El Estado que viene: IA y el futuro de las políticas públicas

Por Estanislao Molinas

La IA promete transformar la gestión de las políticas públicas, pero su aplicación en la evaluación ex ante todavía genera más expectativas que resultados. De cara a 2030, la pregunta ya no es si tendrá un papel, sino cuál será.

Los escenarios económicos proyectados para 2030 anticipan transformaciones profundas en los mercados de trabajo que podrían reconfigurar, además, la matriz misma sobre la que se asienta el Estado moderno. Si eso es así, la discusión sobre cómo se gestionarán las políticas públicas en las próximas décadas apenas empieza. En este escenario, la Inteligencia Artificial comienza a abrirse paso en distintas etapas del ciclo de las políticas públicas.

Sin embargo, es en la evaluación ex ante —aquella que busca anticipar impactos antes de tomar una decisión— donde parece concentrarse una de sus mayores promesas y, al mismo tiempo, una de sus principales contradicciones. Por ahora, las expectativas avanzan más rápido que las realizaciones concretas. La experiencia internacional y el panorama argentino-santafesino permiten observar esta tensión lejos tanto del tecnooptimismo como del escepticismo defensivo.

En septiembre de 2026, el equipo de economistas del Anthropic Economic Index publicó un informe que modela tres escenarios posibles para la economía estadounidense hacia 2030, según distintos niveles de capacidad y adopción de Inteligencia Artificial (Anthropic, 2026). En este sentido, vale la pena empezar por precisar de qué hablamos cuando decimos IA. Según IBM, esta es “una tecnología que permite a las computadoras y máquinas simular el aprendizaje humano, la comprensión, la resolución de problemas, la toma de decisiones, la creatividad y la autonomía” (s.f., párr. 1).

Con esa base, volvamos a los escenarios que Anthropic propone. El más agresivo proyecta un producto bruto un 32% mayor que el actual, pero acompañado de una caída significativa de la participación del trabajo en el ingreso total y de contracciones importantes en los salarios del trabajo cognitivo, mientras que el intermedio proyecta un crecimiento del producto del orden del 8% con presión moderada sobre el empleo cualificado.

Por su parte, el más conservador apenas registra un impacto de 1,6% sobre el producto y efectos mínimos sobre el empleo. Los propios autores presentan estos escenarios como posibilidades, no como pronósticos, pero la sola dispersión entre ellos, que abarca casi treinta puntos porcentuales de producto y transformaciones cualitativas del mercado laboral, sugiere que estamos frente a una tecnología cuya magnitud transformadora no cabe en las categorías con las que veníamos pensando la economía.

Conviene detenerse un momento en lo que esa dispersión significa. Entre el escenario conservador y el agresivo hay una diferencia que en cualquier otra tecnología del siglo XX habría requerido décadas de despliegue. Aquí, los propios autores contemplan que la variable decisiva no es si la tecnología existe, porque ya existe, sino cuán rápido se adopta y cuán profundamente reemplaza tareas cognitivas específicas.

El informe describe distribuciones de impacto asimétricas: sectores donde el trabajo humano sigue siendo insustituible por su componente relacional o físico, sectores donde la sustitución es parcial y la productividad crece con menor empleo, y sectores donde la reasignación de tareas puede ocurrir a velocidades que ningún sistema laboral moderno gestionó nunca.

Esa asimetría, más que las cifras agregadas, es lo que interpela al Estado. Un shock uniforme puede gestionarse con instrumentos macroeconómicos clásicos. Un shock asimétrico y sectorialmente concentrado requeriría capacidad de anticipación fina, y esa capacidad es justamente la que las administraciones públicas contemporáneas tienen menos desarrollada.

Ahora bien, es importante marcar con claridad el límite de lo que Anthropic efectivamente modela. El informe se pronuncia sobre variables económicas -producto, empleo, participación laboral en el ingreso, salarios- y describe escenarios cuantitativos para esas variables.

No se pronuncia, en cambio, sobre las consecuencias institucionales de esos escenarios, ni sobre las transformaciones que podrían operar en la forma que asume el Estado, ni sobre las reconfiguraciones que podrían experimentar la ciudadanía, la representación política o la burocracia. Ese salto interpretativo, desde la evidencia económica hacia sus implicancias institucionales, es una lectura que corresponde a la teoría política y no al informe original. Vale la pena hacerlo, porque la escala de los cambios económicos descriptos hace difícil no preguntarse por sus efectos institucionales, pero conviene formularlo en el modo verbal que corresponde: como implicancias posibles, no como consecuencias determinadas.

Formulada esa salvedad, la pregunta se vuelve legítima. Si esa magnitud económica se materializa siquiera parcialmente, la conversación sobre políticas públicas podría verse forzada a revisarse. Lo que estaría en juego no sería solo un cambio en los niveles de producto o empleo, sino algo potencialmente más profundo: una transformación en la noción misma de Estado y en las formas de organización social y política tal como las conocemos.

La matriz weberiana del Estado moderno, esa asociación que se define por el monopolio de la coacción física legítima sobre un territorio, es apenas una expresión, quizás la más conocida, de un andamiaje conceptual más amplio que se consolidó históricamente en tensión con y como condición de posibilidad del capitalismo posmercantilista. Ese andamiaje incluye también la burocracia racional-legal como forma organizativa dominante, la ciudadanía como categoría de pertenencia y derechos, la representación política como mecanismo de legitimidad, y la división del trabajo entre sector público y sector privado como principio ordenador de la vida colectiva. Todo ese entramado supone un sustrato económico determinado: un capitalismo industrial y post-industrial donde el trabajo humano, cognitivo y manual, es el principal factor productivo y donde la relación salarial constituye el eje de la organización social.

Una transformación económica de la escala que Anthropic modela, aun en su versión intermedia, podría tensionar ese entramado por debajo. Si el trabajo cognitivo se reasignara entre humanos y máquinas, si la participación laboral en el ingreso se contrajera, si los sectores productivos se reordenaran a velocidades inéditas, entonces las preguntas que enfrentaría el Estado moderno se multiplicarían en varios frentes al mismo tiempo.

¿Qué regularía un Estado si gran parte del valor económico se generara fuera del vínculo salarial tradicional? ¿Para quién legislaría si las categorías clásicas de trabajador, empleador y consumidor perdieran nitidez? ¿Con qué instrumentos redistribuiría si la base impositiva sobre el trabajo se erosionara? ¿Con qué legitimidad decidiría si parte de la deliberación pública migrara a espacios algorítmicos que no controla? Estas preguntas no son especulaciones futuristas, pero tampoco son consecuencias necesarias. Son implicancias posibles, aunque no plenamente materializadas, de los escenarios que la propia industria de la IA está proyectando. Ese es el horizonte macro-condicional que enmarca cualquier discusión seria sobre políticas públicas hoy.

Ahora bien, tomarse en serio ese horizonte no equivale a resolverlo desde la especulación. Requiere volver al terreno concreto donde las políticas públicas se piensan, se diseñan, se implementan y se evalúan. Y ahí conviene, otra vez, empezar por lo básico. En esta línea Lahera dicta que «Una Política Pública surge de un proceso de construcción permanente a través de convocatorias de actores diversos, que en últimas, son los que hacen posible su implementación y ejecución, por esto, se define política pública como, el conjunto coherente de enfoques, principios, objetivos, estrategias y planes de acción que identifican, comprenden y abordan las problemáticas de una sociedad o busca generar las condiciones adecuadas para un grupo poblacional» (Lahera, 2004, como se citó en Torres Páez, 2013, p. 58). 

La definición es útil por dos razones. Primero, porque desplaza el eje de lo que hace el gobierno hacía lo que se construye entre múltiples actores para atender un problema, y esa distinción importa cuando pensamos qué rol puede jugar en ese proceso una tecnología como la IA. Segundo, porque enfatiza la coherencia interna: una política pública no es un decreto aislado ni una acción puntual, sino un entramado de enfoques, principios y estrategias que debe sostenerse en el tiempo y frente a resistencias.

La literatura clásica describió como una sucesión de fases que incluye la definición del problema, el diseño de alternativas, la toma de decisión, la puesta en práctica y la evaluación posterior (Tamayo Sáez, 1997). El modelo tiene limitaciones evidentes, empezando por el hecho de que los procesos reales rara vez son lineales, y por el hecho de que muchas fases ocurren simultáneamente o retroalimentan a fases previas. Pero funciona como mapa heurístico útil para preguntarse en qué fase concreta del proceso interviene una herramienta determinada, y para no confundir usos técnicamente distintos de la misma tecnología bajo la etiqueta genérica de IA en gobierno. Dentro de este mapa, la evaluación ocupa un lugar particular, y no es una categoría homogénea.

La distinción más importante para lo que sigue es la que separa la evaluación ex post, aquella que se practica luego de implementada la política para medir sus efectos reales, de la evaluación ex ante, aquella que se emprende durante el diseño con el propósito de anticipar si las soluciones propuestas son adecuadas al problema que se pretende resolver (Jefatura de Gabinete de Ministros, 2016).

Se trata de dos modalidades evaluativas que responden preguntas cualitativamente distintas: la ex post pregunta qué ocurrió; la ex ante, qué ocurriría si. La primera trabaja sobre datos empíricos disponibles, sobre resultados medibles, sobre trayectorias observables; la segunda, sobre hipótesis, escenarios y modelos. La primera puede apoyarse en registros administrativos, en encuestas post-implementación, en indicadores de desempeño; la segunda depende de la capacidad de modelar sistemas sociales complejos antes de intervenirlos. La primera está considerablemente más institucionalizada que la segunda en la mayoría de las administraciones latinoamericanas. Es justamente en esta asimetría donde la discusión sobre IA se vuelve más interesante y más problemática.

En efecto, la producción académica reciente sobre IA y evaluación de políticas públicas muestra un panorama con más nubes que claros en la fase ex ante. La revisión exploratoria más completa disponible hoy, elaborada por Branchini y Vallina Acha (2025) sobre veintisiete estudios empíricos, documenta que el uso de IA en evaluación de políticas se concentra predominantemente en las fases de operacionalización, sistematización de datos, redacción de informes y difusión de resultados.

La IA aparece, en otras palabras, más como asistente de las fases operativas del proceso evaluativo, aquellas que procesan lo ya ocurrido o ya recolectado, que como herramienta para anticipar impactos futuros de intervenciones aún no implementadas. Y cuando aparece en fases más analíticas, lo hace bajo un modelo explícito de human in the loop, es decir de colaboración humano-máquina, no de sustitución del juicio experto.

Vale la pena detenerse en la distribución concreta que documentan Branchini y Vallina Acha (2025). De los veintisiete estudios que revisan, la mayor concentración aparece en tareas de procesamiento de datos y automatización de análisis retrospectivos, seguidas de generación de reportes evaluativos y visualización de resultados. Las aplicaciones a fases anticipatorias del ciclo, cuando aparecen, se limitan mayormente a ejercicios de modelización académica sin adopción institucional efectiva. El sesgo hacia el ámbito europeo continental y anglosajón que muestra la revisión también es relevante para pensar el caso latinoamericano: la escasa presencia de estudios sobre gobiernos subnacionales o sobre contextos institucionales de baja capacidad estatal indica que la agenda de investigación misma está todavía formulada desde realidades administrativas muy distintas de las nuestras.

Esto no implica ausencia de producción académica pensando la IA para evaluación ex ante. Existe, pero es mayormente experimental y aún no ha migrado a la práctica institucional real. Trabajos recientes como el de Hao y Xie (2025) proponen frameworks basados en múltiples modelos de lenguaje operando como agentes económicos heterogéneos para simular el impacto de políticas tributarias en distintos grupos poblacionales.

La lógica es interesante: si se puede modelar computacionalmente cómo reaccionarían distintos actores económicos ante un cambio tributario, se pueden anticipar efectos distributivos antes de sancionar la política. Otros, como el sistema Margin Play desarrollado por investigadores brasileños (de Sousa Leitão Filho et al., 2026), simulan interacciones entre actores en tensión, esto es gobierno federal, gobierno estadual, operadores petroleros y comunidades locales, para analizar políticas de explotación de recursos en la Cuenca Sedimentaria de Margen Ecuatorial. Ambos son piezas de investigación de alto nivel técnico, pero conviene ser precisos: se trata de prototipos académicos, no de sistemas efectivamente adoptados por administraciones públicas en producción. La brecha entre la publicación en una revista especializada y la implementación en una oficina de política pública es enorme, y esa brecha explica buena parte del rezago.

Por su parte, los casos de adopción institucional real, cuando aparecen, apuntan en otra dirección. El sistema Albert de la Dirección Interministerial del Digital de Francia, analizado por la OCDE (2025), es una IA generativa soberana que asiste a agentes públicos en centros de atención al ciudadano. Opera con supervisión humana constitutiva, mantiene siempre al agente humano a cargo de la interacción final, y no está orientado a evaluar políticas ex ante sino a mejorar la prestación de servicios ya diseñados. Es un ejemplo notable de adopción responsable de IA en el sector público, pero pertenece a una categoría distinta a la que aquí interesa: agiliza la ejecución operativa, no informa la decisión política previa.

El propio informe de la OCDE, al mapear casos de gobiernos de países miembros que efectivamente usan IA, muestra un patrón consistente. La enorme mayoría de las implementaciones documentadas se concentra en cuatro grandes familias funcionales: atención ciudadana y trámites automatizados, detección de fraude y gestión de riesgos, optimización de procesos administrativos internos, y análisis retrospectivo de datos para monitoreo de programas ya implementados.

Casos como los sistemas de detección de fraude fiscal en países nórdicos, las plataformas de análisis predictivo aplicadas a la gestión sanitaria en el Reino Unido, o los asistentes conversacionales para trámites en varias administraciones europeas ilustran esa distribución. Ninguna de esas familias corresponde estrictamente a evaluación ex ante de políticas públicas en el sentido que la literatura evaluativa le da al término. El propio informe reconoce esta asimetría cuando distingue entre los usos operativos ya maduros de la IA en el sector público y los usos analíticos avanzados todavía en desarrollo, ubicando la anticipación de impactos regulatorios firmemente en la segunda categoría.

Antes de avanzar, vale la pena despejar una confusión terminológica frecuente. Existen dos objetos analíticos que comparten vocabulario pero no son intercambiables. Por un lado, se encuentra el uso de IA como herramienta para evaluar políticas públicas, que es el objeto de esta entrada. Por otro lado, se encuentra la evaluación de impacto de un sistema de IA antes de desplegarlo, lo que en la literatura anglosajona se conoce como AI impact assessment, y que herramientas como las desarrolladas por la Digital Transformation Agency de Australia (2025) o el marco de UNESCO (2023) buscan sistematizar.

Este segundo campo constituye un ejercicio de gobernanza de la IA misma: evaluar los riesgos éticos, sociales y de derechos humanos de un sistema algorítmico antes de que entre en operación. Ambos campos son legítimos y crecientes, pero responden preguntas cualitativamente distintas, y confundirlos genera diagnósticos equivocados sobre el estado del arte.

En Argentina, el panorama presenta particularidades que merecen ser señaladas. Por un lado, distintos especialistas advierten que instrumentos clásicos de la evaluación ex ante, como el análisis de impacto regulatorio, rara vez se practican con rigor en la región (Infobae, 2024). Es una limitación estructural que precede al debate sobre IA: si la tradición de anticipar impactos de una política antes de aprobarla está débilmente instalada en la práctica administrativa, la incorporación de IA a esa función parte de un piso más bajo que en países con sistemas evaluativos más maduros.

Difícilmente pueda esperarse que una tecnología emergente se implemente robustamente sobre un sustrato institucional que no la venía demandando. Por otro lado, el Estado argentino cuenta con un marco institucional formal de evaluación de políticas públicas desde hace más de una década. El Programa de Evaluación de Políticas Públicas de la Jefatura de Gabinete de Ministros produjo en 2016 un manual de referencia que sistematiza el marco conceptual y metodológico oficial para la evaluación en la Administración Pública Nacional, aplicable también a los niveles provincial y municipal (Jefatura de Gabinete de Ministros, 2016).

Ese manual reconoce explícitamente la evaluación ex ante como uno de los tipos de evaluación según perspectiva temporal, y la describe como herramienta útil tanto para mejorar el diseño de políticas existentes como para descartar o elegir entre intervenciones alternativas. Existe entonces el marco doctrinario. Lo que no existe todavía, o existe de manera muy fragmentaria, es la práctica sistemática.

Aun así, estudios recientes documentan que la adopción de IA en los gobiernos provinciales argentinos crece con celeridad, aunque de manera desigual y con carácter mayormente analítico o predictivo (CIPPEC, 2026). Las provincias están incorporando IA principalmente para detectar patrones en datos administrativos, procesar información masiva sobre servicios públicos, automatizar tareas operativas de gestión, o mejorar la interacción con la ciudadanía en trámites y consultas. Ninguno de esos usos, por más valiosos que sean en sí mismos, equivale a anticipar impactos de políticas antes de decidir sobre ellas. Lo que se está construyendo es una capacidad tecnológica orientada al presente y al pasado inmediato, no al futuro condicional que la evaluación ex ante requiere.

Dentro del panorama argentino, la provincia de Santa Fe presenta particularidades que la hacen un caso especialmente interesante. La reforma constitucional aprobada en 2025 incorporó un capítulo específico de derechos digitales que la ubica entre las primeras jurisdicciones subnacionales de la región en reconocer estos derechos a nivel constitucional (Provincia de Santa Fe, 2025).

Los artículos 27 a 29 de la nueva Constitución reconocen la ciencia y la tecnología como bien común y herramienta estratégica de desarrollo, establecen que los derechos constitucionales rigen también en entornos digitales, imponen al Estado el deber de promover un desarrollo tecnológico ético y consagran el derecho a la protección de datos personales en entornos digitales. Se trata de un salto normativo significativo, que anticipa a nivel constitucional discusiones que en otras jurisdicciones aún se dan solo en el plano legal o reglamentario.

Además, la provincia cuenta desde 2024 con una Ley de Gobernanza de Datos y Acceso a la Información Pública, la Ley N.° 14.256, que establece el marco normativo para la modernización tecnológica de la administración provincial, la digitalización de trámites, la interoperabilidad de datos entre áreas de gobierno y la incorporación de tecnologías emergentes, incluyendo IA (Provincia de Santa Fe, 2024).

Y en noviembre de 2025 el gobierno provincial aprobó el Decreto N.° 2726/2025, que establece el Protocolo para la Adopción y Uso de Tecnologías de Inteligencia Artificial Generativa en el ámbito de la Administración Pública (Gobierno de Santa Fe, 2025). Santa Fe fue la primera provincia argentina en aprobar un instrumento normativo específico para el uso de IA generativa en la administración pública.

El protocolo establece principios ejecutables y no meramente declarativos: las decisiones finales deben quedar en manos de personas, se prohíbe cargar información confidencial en plataformas abiertas, se exige anonimización previa de datos sensibles, y la tecnología se concibe como apoyo del criterio profesional y no como sustituto de la intervención humana. El marco es más robusto que el de la mayoría de las provincias argentinas y establece condiciones institucionales potencialmente favorables para incorporar IA a distintas fases del ciclo de políticas públicas, incluida la ex ante.

Sin embargo, los antecedentes concretos de uso de IA en Santa Fe apuntan hoy a otras funciones. El Programa Lince, por ejemplo, es un sistema de videovigilancia con IA aplicada a seguridad pública, en expansión desde Rosario hacia otras ciudades de la provincia (Gobierno de Santa Fe, 2026). Se trata de un caso de IA analítica aplicada a una función operativa del Estado, orientada al monitoreo del espacio público y al procesamiento de imágenes en tiempo real, no a la evaluación ex ante de políticas públicas.

Es un uso legítimo y con impactos concretos en la gestión de la seguridad, pero no llena el vacío que aquí se señala. Santa Fe tiene el marco normativo, tiene el mandato constitucional, tiene la intención política expresada en sus instrumentos regulatorios. Lo que aún no tiene consolidado, como el resto del país, es una práctica instalada de usar la IA para anticipar el impacto de sus políticas antes de sancionarlas, ni tampoco la masa crítica de equipos técnicos híbridos capaces de operar en la intersección entre análisis de políticas públicas e ingeniería de sistemas complejos. La brecha entre norma habilitante y capacidad efectiva es un rasgo que Santa Fe comparte con la mayor parte del Estado argentino, aunque en Santa Fe la primera esté más desarrollada que el promedio.

Si la IA está avanzando en tantas funciones del sector público, la pregunta por qué la evaluación ex ante muestra un rezago tan claro se vuelve inevitable. Las razones son técnicas e institucionales, y conviene desagregarlas. Del lado técnico, evaluar ex ante una política pública requiere anticipar cómo se comportará un sistema social complejo frente a una intervención que todavía no ocurrió, y eso exige capacidades de simulación, de modelado de escenarios contrafactuales y de razonamiento causal en entornos con múltiples actores interactuando.

Los sistemas sociales tienen propiedades que los distinguen de los sistemas físicos o biológicos donde los modelos predictivos han funcionado mejor: los actores anticipan y reaccionan a las políticas que los afectan, las variables relevantes son en parte simbólicas y no solo materiales, los efectos son heterogéneos entre grupos poblacionales, y las trayectorias históricas condicionan las respuestas presentes. Modelar todo eso con precisión suficiente para informar una decisión política es un problema técnicamente abierto, incluso para las arquitecturas más sofisticadas.

Los avances recientes en arquitecturas de sistemas multiagente basados en modelos de lenguaje abrieron posibilidades nuevas en este terreno, y existe literatura técnica que sistematiza tanto los progresos como los desafíos del campo (Guo et al., 2024). Pero traducir esa capacidad técnica en herramientas efectivamente utilizables por un equipo técnico de gobierno es un salto que la mayor parte del ecosistema todavía no dio.

Conviene entonces hacer un balance de lo recorrido. El texto arrancó con un horizonte macro cuya evidencia es económica pero cuyas implicancias institucionales son interpretativas: los escenarios de Anthropic modelan transformaciones profundas en los mercados de trabajo hacia 2030, y esa evidencia habilita, sin agotarla, una lectura sobre potenciales tensiones en la matriz weberiana del Estado moderno y en las formas de organización social y política que damos por descontadas.

Bajó luego al terreno concreto de las políticas públicas, definidas con Lahera como construcción coherente y multiactoral, y organizadas analíticamente en fases donde la evaluación ocupa un lugar particular. Distinguió dentro de la evaluación entre ex post y ex ante, y mostró que esta última, la que anticipa impactos antes de decidir, es la fase menos desarrollada tanto en la producción académica como en la adopción institucional.

Documentó que la IA en gestión pública se concentra hoy en funciones operativas y analíticas retrospectivas, no anticipatorias, con los prototipos ex ante todavía confinados al ámbito experimental. Aterrizó en Argentina y en Santa Fe para mostrar que existe un marco doctrinario y normativo relativamente desarrollado, pero que no se corresponde aún con una práctica sistemática. E identificó las razones técnicas e institucionales que explican este rezago: la dificultad genuina de modelar sistemas sociales complejos, la brecha entre prototipo académico y producto institucional, la vulnerabilidad política de las proyecciones, y la sensibilidad de las herramientas algorítmicas en contextos donde su opacidad puede confundirse con neutralidad.

Con ese balance sobre la mesa, la discusión pública sobre IA y gestión pública oscila con frecuencia entre dos polos poco fértiles. Por un lado, un tecnooptimismo que promete transformaciones profundas sin especificar cuáles ni cuándo, y que rara vez distingue entre lo que ya está ocurriendo y lo que podría ocurrir en un futuro indefinido. Por otro lado, un escepticismo defensivo que reacciona ante cada nueva herramienta como si fuera automáticamente una amenaza a la deliberación democrática o al empleo público.

Ambos extremos empobrecen la discusión. Lo que este recorrido intentó mostrar es más matizado y, en cierto modo, más incómodo. La IA en gestión pública ya está entre nosotros, se despliega de manera desigual, y se concentra hoy en funciones operativas y analíticas retrospectivas antes que en las funciones anticipatorias donde su potencial teórico es mayor. La evaluación ex ante, esa fase del ciclo donde una política puede corregirse antes de generar daños, sigue siendo terreno relativamente inexplorado en la práctica institucional real, tanto a nivel internacional como en Argentina y en Santa Fe. Y la brecha entre potencial técnico y adopción institucional no se cierra sola: requiere marcos normativos claros, formación de equipos técnicos con capacidades híbridas, infraestructura de datos interoperable, y una discusión pública informada sobre qué queremos que la IA haga y qué no queremos que haga en nombre del Estado.

Ese balance se vuelve particularmente denso cuando se lo mira contra el horizonte condicional que abrió el informe de Anthropic al comienzo. Si los escenarios económicos proyectados para 2030 se acercaran siquiera a su versión intermedia, la matriz sobre la que descansa el Estado moderno, y con ella las formas de organización social y política que damos por descontadas, podría estar transformándose al mismo tiempo que discutimos qué políticas públicas queremos construir.

Ahí es donde la discusión sobre IA y evaluación ex ante dejaría de ser una cuestión técnica menor y se volvería una pregunta política mayor. ¿Con qué instrumentos analíticos vamos a decidir en un contexto donde las categorías tradicionales de la economía y el trabajo podrían estar reorganizándose? ¿Cómo garantizamos que las herramientas de anticipación que incorporemos no reproduzcan sesgos ni concentren opacamente el poder de decisión? ¿Qué rol le queda al juicio experto humano cuando parte del razonamiento técnico puede delegarse en sistemas artificiales? ¿Y qué significa democratizar el diseño de políticas públicas cuando las capacidades técnicas para producirlas quedan cada vez más distribuidas de manera asimétrica entre actores estatales, empresariales y ciudadanos?

Ninguna de esas preguntas se responde en una entrada de blog, y ese no es el propósito de este texto. Lo que sí puede afirmarse, a la luz de la evidencia relevada, es que la conversación necesaria está apenas empezando, que Argentina tiene condiciones institucionales incipientes para participar de ella con seriedad, y que Santa Fe, por su marco normativo reciente y por su masa crítica de capacidades técnicas en formación, podría ser un laboratorio subnacional privilegiado si se decidiera serlo. La pregunta es si esa decisión llegará a tiempo, o si terminaremos, como tantas veces, discutiendo la tecnología después de que la tecnología nos haya discutido a nosotros.

Estanislao Molinas (Argentina): Licenciado en Relaciones Internacionales, Universidad Católica de Santa Fe, y columnista en Diplomacia Activa.