Inteligencia Artificial en la Gestión Pública: Del Uso Eficiente de Recursos a la Detección Sistémica de Corrupción

El elefante en la sala: por qué necesitamos hablar de IA y corrupción en la gestión pública

En 2022, el Gobierno de México gastaba un promedio de 2.7 millones de pesos por minuto en obras públicas, según datos de Mexicanos Contra la Corrupción y la Impunidad, refiriéndose a gastos no declarados en CompraNet, el portal destinado a mostrar contratos públicos. Según el Índice de Capacidad para Combatir la Corrupción del Consejo de las Américas (AS/COA) y Control Risks, el 70% de los expertos considera la corrupción un desafío crítico en sus países.

Y mientras escribo estas líneas, al menos 14 instituciones del gobierno federal mexicano ya utilizan inteligencia artificial o desarrollan proyectos basados en esta tecnología, según una revisión de 45 solicitudes de transparencia realizada hasta noviembre de 2025, pero lo hacen sin una ley específica, sin lineamientos homogéneos de gobernanza algorítmica y sin mecanismos claros de auditoría.

La pregunta ya no es si la IA puede transformar la gestión pública. La pregunta es: ¿por qué no la estamos usando de manera estructurada para detectar, prevenir y combatir la corrupción de forma sistémica?

I. El estado del arte: cómo se está usando la IA contra la corrupción en el mundo

Detección de anomalías en contratación pública

La contratación pública es, históricamente, el terreno más fértil para la corrupción. Los esquemas van desde licitaciones diseñadas a la medida de un proveedor, hasta oferentes ficticios que simulan competencia. Aquí es donde la IA ha demostrado su mayor impacto hasta la fecha.

En la Unión Europea, el proyecto Digiwhist utiliza big data para detectar fraudes en la contratación pública a nivel continental, procesando indicadores y datos públicos en colaboración con organizaciones como Xnet y bajo el liderazgo de la Universidad de Cambridge.

Un estudio de 2025 publicado en ScienceDirect propone una metodología que combina Machine Learning con Análisis de Redes Sociales (Social Network Analysis) para detectar comportamientos corruptos en compras públicas, identificando patrones sospechosos en las relaciones entre proveedores y mejorando la evaluación de riesgos.

Los algoritmos que están cambiando las reglas del juego

La literatura científica reciente revela una convergencia hacia modelos híbridos. Un estudio sobre contratación pública en Kenia propone un framework que integra modelos supervisados interpretables (regresión logística) con métodos de ensamble de alta precisión (random forest) y aprendizaje no supervisado (k-means clustering y detección de anomalías), utilizando datos como valores de contratos, métodos de contratación, historiales de oferentes y tiempos de adjudicación.

Específicamente para México, investigadores desarrollaron un modelo de machine learning para identificar riesgo de corrupción en la contratación pública mexicana, utilizando Random Forest como clasificador principal y alcanzando una precisión superior al 0.9, con las variables más importantes siendo los factores de riesgo del proveedor y la relación entre comprador y proveedor.

Monitoreo de infraestructura con imágenes satelitales

En la República Democrática del Congo, la IA combinada con imágenes satelitales fue utilizada para detectar corrupción en proyectos de construcción de carreteras y minería. La tecnología analizó discrepancias entre la evidencia visual satelital y el progreso reportado — es decir, comparó lo que se decía que se había construido con lo que realmente existía en el terreno.

Los drones, sensores IoT y sistemas de monitoreo con visión computacional proporcionan actualizaciones continuas en tiempo real sobre factores como el estado del proyecto, uso de materiales, condición de equipos, seguridad laboral y condiciones del sitio.

La Open Government Partnership (OGP) documenta cómo los satélites de órbita baja terrestre (LEO) combinados con IA están transformando la lucha anticorrupción: desde rastrear construcción ilegal hasta detectar deforestación ilícita. En Brasil, los investigadores ahora pueden rastrear la construcción de caminos para anticipar la deforestación inminente, reduciendo los tiempos de alerta hasta en 50 días.

Gestión financiera pública inteligente

Corea del Sur opera dBrain+, un sistema de gestión financiera que centraliza todas las operaciones financieras nacionales — desde presupuesto y gestión de fondos hasta supervisión de deuda y evaluación de desempeño. Sus módulos clave, KFIS y KORAHS, utilizan analítica impulsada por IA para detectar riesgos financieros, integrándose con 63 sistemas de 46 instituciones incluyendo el Servicio Nacional de Impuestos y el Banco de Corea.

En el Reino Unido, el Departamento de Trabajo y Pensiones (DWP) ha utilizado sistemas de IA desde 2021-2022 para analizar datos históricos e identificar patrones vinculados a reclamaciones fraudulentas del Crédito Universal, invirtiendo 70 millones de libras en analítica avanzada entre 2022 y 2025, con ahorros proyectados de 1,600 millones de libras para 2030.

Francia aplica IA en el monitoreo presupuestario a través de la Dirección General de Finanzas Públicas (DGFiP), rastreando costos de proyectos e indicadores clave de desempeño incluyendo ahorros, reducción de errores y mejora del cumplimiento.

Análisis de sentimiento y opinión pública como contrapeso ciudadano

Utilizando modelos BERT para análisis de sentimiento en redes sociales, los investigadores han logrado clasificar reacciones públicas a políticas gubernamentales con una precisión del 89.2%, analizando sentimiento en áreas como subsidios, reformas educativas y programas de vacunación.

Como señala un análisis de Pew Research Center de diciembre de 2025, solo el 9% de los demócratas y el 26% de los republicanos en EE.UU. confían en que el gobierno federal haga lo correcto — cifras cercanas a los mínimos históricos en 70 años de seguimiento. La brecha entre lo que la ciudadanía necesita y lo que el gobierno percibe es precisamente lo que el análisis de sentimiento puede cerrar.

II. El contexto mexicano: urgencia y oportunidad

México se encuentra en una encrucijada particular. La Secretaría Anticorrupción y Buen Gobierno (SABG) realiza pruebas con Gemini de Google para normalizar textos mediante reconocimiento óptico de caracteres, pero admite no contar con manuales ni políticas internas específicas sobre el uso ético de estas herramientas. El SAT emplea modelos de aprendizaje estadístico para detectar empresas "factureras" y comportamientos irregulares en importadores, pero sin lineamientos públicos específicos sobre gobernanza algorítmica.

La Secretaría Ejecutiva del Sistema Nacional Anticorrupción desarrolla proyectos de detección de riesgos en programas sociales y compras públicas — trabajo que ha sido descrito por analistas como "totalmente subestimado". La Plataforma Digital Nacional contiene información sumamente relevante que, mediante cruce de datos, podría generar hallazgos significativos, particularmente en las declaraciones patrimoniales de servidores públicos.

Lo que nos dice la OCDE

El informe "Gobernar con Inteligencia Artificial" (2025), que analiza 200 casos de uso concretos en 11 funciones gubernamentales centrales, ofrece conclusiones contundentes: los sistemas de IA predictivos están ayudando a los actores de integridad a priorizar casos para examen humano más detallado. La anticorrupción es cada vez más una frontera tecnológica.

El modelado basado en agentes (ABM) podría incluso simular cómo evolucionan la corrupción y la influencia bajo diferentes condiciones, permitiendo evaluar el impacto de políticas anticorrupción antes de su implementación. Los países que no adopten estas herramientas corren el riesgo de quedarse atrás.

III. Las dimensiones del problema: qué debe evaluar un sistema integral de IA anticorrupción

La corrupción no es un fenómeno unidimensional. Un sistema verdaderamente efectivo debe evaluar múltiples dimensiones simultáneamente y cruzarlas entre sí, porque la corrupción deja huellas en los datos — y esas huellas forman patrones detectables solo cuando se observa el panorama completo.

1. La ejecución presupuestaria como primera señal

¿Se gasta lo que se presupuesta? ¿Dónde se concentran las desviaciones? El "gasto de diciembre" — donde hasta el 40% del presupuesto se ejerce en las últimas semanas del año — es un patrón clásico detectable mediante series temporales. La concentración de contratos en pocos proveedores, las transferencias entre partidas que favorecen rubros opacos, y el subejercicio selectivo en áreas sociales cuyo remanente se redirige a consultoría, son señales que la IA puede identificar con precisión quirúrgica.

2. Los ejecutores y sus redes invisibles

¿Quiénes manejan los recursos? ¿Existen vínculos ocultos entre funcionarios y proveedores? Las técnicas de Social Network Analysis (SNA) pueden mapear relaciones que el ojo humano jamás detectaría: la empresa constituida hace 8 meses cuyo representante legal aparece en otras 4 sociedades, el proveedor que "sigue" a un funcionario cada vez que cambia de dependencia, los conflictos de interés temporales de la puerta giratoria público-privada.

3. La terminación y calidad de las obras

¿Se construyó lo que se pagó? ¿Con la calidad contratada? La visión computacional aplicada a imágenes satelitales y de drones es revolucionaria: es posible calcular volúmenes de excavación, metros de pavimento y superficies construidas, y compararlos contra lo facturado. Las "obras eternas" que nunca se concluyen y los convenios modificatorios que inflan costos un 50-100% son patrones que un sistema de IA puede rastrear de manera continua.

4. La necesidad real versus la inversión política

Cruzando datos de censos, índices de rezago, encuestas de ingreso-gasto y registros de servicios públicos con los patrones de inversión, un sistema de IA puede calcular el grado de correspondencia entre lo que la gente necesita y lo que el gobierno construye. Un municipio con rezago educativo alto que invierte predominantemente en glorietas ornamentales genera una anomalía cuantificable.

5. La voz ciudadana como contrapeso

El análisis de sentimiento aplicado a redes sociales, medios locales, peticiones ciudadanas y líneas de atención puede revelar la brecha entre la narrativa oficial y la realidad vivida. Un puente recién inaugurado que genera quejas masivas sobre calidad, o una comunidad que lleva años pidiendo agua potable mientras el presupuesto se destina a infraestructura deportiva, son señales que el sistema debe capturar.

6. La verificación física: lo que el satélite ve y el informe no dice

Las imágenes satelitales no mienten. Si un contrato dice que se construyó un puente pero la imagen muestra el terreno inalterado, la alerta es máxima. El análisis multitemporal puede medir avances reales y compararlos con estimaciones oficiales. Incluso las imágenes nocturnas pueden verificar si edificios públicos reportados como "en operación" realmente están en uso, utilizando la iluminación como proxy de actividad.

7. Los patrones históricos: aprender del pasado para predecir el futuro

Los esquemas de corrupción evolucionan: cuando un método es detectado y sancionado, los actores migran a nuevas formas. Un sistema con memoria institucional puede identificar la reactivación de redes previamente sancionadas bajo nuevas configuraciones empresariales, y generar mapas de calor predictivos que señalen las regiones, dependencias o programas con mayor probabilidad de presentar irregularidades.

IV. Los riesgos que debemos enfrentar con honestidad

No sería responsable hablar de IA anticorrupción sin abordar los riesgos inherentes.

El arma de doble filo. El mayor riesgo es que un sistema de este tipo se convierta en instrumento político: configurar parámetros para señalar selectivamente a opositores mientras se ignora a aliados. La salvaguarda principal es la transparencia algorítmica: los criterios, los datos de entrenamiento y la lógica deben ser auditables por terceros independientes.

Los falsos positivos. Un puntaje de riesgo alto no significa corrupción comprobada. Significa que hay suficientes anomalías para justificar investigación humana. Cualquier sistema debe incluir mecanismos de debido proceso: derecho de audiencia, revisión humana obligatoria, y trazabilidad de cada señal.

El gaming del sistema. Si los actores corruptos aprenden qué indicadores disparan las alertas, pueden ajustar su comportamiento para evadir la detección. Estos sistemas deben evolucionar continuamente, incorporando nuevos indicadores y técnicas de detección adversarial.

Los sesgos algorítmicos. Modelos entrenados con datos históricos pueden perpetuar sesgos: si históricamente se investigó más a ciertos municipios por razones políticas, el modelo sobrerrepresentará el riesgo en esas jurisdicciones. La calibración debe incluir métricas de equidad algorítmica.

La privacidad. El cruce de declaraciones patrimoniales con datos fiscales y actividad en redes sociales plantea preguntas legítimas. Cualquier sistema debe cumplir con el principio de minimización de datos, anonimizar donde sea posible, y aplicar políticas de retención definidas.

Transparency International (2025) ha propuesto el concepto de "usos corruptos de la IA" para cubrir instancias en que sistemas de IA son abusados por funcionarios para beneficio privado. La supervisión humana no es opcional — es estructural.

V. El momento es ahora

La evidencia es abrumadora. Paraguay mejoró su detección de irregularidades en contratación del 30% al 78%. Corea del Sur centraliza la gestión financiera de todo el gobierno con analítica de IA integrada a 63 sistemas institucionales. El Reino Unido proyecta ahorrar 1,600 millones de libras para 2030. Europa mapea redes de proveedores fraudulentos a escala continental. En el Congo, los satélites detectan si las carreteras que se pagaron realmente se construyeron.

México tiene la Plataforma Digital Nacional con datos de declaraciones patrimoniales, CompraNet con registros de contrataciones, la ASF con décadas de informes de auditoría, el INEGI con datos socioeconómicos granulares, y una población activa en redes sociales que genera millones de señales sobre la calidad de los servicios públicos. Los datos existen. La tecnología existe. Lo que falta es la integración sistémica y la voluntad de implementarla.

Un sistema integral de IA anticorrupción que cruce ejecución presupuestaria, redes de ejecutores, terminación de obras, necesidad real de la población, opinión pública, verificación satelital y patrones históricos no es ciencia ficción. Cada uno de estos componentes tiene precedentes operativos exitosos en algún lugar del mundo. Lo que falta es integrarlos en una arquitectura coherente, adaptada al marco legal y a la realidad institucional de México y Latinoamérica.

INTERTRADING tiene la solución

En INTERTRADING International Trading Holding, llevamos más de tres décadas en la intersección entre estrategia ejecutiva y desarrollo tecnológico aplicado. Desde nuestra plataforma de transformación digital, hemos desarrollado un Modelo de Test de Corrupción (MTC) propietario basado en inteligencia artificial que integra las siete dimensiones descritas en este artículo en un sistema unificado de alerta temprana.

Nuestro modelo no es un ejercicio académico. Es una arquitectura tecnológica concreta que genera un Índice Compuesto de Riesgo de Corrupción (ICRC) por entidad, proyecto, ejecutor o programa, cruzando datos de ejecución presupuestaria, análisis de redes de beneficiarios, verificación física satelital, evaluación de necesidad real y pulso ciudadano en tiempo real. Funciona en todas las escalas de gobierno — desde la junta municipal hasta el nivel federal — y se adapta al contexto regulatorio y de datos disponible.

El sistema está diseñado sobre un stack tecnológico de producción que aprovecha la experiencia de INTERTRADING en arquitectura de software empresarial, incluyendo nuestra plataforma ERP cloud con más de 100 módulos y cumplimiento nativo con marcos regulatorios mexicanos (CFDI 4.0, SAT, SIROC).

Estamos listos para llevar esta solución a los gobiernos que quieran dar el paso. No como una promesa de laboratorio, sino como una implementación por fases que puede comenzar con datos abiertos y escalar progresivamente hasta un sistema predictivo completo.

La corrupción tiene patrones. Los patrones se detectan. Y nosotros tenemos el modelo para detectarlos.

Referencias y fuentes consultadas

1. OCDE (2025). Gobernar con Inteligencia Artificial: Panorama actual y hoja de ruta en las funciones centrales de gobierno.
2. U4 Anti-Corruption Resource Centre / Transparency International (2025). Harnessing Artificial Intelligence (AI) for Anti-Corruption.
3. International Anti-Corruption Academy — IACA (2026). Research Paper Series, Irakli Petriashvili.
4. Diálogo Político (2025). The Fight Against Corruption from a New Technological Paradigm, Denisse Rodríguez-Olivari.
5. Public Integrity Journal (2025). Role of AI in Combating Corruption in the U.S. Federal Government: Case Study 2019–2024.
6. ScienceDirect / Procedia Computer Science (2025). Data-Driven Transparency: Machine Learning and Social Network Analysis for Corruption Detection in Public Procurement.
7. Science Publishing Group (2025). A Hybrid Machine Learning Model for Detecting and Preventing Corruption in Kenya's Public Procurement Contracts.
8. BridgeGap / Corruption Data EU (2025). Machine Learning Detects Corruption Risk in Public Procurement.
9. Rabuzin & Modrusan (2019). Prediction of Public Procurement Corruption Indices using Machine Learning Methods.
10. ArXiv (2022). A Machine Learning Model to Identify Corruption in Mexico's Public Procurement.
11. MDPI Electronics (2025). AI-Driven Models for Forecasting Public Expenditures in the Digital Era.
12. Microsoft Industry Blog (2025). Modernize Public Finance with AI: Informed Budgeting for Economic Growth.
13. U4 (2025). Unlocking AI's Potential in Anti-Corruption: Hype vs. Reality.
14. Allerin (2025). How AI Can Keep Public Construction Projects on Track and Corruption-Free.
15. Open Government Partnership (2024). The Next Orbital: Low Earth Satellites and AI are Changing the Fight against Corruption.
16. Journal of Basic Science and Technology (2025). AI-Based Sentiment Analysis of Social Media to Detect Public Opinion on Government Policies.
17. MediaWatcher (2026). Public Policy Sentiment Analysis: How Governments Measure Constituent Response to Legislation.
18. ITSitio México (2026). Gobierno de México ya utiliza Inteligencia Artificial sin regulación ni estrategia clara.
19. El Heraldo de México (2025). La inteligencia artificial en el combate a la corrupción, Rafael Martínez Puón.
20. Agencia Valenciana Antifraude (2025). Inteligencia Artificial y lucha contra la corrupción.
21. Encrucijada / UNAM (2025). Transparencia en México mediante inteligencia artificial.
22. International Bar Association (2026). How AI Can Reshape Anti-Corruption Compliance.