México no necesita adoptar el futuro de la inteligencia artificial. Necesita decidir cuál quiere construir

Hoy fui a unas charlas sobre inteligencia artificial y salí con una pregunta incómoda que no me ha soltado.

Muchas veces, cuando se habla de IA en México, el verbo es adoptar. Hay que adoptarla en las empresas, en las escuelas, en el gobierno. Suena razonable hasta que te cae el veinte de lo que significa: adoptar es recibir algo que ya está hecho. Alguien más decidió qué problema resolvía, con qué datos, para quién y a qué precio. A nosotros nos toca aprender a usarlo.

Esto no es un pleito de nacionalismos. Es una cuestión práctica: la IA ya se está metiendo en cómo nos movemos por la ciudad, cómo se estudia y cómo se hace un trámite. Si las decisiones de fondo se toman en otro lado, también se decide en otro lado a quién le sirve.

Dos historias que nos llegan de fuera

En julio de 2025, Estados Unidos presentó su plan de acción en inteligencia artificial. Entre otras cosas, apuesta por que su tecnología se instale en otros países, y desde 2022 restringe el acceso de China a los chips más avanzados. Tres días después, China respondió con su propio plan: propuso crear una organización mundial de cooperación en IA y dijo estar dispuesta a ayudar a los países del Sur Global. Un analista citado por CNBC lo resumió así: China apuesta por lo multilateral y Estados Unidos por armar su propio bloque.

Cada uno cuenta una historia sobre el futuro, con su visión, sus aliados y una invitación a subirse. Ninguna es neutral: las dos están pensadas para que otros usen su tecnología, sus estándares y su infraestructura. Que una suene más amable que la otra no quiere decir que sea gratis.

Lo que me llama la atención es dónde queda México en esos relatos: como cliente o como socio. Pocas veces como autor.

Perseguir la tendencia no es tener rumbo

En México la conversación va rápido. En septiembre de 2026 se dio a conocer el Plan Nacional de Inteligencia Artificial 2026 de la Agencia de Transformación Digital y Telecomunicaciones (ATDT). Según los resúmenes publicados, se apoya en tres pilares: un marco ético y legal, desarrollo de capacidades, talento y software público, e infraestructura para fortalecer la soberanía tecnológica. Incluye, por ejemplo, un centro público de formación en IA con capacitación gratuita para estudiantes de bachillerato y universidad. Y parte de la idea de que la IA debe estar al servicio de las personas y del interés público.

Eso suena bien. Pero hay una trampa común, y no es exclusiva del gobierno: perseguir la tendencia sin preguntarnos qué necesidad local estamos atendiendo. Pasa en cualquier empresa. Alguien dice “necesitamos IA” y la chamba arranca desde la herramienta, no desde el problema. Es como comprar una camioneta enorme sin saber si tu calle es de adoquín o de terracería.

Una observación honesta: en el resumen del plan que se publicó en prensa no se menciona cómo participa la ciudadanía en las decisiones. Puede que el documento completo sí lo diga. Vale la pena que más gente lo lea completo y lo pregunte.

Innovación que se vende e innovación que sirve

La innovación comercial pregunta: ¿esto se vende? Es una pregunta legítima; de ahí salen empleos, productos y buena parte de la IA que usamos todos los días. La innovación social pregunta otra cosa: ¿a quién le sirve y quién decidió que ese era el problema importante? A veces las dos preguntas tienen la misma respuesta. Muchas veces no.

Yo me gano la vida construyendo IA en una empresa grande y antes trabajé en una organización social. En los dos lugares pasa algo parecido: no entra cualquier tecnología. Hay revisiones legales, de privacidad, criterios. Alguien decide qué entra y qué no, y me parece bien que existan esas reglas. Lo que me llevo de ahí es esto: la tecnología no llega sola, la deciden personas. Y por eso se puede discutir, también a escala país.

Un ejemplo viejo, pero muy bueno, de cómo se ve decidir entre muchos: el Mapatón de 2016. En la Ciudad de México, un grupo de 35 personas de 12 organizaciones armó un juego para mapear los peseros, esos microbuses que no tenían un mapa oficial (más de 1,500 rutas y alrededor de 14 millones de pasajeros al día). Con una app que registraba el recorrido por GPS, 3,594 personas mapearon 2,632 viajes, casi todo el sistema. Los datos se abrieron al público, y en un hackatón el primer lugar fue un servicio por SMS que te decía cómo llegar en transporte público. Cuando se publicó el reportaje, la agencia de gestión urbana de la ciudad ya estaba en proceso de adoptarlo como servicio oficial.

Eso no era IA. Era algo más básico y más importante: datos buenos, hechos entre muchos y a partir de un problema que todos conocían. Hoy cualquier sistema inteligente de movilidad necesita justo ese tipo de material, y alguien tiene que decidir quién lo junta y para qué.

Gente que ya está construyendo

Hay equipos mexicanos experimentando con eso que el plan llama capacidades propias, sin esperar a que se las den.

Tachiwin es una iniciativa que desarrolla herramientas de IA para lenguas indígenas de México que están en riesgo. Según el propio equipo, en noviembre de 2024 lograron lo que creen que es el primer modelo de lenguaje para una lengua indígena mexicana: tutunakú, español e inglés. Lo metieron en una app de Android que funciona con o sin internet, pensando en comunidades con mala conexión. Tómalo como una foto de esa fecha; no sé en qué van hoy.

Otro caso, más delicado por lo que está en juego: un proyecto del IIMAS de la UNAM, junto con CEPIADET, una asociación civil, exploró cómo usar IA ante la falta de datos sobre intérpretes de lenguas indígenas en el ámbito legal, donde tener o no tener intérprete puede definir si alguien accede a la justicia. Entre sus temas está la soberanía de datos indígenas. Es decir, preguntarse de quién son los datos de una lengua antes de entrenar nada con ellos.

Y a escala regional: en febrero de 2026 se lanzó Latam-GPT, presentado como el primer modelo de lenguaje abierto hecho desde y para América Latina y el Caribe. Lo coordinó el Centro Nacional de Inteligencia Artificial de Chile (CENIA) con varias instituciones de la región. Está construido sobre Llama 3.1, un modelo de Meta, con 70 mil millones de parámetros (el tamaño del modelo; piensa en la cantidad de perillas que se ajustan al entrenarlo), y con textos de la región obtenidos con permiso.

Ahora sí, modo deconstruir. Latam-GPT es un logro regional y, a la vez, se apoya en un modelo de una empresa estadounidense. ¿Eso lo invalida? No. Sirve para entender que decidir no significa hacerlo todo desde cero ni cerrarse al mundo. Decidir es elegir qué datos entran y con qué permiso, para qué se va a usar y quién lo puede revisar. Hay grados de independencia, y conviene saber en cuál estamos parados.

Una mesa más grande

Un problema como la movilidad o el acceso a la justicia no se resuelve desde un solo escritorio. Por eso hacen falta conversaciones donde se sienten, de verdad, todos estos:

• Ingenieras e ingenieros. Saben qué sí se puede construir y qué es humo.
• Organizaciones sociales. Conocen el problema desde adentro y llevan años trabajándolo.
• Universidades. Investigan, evalúan y pueden decir con datos si algo funciona.
• Gobierno. Pone reglas, escala lo que sirve y paga los servicios públicos.
• Ciudadanía. Usa, sufre los errores y debería poder opinar antes, no después.

Una mesa así es incómoda: tarda, se discute, hay que traducir entre gente que habla distinto. Pero lo contrario sale más caro: arreglar después una IA que nadie pidió.

Qué hacemos con esto

No necesitas ser ingeniero para preguntar. Cuando alguien te presente un proyecto de IA, en tu chamba, tu escuela o tu gobierno local, prueba con cuatro preguntas:

1. ¿Qué problema concreto resuelve? Si la respuesta empieza con el nombre de la herramienta, aguas.
2. ¿Quién decidió que ese era el problema? ¿Las personas afectadas estuvieron ahí?
3. ¿Quién se beneficia y quién paga? Dinero, datos, tiempo, atención.
4. ¿Qué pasa si sale mal y quién responde?

México tiene talento, lenguas, ciudades complicadas y comunidades que ya demostraron que se puede construir. Usar tecnología hecha afuera no es malo en sí mismo. Lo riesgoso es no haber decidido nada y dejar que otros decidan por nosotros. Y esa decisión no le toca nada más a los expertos: la pregunta de qué IA queremos es de todas y de todos.

Los datos de esta nota vienen de prensa y de los propios proyectos, y varios tienen meses o años. Tómalos como una foto, no como la película completa. Si conoces un proyecto de IA o de datos que esté resolviendo algo en tu colonia, tu escuela o tu pueblo, cuéntamelo.

Nota de transparencia: este artículo se escribió con ayuda de inteligencia artificial, a partir de ideas y una postura de deconstruir.me.

Para leer más

• China releases AI action plan days after the U.S. (CNBC, vía NBC Connecticut)
• Inteligencia Artificial: así operará el nuevo plan de México (IDC Online)
• Mapping Mexico City’s vast informal transit system (Fast Company)
• Tachiwin Indigenous Languages Translator (lablab.ai, hackatón Llama Impact)
• Proyecto de IA para la interpretación de lenguas indígenas en el ámbito legal (IIMAS, UNAM)
• Lanzan Latam-GPT: la primera IA regional abierta creada con datos latinoamericanos (La Opinión)