La expansión de la inteligencia artificial ofrece oportunidades relevantes para México y América Latina. Los modelos de código abierto pueden facilitar la transferencia de conocimiento y la adaptación de herramientas a necesidades locales. La instalación de centros de datos también puede atraer inversión, infraestructura y empleos especializados. Estos beneficios conviven con riesgos educativos, amenazas de seguridad y presiones ambientales que requieren intervención pública. El Estado necesita establecer las condiciones bajo las cuales esta tecnología puede desarrollarse y utilizarse.
El potencial económico en la región es un incentivo considerable. Las estimaciones presentadas por el World Economic Forum y la consultora McKinsey, apuntan a un posible incremento anual de la productividad latinoamericana de entre 1.9 % y 2.3 %. Sin embargo, la encuesta muestra que solo 23 % de las organizaciones consultadas obtiene algún valor económico de la IA y apenas 6 % reporta resultados significativos. Los beneficios se concentran principalmente en empresas grandes (Argueta de Barillas et al., 2026). Aprovechar estas oportunidades exige políticas que amplíen el acceso y distribuyan sus resultados.
La educación debe ocupar el centro de cualquier política mexicana sobre IA. Su incorporación exige establecer qué tareas conviene delegar y cuáles deben seguir practicando los estudiantes. La abstracción, el razonamiento lógico, la escritura y el pensamiento crítico no son reemplazables por las generalidades de los modelos de lenguaje natural.
En un país con profundas desigualdades educativas, preocupa que el acceso a respuestas terminadas sustituya la comprensión de los procedimientos. Una dependencia sostenida podría dificultar la preparación para carreras STEM y ciencias de la salud, con consecuencias para la innovación y el desarrollo económico. Prevenir ese escenario exige que la alfabetización en IA incluya trabajo sin asistencia automatizada, mecanismos de verificación y evaluaciones que permitan demostrar dominio humano de los fundamentos.
Un caso reciente muestra la creciente distancia temporal entre producir una solución y comprenderla colectivamente. OpenAI utilizó alrededor de 10,000 agentes simultáneos en una investigación que culminó en una solución para la versión forzada del problema de Navier–Stokes. La demostración, de 166 páginas, fue verificada mediante Lean; al publicarse la noticia, su revisión humana completa seguía pendiente (Conover, 2026). Esta diferencia de ritmos plantea la necesidad científica de conservar comunidades capaces de interpretar los resultados, revisar sus supuestos y explicar su significado.
La seguridad constituye un segundo campo de intervención. La competencia entre empresas por ofrecer modelos cada vez más capaces y autónomos puede generar incentivos para privilegiar la velocidad sobre la evaluación de riesgos. La política pública debe anticipar escenarios en los que las ganancias empresariales convivan con daños a infraestructura, información sensible o servicios colectivos.
El incidente de Hugging Face es un ejemplo de la autonomias humana comprometida por la IA. Durante una evaluación interna, OpenAI redujo salvaguardas para medir las capacidades cibernéticas de sus modelos. Los agentes explotaron vulnerabilidades del entorno de pruebas y comprometieron infraestructura externa buscando respuestas para la evaluación. La empresa anunció controles más estrictos, aun a costa de la velocidad de investigación (OpenAI, 2026). El episodio muestra que un límite vulnerado puede desencadenar acciones no autorizadas cuando fallan la contención y la supervisión.
La responsabilidad humana también comprende las herramientas, los permisos y las condiciones bajo las cuales operan los agentes. El análisis de estos incidentes identifica fallas de acceso, monitoreo y aislamiento, además de dificultades para supervisar acciones ejecutadas a gran velocidad (Hulick, 2026). Esa responsabilidad debe traducirse en obligaciones verificables para quienes desarrollan y utilizan sistemas autónomos. En este punto deben ser diseñadas las políticas públicas de absorción para América Latina.
Si los gobiernos incorporan IA para fortalecer capacidades estatales en salud, recaudación o programas sociales, deben exigir garantías verificables de seguridad. Las compras públicas deberían incluir auditorías independientes, trazabilidad, límites de autonomía, notificación de incidentes y responsabilidades por daños. También necesitan personal capaz de detener los sistemas y planes para mantener los servicios si un proveedor falla. Un Estado dependiente de herramientas que no puede inspeccionar, contener o sustituir compromete su soberanía tecnológica.
El tercer desafío es ambiental. Atraer inversión tecnológica puede producir empleo, infraestructura y transferencia de conocimiento, pero también trasladar costos ambientales a territorios con estrés hídrico y redes eléctricas limitadas. La hoja de ruta regional reconoce que la demanda de IA presiona los recursos naturales y recomienda planificar responsablemente el uso de suelo, agua y energía (Argueta de Barillas et al., 2026). Cada proyecto debería transparentar sus requerimientos hídricos y energéticos, someterse a evaluaciones de impacto y demostrar que su operación protege las necesidades comunitarias. La evaluación debe distinguir agua extraída y consumida, refrigeración directa y consumo asociado con la generación eléctrica.
Ralentizar la IA en ámbitos de alto riesgo significa ordenar su avance. En educación, supone desarrollar capacidades antes de delegar tareas. En el gobierno, exige conservar supervisión y respuesta. México puede aprovechar las externalidades positivas de esta transformación mientras fija límites educativos, tecnológicos y ambientales. La velocidad de las empresas debe quedar subordinada a la seguridad colectiva, el desarrollo humano y las prioridades públicas.
Referencias
Argueta de Barillas, M., Francis, T., Li, C., & Ortega, F. C. (2026, 20 de enero). Latin America lags in unlocking AI value. Here’s a roadmap to accelerate progress. World Economic Forum. https://www.weforum.org/stories/artificial-intelligence/latin-america-lags-unlocking-ai-value-roadmap-accelerate-progress/
Conover, E. (2026, 9 de septiembre). AI may have solved one of math’s biggest puzzles, raising controversy. Science News. https://www.sciencenews.org/article/ai-math-puzzle-navier-stokes-openai
Hulick, K. (2026, 17 de septiembre). When AI goes rogue, its human overseers may be to blame. Science News. https://www.sciencenews.org/article/rogue-ai-agents-human-blame-safety
OpenAI. (2026, 28 de julio). OpenAI y Hugging Face se alían para abordar un incidente de seguridad al evaluar modelos. https://openai.com/es-419/index/hugging-face-model-evaluation-security-incident/