.org/10.1007/s00146-021-01145-9
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary
costs of artificial intelligence. Yale University Press.
Crépel, M., & Cardon, D. (2021). Critique de l’IA dans la presse.
https://medialab.github.io/carnet-algopresse
Crépel, M., Do, S., Cointet, J.-P., Cardon, D., & Bouachera, Y. (2021).
Mapping AI Issues in Media Through NLP Methods. 15.
Dencik, L., Hintz, A., Redden, J., & Treré, E. (2022). Data Justice.
SAGE Publications, Limited.
DiMaggio, P., Nag, M., & Blei, D. (2013). Exploiting affinities
between topic modeling and the sociological perspective on
culture: Application to newspaper coverage of U.S. government
arts funding. Poetics, 41(6), 570–606. https://doi.org/10.1016/j.
poetic.2013.08.004
319
Grimmer, J., & Stewart, B. M. (2013). Text as Data: The Promise and
Pitfalls of Automatic Content Analysis Methods for Political Texts.
Political Analysis, 21(3), 267–297. https://doi.org/10.1093/pan/
mps028

Grootendorst, M. (2022). BERTopic: Neural topic modeling with

a class-based TF-IDF procedure (arXiv:2203.05794). arXiv. http://
arxiv.org/abs/2203.05794

Gruber, J. (2023). LexisNexisTools [R]. https://github.com/

JBGruber/LexisNexisTools (Original work published 2017)

Günther, E., & Quandt, T. (2018). Word counts and topic models.
In M. Karlsson & H. Sjøvaag (Eds.), Rethinking Research Methods
in an Age of Digital Journalism (1st ed., pp. 75–88). Routledge.
https://doi.org/10.4324/9781315115047-6

Jacobi, C., van Atteveldt, W., & Welbers, K. (2016). Quantitative

analysis of large amounts of journalistic texts using topic
modelling. Digital Journalism, 4(1), 89–106. https://doi.org/10.1080
/21670811.2015.1093271

Latour, B. (2005). From Realpolitik to Dingpolitik or How to Make

Things Public. In B. Latour & P. Weibel (Eds.), Making things public:
Atmospheres of democracy (pp. 14–41). MIT Press ; ZKM/Center
for Art and Media in Karlsruhe.

Marres, N. (2017). Digital sociology: The reinvention of social

research. Polity.

Marres, N. (2021). No issues without media. The changing politics

of public controversy in digital societies. In J. Swati & J. Wasko
(Eds.), Media: A Transdisciplinary Inquiry. Intellekt Books.

Moats, D. (2019). From media technologies to mediated events:

A different settlement between media studies and science and
technology studies. Information, Communication & Society, 22(8),
1165–1180. https://doi.org/10.1080/1369118X.2017.1410205

Nguyen, D., & Hekman, E. (2022). The news framing of artificial

intelligence: A critical exploration of how media discourses make
sense of automation. AI & SOCIETY. https://doi.org/10.1007/
s00146-022-01511-1

Rabitz, F., Telešienė, A., & Zolubienė, E. (2021). Topic modelling

the news media representation of climate change. Environmental
Sociology, 7(3), 214–224. https://doi.org/10.1080/23251042.2020.1
866281

Scheufele, D. A., & Tewksbury, D. (2007). Framing, Agenda Setting,

and Priming: The Evolution of Three Media Effects Models: Models
of Media Effects. Journal of Communication, 57(1), 9–20. https://
doi.org/10.1111/j.0021-9916.2007.00326.x

Varon, J., & Peña, P. (2022). Not My A.I. Towards Critical Feminist
Frameworks To Resist Oppressive A.I. Systems. Carr Center for
Human Rights Policy Harvard Kennedy School, Harvard University.
https://carrcenter.hks.harvard.edu/files/cchr/files/22_varon.pdf

320 321
322