IA e integridad pública: transparencia algorítmica y protección de datos en el combate a la corrupción
DOI:
https://doi.org/10.5281/zenodo.21464987Palabras clave:
transparencia, inteligencia artificialResumen
El presente ensayo responde a la pregunta de cómo garantizar que el uso de inteligencia artificial en el combate a la corrupción fortalezca la integridad pública sin vulnerar los principios de transparencia y protección de datos personales que estructuran al Estado constitucional. A partir de una metodología cualitativa, analítico-normativa y comparada de alcance funcional, se examinan riesgos como la opacidad algorítmica, el desplazamiento de la responsabilidad y las posibles afectaciones a los derechos humanos, especialmente en materia de protección de datos personales. El análisis sostiene que la automatización no elimina la discrecionalidad, sino que la reconfigura en fases técnicas como la adquisición de datos, la formulación de variables, la definición de reglas de negocio y los procesos de extracción, transformación y carga (ETL). Como resultado, se propone un modelo de IA con integridad institucional, basado en finalidad pública expresa, transparencia verificable, auditoría algorítmica, gobernanza estricta de datos y responsabilidad humana indelegable. Se concluye que la inteligencia artificial solo puede contribuir legítimamente al combate a la corrupción si se somete a estándares reforzados de explicabilidad, control democrático, protección de datos y supervisión institucional diferenciada.
Citas
Aldana, A., Falcón-Cortés, A., & Larralde, H. (2022). A machine learning model to identify corruption in Mexico’s public procurement contracts. arXiv. https://arxiv.org/abs/2211.01478
Araujo, M. (2009). El derecho a la protección de datos personales como garantía constitucional. En M. Carbonell & R. Vázquez (coords.), Poder, derecho y corrupción. Siglo XXI.
Avaro, D., & Sánchez, C. (2021). Nuevos desafíos para la rendición de cuentas en tiempos de pandemia: populismo y algoritmocracia. Revista Mexicana de Ciencias Políticas y Sociales, 66(242), 167-187.
Barocas, S., & Selbst, A. D. (2016). Big data’s disparate impact. California Law Review, 104(3), 671-732. https://doi.org/10.15779/Z38BG31
Beck, U. (1998). La sociedad del riesgo. Paidós.
Brkan, M., & Bonnet, G. (2020). Legal and technical feasibility of the GDPR’s quest for explanation of algorithmic decisions: Of black boxes, white boxes and Fata Morganas. European Journal of Risk Regulation, 11(1), 18-50. https://doi.org/10.1017/err.2020.10
CAF. (2024). Inteligencia artificial y el sector público en América Latina y el Caribe. Banco de Desarrollo de América Latina y el Caribe. https://www.caf.com/
Calle, A. A., Baque, E., & Muñíz, F. (2024). El papel de la analítica predictiva en la anticipación de cambios en el entorno empresarial. Ciencia y Desarrollo, 43-55.
Carbonell, M., & Vázquez, R. (2009). Poder, derecho y corrupción. Siglo XXI.
Citron, D. K. (2008). Technological due process. Washington University Law Review, 85(6), 1249-1313.
Comisión de Transparencia y Acceso a la Información del Estado de Nuevo León. (2018). Evaluación de impacto en protección de datos personales.
Constitución Política de los Estados Unidos Mexicanos. Diario Oficial de la Federación.
Diario Oficial de la Federación. (2025). Ley General de Transparencia y Acceso a la Información Pública. DOF, 20 de marzo de 2025.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical framework for a good AI society. Minds and Machines, 28(4), 689-707. https://doi.org/10.1007/s11023-018-9482-5
Gryz, J., & Rojszczak, M. (2021). Black box algorithms and the rights of individuals: No easy solution to the “explainability” problem. Internet Policy Review, 10(2), 1-24. https://doi.org/10.14763/2021.2.1564
Hernández, O. (2016). La auditoría interna y su alcance ético empresarial. Actualidad Contable Faces, 19(33), 15-41.
Huber, M., & Imhof, D. (2021). Deep learning for detecting bid rigging: Flagging cartel participants based on convolutional neural networks. arXiv. https://arxiv.org/abs/2104.11142
Imhof, D., & Wallimann, H. (2021). Detecting bid-rigging coalitions in different countries and auction formats. arXiv. https://arxiv.org/abs/2105.00337
Jonas, H. (1984). The imperative of responsibility: In search of an ethics for the technological age. University of Chicago Press.
Jurado, D., & Armijo, J. (2022). La efectividad de la auditoría interna en el sector público: Una revisión de literatura. Administración y Desarrollo, 75-96.
Kuner, C. (2017). Transborder data flows and data privacy law. Oxford University Press.
Ley General de Protección de Datos Personales en Posesión de Sujetos Obligados. Diario Oficial de la Federación.
Macías, G. (2025). Transparencia algorítmica. R3D.
Morales, R. (2020). Evaluaciones de impacto y protección de datos personales en el sector público.
Moya, E., & Paillama, D. (2023). Corrupción en contextos de baja estatalidad: Una aproximación sociológica. Economía y Política, 10(1), 149-179.
OCDE. (2017). Recomendación del Consejo de la OCDE sobre Integridad Pública. OCDE Publishing.
OCDE. (2019). Artificial intelligence in society. OCDE Publishing. https://doi.org/10.1787/eedfee77-en
OCDE. (2020). Manual de la OCDE sobre integridad pública. OCDE Publishing. https://doi.org/10.1787/8a2fac21-es
OCDE. (2024). Recommendation of the Council on Artificial Intelligence. OECD/LEGAL/0449.
Ospina, M., Mora, R., & Maya, A. (2024). Percepción de la inteligencia artificial en la lucha contra la corrupción: Una exploración al caso del Estado de Colombia. Opera, 36, 7-45. https://doi.org/10.18601/16578651.n36.02
Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press.
Rivera, S. (2012). Participación ciudadana y combate a la corrupción: Cinco modelos de incidencia desde el servicio público. INDESOL.
Rubio, F. (1993). El principio de legalidad. Revista Española de Derecho Constitucional, 9-43.
Sánchez, L. (2020). Principio de proporcionalidad y protección de datos personales.
Transparencia Internacional. (2022). Artificial intelligence and corruption risks. Transparency International Secretariat.
Transparencia Internacional. (2025). Addressing corrupt uses of artificial intelligence. Transparency International Secretariat.
UNESCO. (2022). Recomendación sobre la ética de la inteligencia artificial. Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/ark:/48223/pf0000381137_spa
UNODC. (2019). Integridad pública y ética. Módulo 13 de la Serie de Módulos Universitarios. Oficina de las Naciones Unidas contra la Droga y el Delito.
Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea, L 2024/1689. http://data.europa.eu/eli/reg/2024/1689/oj
Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the General Data Protection Regulation. International Data Privacy Law, 7(2), 76-99. https://doi.org/10.1093/idpl/ipx005
Zuboff, S. (2019). The age of surveillance capitalism. PublicAffairs.
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Esta revista adhiere a la licencia Creative Commons en la definición de su política de acceso abierto y reúso del material publicado, en los términos siguientes:
- Accesibilidad a los artículos y demás publicaciones de manera total o parcial bajo el concepto de copia, distribución, comunicación pública, acceso interactivo (por internet u otros medios), manteniendo de manera explícita el reconocimiento al autor o autores y a la propia revista (reconocimiento de autoría).
- Advertencia de que si se remezcla, modifican los artículos o se emplean fragmentos en otras creaciones, no se puede distribuir el material modificado, ni tampoco se permite reconstruir versiones a partir de los artículos originales publicados (obras derivadas).
- Se prohíbe el uso de contenidos de los artículos publicados, total o parcialmente, con fines lucrativos (reconocimiento no comercial).
El autor conserva los derechos de autor, transfiere u otorga derechos comerciales exclusivos al editor, y se utiliza una licencia no comercial.
