Ecuador activa su estrategia de IA: el reto real

Ecuador ya tiene una estrategia de inteligencia artificial sobre la mesa, pero eso no significa que el país ya tenga un plan listo para operar sin tropiezos. El problema real no es el anuncio ni el documento: es cómo se ejecuta una política así cuando no existe un presupuesto centralizado y cuando la ley que debería darle soporte sigue en pausa.

Ese es el punto incómodo. Puedes tener objetivos, ejes y hasta un discurso alineado con la modernización del Estado, pero si cada institución debe resolver por su cuenta el dinero, la coordinación y la compra de tecnología, la estrategia se convierte en una suma de esfuerzos aislados. Y cuando una ley aún no se aprueba, también queda abierta la pregunta de quién manda, quién fiscaliza y quién responde si algo sale mal.

Qué significa que Ecuador active su estrategia de IA

Activar una estrategia de IA no es lo mismo que desplegar sistemas en ministerios, municipios o entidades de control. En la práctica, significa que el Estado reconoce la tecnología como una línea de política pública y empieza a ordenar prioridades, metas y responsabilidades. Eso puede sonar técnico, pero tiene efectos muy concretos: define qué instituciones lideran, qué áreas se digitalizan primero y qué tipo de uso de IA se considera aceptable.

El problema es que una estrategia sin músculo financiero suele quedarse en coordinación blanda. Si el dinero no está concentrado en una sola bolsa o en un mecanismo claro de asignación, cada entidad termina compitiendo por recursos dentro de su propio presupuesto. Eso complica proyectos que necesitan escala, como asistentes virtuales, clasificación documental, detección de fraude o analítica predictiva para servicios públicos.

También hay un detalle político que no conviene minimizar: cuando la estrategia arranca antes de la ley, el Gobierno puede avanzar por la vía administrativa, pero con una base jurídica más frágil. Eso no bloquea todo, pero sí limita la velocidad. Y en tecnología pública, la velocidad importa porque los ciclos de contratación, validación y supervisión ya son lentos de por sí.

Estrategia no es implementación

Una estrategia responde al qué y al para qué. La implementación responde al cuánto, con quién y en qué plazo. Si eso no está amarrado, el documento sirve para ordenar el discurso, pero no para mover sistemas legados, integrar bases de datos o comprar infraestructura.

En IA pública, además, no basta con “tener un piloto”. Necesitas datos limpios, interoperabilidad, ciberseguridad, gestión de riesgos y personal capacitado. Sin esos componentes, un proyecto puede verse bien en una presentación y fallar en producción.

El riesgo de la dispersión institucional

Cuando cada institución decide por separado, aparecen tres problemas muy rápidos:

1. Se duplican compras de software y consultoría.
2. Se crean soluciones incompatibles entre sí.
3. Se pierden estándares de seguridad y de uso de datos.

Ese patrón ya se ha visto en otros procesos de transformación digital en la región. La diferencia con IA es que el costo de improvisar es mayor, porque los modelos aprenden de datos y pueden amplificar sesgos, errores o malas prácticas si nadie los supervisa bien.

El presupuesto centralizado que no llegó

La ausencia de un presupuesto centralizado no es un detalle contable. Es el corazón del problema. Si el Estado quiere empujar IA en salud, educación, seguridad, justicia o atención ciudadana, necesita una forma de financiar componentes comunes: infraestructura, nube, capacitación, gobernanza de datos y auditoría tecnológica. Sin eso, cada institución hace lo que puede con lo que tiene.

Eso genera una paradoja. Por un lado, la IA se presenta como una herramienta para ganar eficiencia. Por otro, el modelo de financiamiento fragmentado hace más caro escalar cualquier iniciativa. Un proyecto piloto puede salir relativamente barato; convertirlo en política pública ya es otra historia.

La experiencia internacional muestra que la coordinación financiera importa tanto como la técnica. La Organización para la Cooperación y el Desarrollo Económicos tiene guías sobre gobernanza de IA y gestión de riesgos que insisten en la necesidad de capacidades institucionales, no solo de herramientas. Puedes revisarlo en la documentación oficial de la OECD aquí: https://oecd.ai/en/

Qué se complica sin caja común

Sin un presupuesto central, el Estado pierde capacidad para negociar mejor con proveedores, porque compra en pequeñas porciones. También reduce su margen para exigir estándares comunes de seguridad, trazabilidad y evaluación de impacto. En IA, eso importa mucho porque no se trata solo de licencias de software; se trata de procesos completos.

Piensa en un caso simple: una entidad quiere automatizar la clasificación de documentos, otra quiere un chatbot de atención ciudadana y una tercera busca un sistema de detección de fraude. Si cada una contrata por su lado, probablemente termine con tres arquitecturas distintas, tres contratos distintos y tres equipos distintos intentando resolver problemas parecidos.

Tabla: dónde se rompe la ejecución

Ese cuadro resume por qué una estrategia puede existir en papel y aun así no despegar. El cuello de botella no está solo en la idea, sino en la arquitectura de ejecución.

La ley pendiente y el vacío de reglas

Una ley de IA no resuelve todo, pero sí fija límites y responsabilidades. Sin ella, el Estado puede avanzar con resoluciones, lineamientos o acuerdos interinstitucionales, pero el marco sigue siendo más débil. Eso afecta temas delicados como uso de datos personales, transparencia algorítmica, responsabilidad por decisiones automatizadas y compras públicas de sistemas inteligentes.

En América Latina, varios países están discutiendo marcos regulatorios para IA, pero el punto común es el mismo: si no defines reglas mínimas, terminas regulando por parches. Y los parches funcionan poco cuando la tecnología toca servicios esenciales.

Para una referencia práctica, la UNESCO publicó una recomendación sobre la ética de la inteligencia artificial que sirve como base de política pública. La puedes consultar aquí: https://www.unesco.org/en/artificial-intelligence/recommendation-ethics

Qué debería cubrir una ley seria

Una ley útil no tiene que prohibir ni sobrerregular. Tiene que dejar claros al menos estos puntos:

• Qué usos de IA están permitidos en el sector público.
• Qué datos pueden usarse y bajo qué controles.
• Qué obligaciones de transparencia tienen las entidades.
• Cómo se auditan los sistemas de alto impacto.
• Qué instancia responde cuando una decisión automatizada afecta a una persona.

Si eso no está definido, la discusión se mueve a terreno gris. Y en terreno gris, cada institución interpreta a su manera, lo que después complica tanto la supervisión como la defensa de derechos.

La tensión entre velocidad y control

Aquí aparece la discusión de fondo. El Gobierno quiere mostrar avance, pero la ciudadanía necesita garantías. Si te apresuras demasiado, puedes terminar desplegando herramientas sin suficientes controles. Si te demoras demasiado, la estrategia se vuelve irrelevante porque el sector privado y otros países ya avanzaron.

La salida no es elegir entre velocidad o control. La salida es diseñar mecanismos de adopción por etapas, con pilotos acotados, evaluación de impacto y reglas claras de escalamiento. Eso exige coordinación política, no solo entusiasmo tecnológico.

Qué puede pasar en ministerios y servicios públicos

La IA en el sector público no debería empezar por casos espectaculares, sino por tareas repetitivas y de alto volumen. Allí es donde puede liberar tiempo y reducir errores. Por ejemplo, clasificación de trámites, priorización de tickets ciudadanos, apoyo a análisis documental o detección de patrones anómalos en compras públicas.

Pero incluso esos usos “simples” requieren disciplina. Si un ministerio quiere automatizar respuestas, necesita saber qué datos usa el modelo, qué límites tiene y cómo se corrigen errores. Si una entidad de control usa analítica predictiva, debe justificar por qué ese sistema no discrimina ni genera falsos positivos masivos.

En otras palabras, la IA pública no se mide por cuántos modelos compra, sino por cuántos procesos mejora sin dañar derechos ni crear más burocracia.

Casos de uso que sí tienen sentido

1. Atención ciudadana: bots para preguntas frecuentes y seguimiento de trámites.
2. Gestión documental: clasificación y búsqueda de expedientes.
3. Compras públicas: detección de patrones irregulares y alertas tempranas.
4. Salud pública: apoyo a análisis de demanda y priorización de recursos.
5. Educación: herramientas de apoyo para personal administrativo, no para reemplazar docentes.

La clave está en empezar por procesos con reglas claras y datos relativamente ordenados. Si el caso depende de datos incompletos o de decisiones altamente sensibles, el riesgo sube rápido.

Lo que no conviene hacer primero

No conviene arrancar con sistemas que tomen decisiones automáticas sobre beneficios sociales, sanciones o perfiles de riesgo sin una capa fuerte de revisión humana. Tampoco conviene comprar modelos cerrados sin entender cómo fueron entrenados o cómo se auditan.

Si quieres una referencia técnica sobre gestión de riesgos, el NIST tiene un AI Risk Management Framework útil como punto de partida: https://www.nist.gov/itl/ai-risk-management-framework

El problema de fondo es institucional, no solo tecnológico

La conversación sobre IA suele quedarse en herramientas, pero el verdadero cuello de botella suele estar en la administración pública. Si no hay equipos capaces de pedir, evaluar, contratar y supervisar tecnología, cualquier estrategia depende demasiado de terceros. Eso hace más difícil sostener proyectos cuando cambia el gobierno o cambia la prioridad política.

También hay un tema de capacidades internas. No basta con contratar consultores externos si dentro del Estado no hay personal que entienda los modelos, revise contratos y mida resultados. La dependencia técnica termina siendo dependencia política y presupuestaria.

Además, la IA obliga a coordinar áreas que antes trabajaban separadas: tecnología, jurídica, compras públicas, datos, ciberseguridad y operación. Si esas áreas no conversan desde el inicio, el proyecto se traba en la primera revisión legal o en el primer proceso de contratación.

Tres capacidades que Ecuador necesita construir

• Gobernanza de datos: saber qué datos existen, quién los administra y cómo se comparten.
• Compras públicas tecnológicas: contratar con criterios técnicos, no solo por precio.
• Evaluación de impacto: medir si una solución realmente mejora un servicio y no solo automatiza el problema.

Estas capacidades no aparecen por decreto. Se construyen con equipos, procedimientos y continuidad. Y ahí está la parte menos glamorosa de la IA pública: la tecnología avanza rápido, pero la administración pública se mueve con ritmos más lentos y reglas más pesadas.

Qué debería pasar ahora

Si Ecuador quiere que su estrategia de IA pase de anuncio a ejecución, necesita resolver tres frentes al mismo tiempo. Primero, asignar presupuesto con una lógica coordinada, no dispersa. Segundo, cerrar la ley o, al menos, dar un marco transitorio claro para usos prioritarios. Tercero, elegir pocos casos de uso con alto impacto y bajo riesgo para demostrar resultados medibles.

Eso implica aceptar una verdad simple: no todo se puede hacer al mismo tiempo. La política tecnológica falla cuando intenta cubrir demasiados frentes sin capacidad real. En cambio, funciona mejor cuando se concentra en problemas concretos y deja trazabilidad desde el primer piloto.

Si tú miras esta estrategia desde fuera, el dato más relevante no es que exista un documento. Es si el Estado puede convertirlo en compras, equipos, reglas y métricas. Ahí se juega todo.

Una secuencia razonable de arranque

1. Definir una unidad coordinadora con autoridad real.
2. Crear un inventario de proyectos de IA por institución.
3. Establecer criterios comunes de riesgo y transparencia.
4. Asignar presupuesto a pilotos priorizados.
5. Medir resultados en plazos cortos y publicar hallazgos.

Ese orden ayuda a evitar el clásico escenario de la política digital: mucho anuncio, poca ejecución y ningún aprendizaje acumulado.

Tabla resumen