IA en Chile: modernización sin diagnóstico

Actualizado al 13 de agosto de 2026.

En 2017, el trabajo académico Attention Is All You Need presentó la arquitectura Transformer, una de las bases técnicas de muchos sistemas actuales de inteligencia artificial. Desde entonces, la IA dejó de ser un asunto reservado a laboratorios y comenzó a aparecer en empresas, universidades, servicios públicos y discursos políticos.

La promesa es conocida. Más velocidad, mejores decisiones, menos trámites y servicios capaces de anticipar lo que las personas necesitan. El problema es que, cuando no entendemos el problema de fondo ni qué hace realmente la herramienta, esa modernización puede terminar siendo una fórmula muy sofisticada para fracasar.

La IA puede mejorar un proceso. No puede decidir por nosotros qué problema merece ser resuelto, qué resultado es justo ni quién debe responder cuando algo sale mal.

1. Cuando la IA no basta

Antes de hablar de modelos y algoritmos conviene mirar el terreno donde queremos utilizarlos. En Chile, los grandes problemas sociales no son abstractos. Se expresan en esperas prolongadas por atención de salud, desigualdad educativa, inseguridad y diferencias territoriales que existían mucho antes del entusiasmo por la inteligencia artificial.

Al 31 de diciembre de 2025, el Ministerio de Salud registraba 2.047.191 personas esperando una consulta nueva de especialidad y 371.907 esperando una intervención quirúrgica No GES. Esas cantidades no deben sumarse como si representaran personas diferentes, porque alguien puede aparecer en más de una lista. También es importante reconocer que durante 2025 disminuyeron las medianas de espera y aumentó el número de egresos.

Los avances no eliminan el problema, pero evitan una lectura injusta de los datos. Una lista de espera cambia todos los días. Entran nuevas solicitudes, se resuelven otras y una misma persona puede necesitar varias prestaciones. Por eso una cifra aislada no basta para evaluar el sistema.

La tecnología puede ayudar a ordenar derivaciones, detectar duplicidades, mejorar la trazabilidad y entregar información a los pacientes. Pero la capacidad de atender sigue dependiendo de personas, pabellones, especialistas, coordinación, presupuesto y gestión. Si la fila es eterna, digitalizar el número no resuelve la espera.

2. El algoritmo de admisión no es todo el sistema educativo

En educación ocurre algo parecido. El Sistema de Admisión Escolar utiliza un procedimiento centralizado para asignar vacantes cuando un establecimiento tiene más postulantes que cupos. Es legítimo discutir sus reglas, prioridades, información disponible y resultados.

Sin embargo, el algoritmo no crea las vacantes, no determina dónde se construye una escuela y no corrige por sí solo la distribución territorial de oportunidades educativas. Tampoco explica toda la segregación del sistema.

El Centro de Estudios del Ministerio de Educación ha documentado tanto los efectos del sistema de admisión como la concentración de estudiantes prioritarios en determinados establecimientos y territorios. Esa evidencia muestra que el problema es más amplio que la fórmula de asignación. Intervienen la oferta disponible, las preferencias familiares, la ubicación de los establecimientos, su dependencia y desigualdades acumuladas durante años.

Podemos mejorar el algoritmo y debemos evaluarlo. Pero si discutimos únicamente su funcionamiento, corremos el riesgo de perfeccionar la distribución de oportunidades que continúan siendo desiguales.

3. No toda IA hace lo mismo

Decir que la inteligencia artificial es simplemente optimización estadística ayuda a bajar el tono casi mágico que suele rodearla, pero hoy resulta insuficiente como definición general.

Algunos sistemas clasifican imágenes, estiman probabilidades o recomiendan una acción a partir de datos históricos. Otros generan texto, imágenes, audio o código calculando patrones y relaciones aprendidas durante su entrenamiento. También existen sistemas que combinan modelos, reglas, búsquedas y herramientas externas para ejecutar procesos más extensos.

No todos se construyen de la misma manera ni presentan los mismos riesgos. Un modelo que ayuda a ordenar documentos no debe evaluarse igual que uno utilizado para priorizar pacientes, asignar beneficios o influir en una decisión que afecta derechos.

Lo que comparten es algo menos espectacular y más importante: sus resultados dependen de decisiones humanas sobre objetivos, datos, diseño, contexto de uso y límites. La automatización no hace desaparecer esas decisiones. Solo puede volverlas menos visibles.

4. Entender no es una pregunta resuelta por decreto

Es habitual afirmar que estos sistemas no piensan ni entienden. Esa frase expresa una posición razonable frente a la tendencia a tratarlos como personas, pero no constituye una prueba definitiva sobre qué significa comprender.

Los modelos actuales no tienen responsabilidad jurídica, experiencia vital ni conocimiento garantizado de la realidad. Pueden producir una respuesta convincente y estar equivocados. También pueden resolver tareas complejas sin que exista acuerdo científico o filosófico sobre si eso debe llamarse razonamiento, comprensión o una simulación extraordinariamente competente.

Para una política pública, esa discusión no debería servir como excusa para delegar responsabilidades. Aunque un sistema parezca comprender una solicitud, la institución sigue obligada a verificar sus resultados, explicar sus decisiones y responder ante las personas afectadas.

No necesitamos resolver primero la naturaleza de la inteligencia para exigir responsabilidad administrativa.

5. Las preguntas incómodas siguen siendo humanas

Antes de implementar un sistema habría que saber quién eligió los datos y si representan a la población sobre la cual se tomará una decisión. También habría que definir qué se considera un buen resultado y quién puede cuestionarlo.

Después viene una pregunta todavía más importante: quién responde cuando el sistema se equivoca. Una institución no debería poder esconderse detrás de un proveedor, y un proveedor no debería reemplazar la función de la autoridad que tomó la decisión de contratarlo.

La posibilidad de reclamar tampoco puede agregarse al final como un enlace difícil de encontrar. Si una decisión tiene consecuencias importantes, la persona afectada necesita saber que intervino un sistema, comprender las razones relevantes y acceder a una revisión real.

Estas no son preguntas exclusivas de especialistas. Son condiciones mínimas para utilizar automatización en una sociedad democrática.

6. Automatizar una mala pregunta sigue produciendo una mala respuesta

Cuando un problema se define mal, la tecnología tiende a optimizar aquello que fue medido, no aquello que realmente importaba.

Si una lista de espera se trata solo como un problema de ordenamiento, el sistema puede mejorar la prioridad sin crear una sola hora médica adicional. Si la desigualdad educativa se reduce a una asignación de cupos, podemos discutir la fórmula sin aumentar la oferta disponible. Si la seguridad se mide únicamente por controles realizados, el incentivo puede concentrarse en repetir controles y no necesariamente en reducir daños.

Eso no significa que los datos o los modelos sean inútiles. Significa que una métrica parcial puede convertirse en el objetivo equivocado. La IA acelera la lógica que recibe. Si esa lógica contiene sesgos, omisiones o incentivos deficientes, también puede acelerarlos.

La diferencia frente a una planilla mal diseñada es la escala. Un sistema automatizado puede aplicar el mismo criterio miles de veces, con rapidez y una apariencia de neutralidad que dificulta cuestionarlo.

7. La nueva ley devuelve la decisión a las personas

La Ley N.º 21.719, que entra en vigencia el 1 de diciembre de 2026, incorpora reglas específicas sobre decisiones individuales automatizadas basadas en datos personales.

La norma reconoce protecciones cuando una decisión automatizada produce efectos jurídicos o afecta significativamente a una persona. También exige salvaguardas relacionadas con información y transparencia, explicación, intervención humana, posibilidad de expresar un punto de vista y revisión de la decisión.

Esto no prohíbe usar inteligencia artificial ni significa que toda automatización deba seguir el mismo procedimiento. El alcance depende del tratamiento, los datos utilizados y los efectos de la decisión. Pero sí cambia una idea que durante años resultó demasiado cómoda: decir que “lo decidió el sistema” no libera de responsabilidad a quien decidió utilizarlo.

La revisión humana tampoco puede consistir en presionar un botón para confirmar automáticamente el resultado. Debe existir una persona con información, autoridad y capacidad real para cambiar la decisión cuando corresponda.

8. Dónde la IA sí aporta valor

Ser críticos con el entusiasmo tecnológico no significa negar que la IA funcione. Los modelos pueden ayudar a analizar imágenes, encontrar patrones en grandes volúmenes de información, mejorar procesos logísticos, apoyar investigación científica y facilitar tareas administrativas.

La diferencia aparece cuando existe un problema definido, datos adecuados, una medida de éxito y alguien responsable de comprobar el resultado en el mundo real.

En un hospital, una herramienta puede ayudar a detectar registros duplicados sin decidir por sí sola quién merece atención. En una escuela, puede apoyar la organización de información sin reemplazar el juicio profesional sobre un estudiante. En un municipio, puede facilitar la clasificación de solicitudes siempre que exista un canal para corregir errores y atender situaciones que no caben en una categoría.

La pregunta no es si la IA participa, sino qué función cumple, qué decisión conserva la persona y cómo se detecta un daño antes de que se repita a gran escala.

9. Modernizar también significa hacerse responsable

Una institución preparada para usar IA debería poder explicar qué problema intenta resolver, por qué eligió esa herramienta y cómo sabrá si funcionó. También debería conocer qué datos utiliza, qué personas pueden resultar afectadas, qué proveedor participa y qué ocurrirá si el sistema falla.

Nada de eso garantiza el éxito. Pero obliga a realizar la parte menos vistosa de la innovación: ordenar procesos, revisar información, escuchar a quienes recibirán el servicio y establecer responsabilidades.

La IA puede ocupar un lugar valioso en el Estado, la salud y la educación. No como una autoridad neutral ni como una coartada tecnológica, sino como una herramienta sometida a objetivos públicos, evaluación y control humano.

Un país no se moderniza porque agrega inteligencia artificial a sus problemas. Se moderniza cuando logra comprenderlos mejor, actuar sobre sus causas y responder por las decisiones que toma.

Fuentes y alcance de este artículo

La descripción histórica de la arquitectura Transformer se basa en el trabajo académico Attention Is All You Need, publicado originalmente en 2017.

Las cifras de salud corresponden al informe de listas de espera del cuarto trimestre de 2025 del Ministerio de Salud. El documento distingue registros y personas, advierte que una persona puede esperar más de una prestación e informa la evolución de los tiempos de espera.

El análisis educativo utiliza como referencia el estado de la evidencia sobre el Sistema de Admisión Escolar publicado por el Centro de Estudios del Ministerio de Educación y su estudio sobre concentración de estudiantes prioritarios entre 2015 y 2024.

Los derechos relacionados con decisiones automatizadas pueden consultarse en el texto oficial de la Ley N.º 21.719 publicado por la Biblioteca del Congreso Nacional. La aplicación concreta de esas reglas depende del tratamiento de datos y sus efectos, por lo que este artículo no reemplaza una evaluación jurídica o técnica.

Este texto diferencia datos oficiales, ejemplos explicativos y opiniones del autor. Los ejemplos sobre posibles usos de IA no afirman que una institución específica esté utilizando actualmente esos sistemas.