## Tecnología para el desarrollo ## Source details **Canonical URL:** [Tecnología para el desarrollo](https://www.imf.org/es/publications/fandd/issues/2023/12/technology-for-development-bjorkegren-blumenstock) ## Other formats - [Markdown version](/es/publications/fandd/issues/2023/12/technology-for-development-bjorkegren-blumenstock/index.md) - [Structured JSON version](/es/publications/fandd/issues/2023/12/technology-for-development-bjorkegren-blumenstock/index.json) - [Bundle manifest](/es/publications/fandd/issues/2023/12/technology-for-development-bjorkegren-blumenstock/bundle-manifest.json) ## Bibliographic details - Authors: DANIEL BJORKEGREN, JOSHUA BLUMENSTOCK - Published: December 22, 2023 - DOI: https://doi.org/10.1038/s41586-022-04484-9 --- ### Resumen ejecutivo - La inteligencia artificial (IA) puede transformar las economías en desarrollo, ofreciendo ventajas como focalización de ayudas y acceso a enseñanza y consultas médicas adaptadas, pero implica riesgos de inestabilidad, información errónea y vigilancia. - No basta con desplegar tecnologías existentes: se requieren iniciativas de innovación y adaptación a escala local para que las soluciones basadas en IA funcionen en contextos sociales e institucionales concretos. - Autores: DANIEL BJÖRKEGREN y JOSHUA BLUMENSTOCK. Fecha: Diciembre de 2023. ### Aplicaciones y hallazgos empíricos - Togo — focalización de transferencias durante la pandemia de COVID-19: - Se adaptó tecnología de aprendizaje automático originalmente concebida para focalizar anuncios en línea para identificar a los habitantes más pobres. - Datos utilizados: imágenes satelitales y datos de tecnología móvil (rasgos: aldeas menos desarrolladas en imágenes aéreas; suscriptores móviles con saldos bajos). - Complementos de implementación: sistema de distribución de pagos de dinero móvil para todos los abonados, adaptación del software de aprendizaje automático a transferencias de efectivo, y entrevistas a decenas de miles de beneficiarios para alinear el sistema con la definición local de pobreza. - Nota operativa: la solución basada en IA se diseñó como temporal y su retirada gradual estaba prevista al término de la pandemia. - Kenya — microcrédito y señales de comportamiento: - Más de una cuarta parte de los adultos ha obtenido préstamos por medio de sus teléfonos móviles. - Uso del aprendizaje automático para determinar elegibilidad observando patrones de comportamiento de teléfonos móviles (Björkegren y Grissen, 2020). - Riesgo de manipulación: si características como “tener más amigos en Facebook” afectan aprobación, los solicitantes pueden modificar su conducta para obtener crédito, erosionando la fiabilidad del sistema. - Evidencia de campo (con Centro Busara): las personas aprenden y modifican su comportamiento telefónico según reglas algorítmicas; los algoritmos que anticipan estas respuestas mejoran si se ajustan mediante pruebas de concepto. - Sierra Leona — IA para docentes: - Proyecto piloto con chatbot “TheTeacher.AI”, similar a ChatGPT pero adaptado al plan de estudios y accesible con conexiones a Internet deficientes. - Observaciones: muchos profesores inicialmente no formulaban preguntas que generaran respuestas útiles; un grupo pequeño comenzó a usarlo regularmente para incorporar conceptos, planificación de clases y diseño de material. - Requisito clave: entrenamiento, experimentación, y aprendizaje por prueba y error para descubrir usos prácticos. ### Riesgos, barreras y limitaciones - Fiabilidad en condiciones reales: - Los algoritmos pueden actuar bien en laboratorio pero fallar en decisiones prácticas; los beneficiarios pueden cambiar su conducta, socavando objetivos de focalización. - Barreras de comunicación y alfabetización: - Asimilar el potencial de la IA es más difícil donde las tasas de alfabetización y aritmética elemental son más bajas y la población está menos familiarizada con datos digitales y algoritmos. - Ejemplo: en Nairobi fue difícil explicar algoritmos simples con números negativos y fracciones; versiones más sencillas facilitaron la comprensión. - Los sistemas de IA complejos son difíciles de entender incluso para investigadores. - Transparencia y normas locales: - En emergencias puede aceptarse un algoritmo de “caja negra” (ej.: Togo durante COVID-19); en programas de focalización no emergentes es esencial explicar criterios de acceso. - Diferencias culturales: en zonas rurales como Togo pocas personas expresaron preocupación por que gobierno o empresas tuvieran acceso a sus datos; sí preguntaron cómo se compartiría la información con vecinos. - Desinformación y confianza: - La IA puede generar fotos absolutamente falsas y llamadas robotizadas que imitan voces, lo que afecta la confianza en la información en línea y exige educación incluso en zonas remotas. - Infraestructura digital y del conocimiento: - Las soluciones dependen de la infraestructura física y digital existente: servidores, teléfonos móviles, cables de fibra óptica, torres de telefonía. - En los últimos 20 años las economías en desarrollo invirtieron en conexiones celulares e Internet, sentando bases para aplicaciones de IA. - Deficiencias de datos: modelos de IA disponen de información incompleta sobre necesidades y aspiraciones de ciudadanos de menores ingresos, su estado de salud, aspecto de poblados y estructura de idiomas menos comunes. - Recolección de datos robusta podría requerir integrar clínicas, colegios y empresas en sistemas de registro digital, incentivar su uso y establecer derechos legales sobre los datos. ### Implicaciones y recomendaciones de política - Adaptación local y co-diseño: - Priorizar la adaptación de tecnologías a condiciones locales y el trabajo colaborativo entre gobiernos, investigadores y organizaciones sin fines de lucro. - Invertir en capacidad local: capacitación de programadores y diseñadores de IA locales para que la innovación refleje valores y prioridades locales. - Implementación responsable: - Diseñar pruebas de concepto y procesos experimentales que identifiquen y mitiguen incentivos de manipulación por parte de usuarios. - Acompañar despliegues con entrevistas y grupos focales para asegurar coherencia con definiciones locales de pobreza y normas sociales. - Transparencia y comunicación: - En programas no emergentes, explicar criterios de acceso y manejo de datos a posibles beneficiarios; adaptar comunicación pedagógica a niveles de alfabetización y familiaridad con datos. - Educar sobre riesgos de desinformación generada por IA para preservar confianza pública. - Inversiones en infraestructura y datos: - Mejorar infraestructura del conocimiento y sistemas de registro digital integrando instituciones clave (clínicas, colegios, empresas). - Establecer incentivos y marcos legales sobre derechos de datos para mejorar la cobertura de los pobres en los modelos de IA. - Enfoque práctico: - No se trata solo de “soñar a lo grande”, sino de garantizar que los sistemas colmen las necesidades, se adapten a condiciones locales y no causen daño. *Fuente: Tecnología para el desarrollo, FINANZAS & DESARROLLO, DANIEL BJÖRKEGREN y JOSHUA BLUMENSTOCK, Diciembre de 2023.* --- _Source: https://www.imf.org/es/publications/fandd/issues/2023/12/technology-for-development-bjorkegren-blumenstock_