VIGIA: un pipeline para acelerar la Gobernanza de la IA en México

§Resumen

En este trabajo argumentamos que el principal problema para acelerar la Gobernanza de la IA en naciones como México está limitado por el vocabulario de seguridad de la IA casi inexistente en el país. Como resultado de lo anterior, los riesgos de la IA no se conceptualizan en el discurso oficial, lo que provoca que esos riesgos sean invisibles para las distintas esferas que impulsan el progreso de la regulación de la IA. A este cuello de botella lo llamamos un riesgo de orden superior.

AlcanceNo sostenemos que este sea el único cuello de botella para la Gobernanza de la IA en México, sino uno que creemos importante y que además está aguas arriba de varios de los otros.

Para superar este cuello de botella proponemos un pipeline cuyo objetivo último es visibilizar los riesgos de la IA, e hicimos una primera implementación de este pipeline para México. También sugerimos pasos futuros que pueden construirse encima de él. Al final, creemos que esto podría replicarse para otros países que se encuentran en un estado similar.

1Introducción

Lo que no se menciona no existe.

En el ámbito de la IA podemos categorizar a las naciones en dos tipos: aquellas con capacidad de producir modelos de frontera y aquellas que no.

Las naciones de primer tipo, al estar en contacto directo con la frontera, pueden observar los riesgos de la IA, tienen instituciones, centros de investigación y, sobre todo, conceptualización y lenguaje propio para el discurso de los riesgos relacionados a la inteligencia artificial.

Las de segundo tipo son principalmente naciones consumidoras de la tecnología de frontera de las primeras, pero las instituciones y centros de investigación para la seguridad de la inteligencia artificial son casi inexistentes. Decimos «casi» porque AI Safety México [1] es la única organización mexicana que conocemos cuyo objeto declarado es hacer visibles estos riesgos, en un registro distinto al de la ética y la IA responsable, donde el campo mexicano es más antiguo y más poblado. No existe una promoción pública de estos riesgos y mucho menos puede hablarse de estas conceptualizaciones. Por tanto, a un nivel epistémico estos riesgos son inexistentes en el discurso público y, mucho peor, no existen en el discurso oficial.

Si este lenguaje no existe, entonces prácticamente no se puede progresar hacia el reconocimiento de los riesgos de la IA y por lo tanto hacia la Gobernanza de la Inteligencia Artificial en México. Siendo entonces un cuello de botella para la Gobernanza de la Inteligencia Artificial.

Conviene darle un nombre al problema anterior para poder tratarlo. Los riesgos que documentan los países de primer tipo son riesgos de primer orden: un sistema falla, discrimina, vigila, desplaza trabajo. La invisibilización de esos riesgos en el discurso público y oficial opera un nivel arriba, porque no daña por sí misma sino que impide advertir y corregir los daños de primer orden, y por eso la llamamos un riesgo de orden superior. Tiene además la propiedad de ocultarse a sí misma: un legislador que revisa un acuerdo de despliegue de IA y no encuentra ahí ninguna mención de sesgo o de supervisión humana no percibe una omisión, percibe un documento normal.

Para superar este riesgo de orden superior proponemos un pipeline cuyo objetivo es visibilizar los riesgos de la IA a través del análisis del discurso oficial y público. De esta manera, los actores y agentes que podrían contribuir a la gobernanza ya tendrían el marco conceptual para poder comenzar a regular para evitar los riesgos de la IA.

2Trabajo similar

La idea de que un problema sin nombre no llega a la agenda tiene respaldo teórico. Kingdon [2] distingue entre una condición y un problema, y señala que la categoría en la que se coloca un asunto determina qué remedios se consideran apropiados. La formulación más cercana a lo que aquí sostenemos viene de la sociología jurídica: Felstiner, Abel y Sarat [3] muestran que una experiencia lesiva que nunca se nombra no llega a convertirse en agravio y por tanto nunca alcanza a una institución que pueda atenderla.

Conviene decir qué parte de este pipeline no es novedosa. Contar menciones de IA en texto oficial fue método del AI Index entre 2016 y 2024 [4], codificar documentos de gobierno contra una taxonomía fija es el oficio del Comparative Agendas Project [5], y usar un LLM para ello está evaluado con cifras publicadas [6]. México ya tiene su registro de algoritmos públicos en Algoritmos CIDE [7] y Cação et al. [8] rastrearon política ambiental en el Diário Oficial da União. El antecedente más cercano es Trielli, Stark y Diakopoulos [9], que construyeron un vocabulario de 61 términos precisamente porque las agencias no dicen «IA».

3Operacionalización

La operacionalización del pipeline, en abstracto y sin referencia a ningún país en particular, sugiere la siguiente metodología.

1. Identificar documentos oficiales en donde el discurso oficial publique sus iniciativas y uso de inteligencia artificial.
2. Identificar en cada uno de estos documentos menciones tanto explícitas como implícitas del uso de la inteligencia artificial.
3. Por cada una de estas menciones de uso, identificar y categorizar el riesgo de IA asociado de acuerdo a las categorías del Apéndice A.
4. Reportar el hallazgo: explicar por qué es un riesgo, con qué grado de urgencia, y dar algunas recomendaciones iniciales de cómo resolver este gap.
5. Crear reportes concretos para los potenciales impulsores de la Gobernanza de la IA, como investigadores, legisladores y público en general.
6. Monitorear en el discurso público qué tanto el léxico de AI safety se está adoptando, a través de medios como los periódicos digitales. Es decir, medir qué tanto se utiliza el lenguaje de riesgos de la IA.

4Implementación en México

Como primera versión para operacionalizar esto en México utilizamos el Diario Oficial de la Federación, para poder hacer toda la identificación y análisis de los riesgos y sugerencias iniciales con un LLM. A esta primera versión la llamamos VIGIA (en español): Valoración de Impactos Gubernamentales de IA.

El DOF es la elección natural porque es el vehículo por el que los actos del Estado mexicano adquieren validez jurídica, así que un uso de IA que aparece ahí ya no es un plan sino un hecho de gobierno con fecha y firma. Además es público y descargable, lo que hace el ejercicio reproducible. El corpus son 153 ejemplares de la edición matutina, del 3 de noviembre de 2025 al 12 de junio de 2026.

Un LLM (Claude Opus 4.8) lee cada ejemplar completo, identifica menciones explícitas e implícitas de uso de IA y clasifica cada una contra las 15 categorías del Apéndice A con un nivel de severidad. Por cada hallazgo se emite el fragmento textual original, su ubicación en el documento, el análisis de relevancia, las categorías de riesgo con su severidad y una o más recomendaciones. Los pasos 5 y 6 quedan fuera del alcance de esta iteración. El observatorio con los resultados de esta implementación está publicado en vigia-3-0.us-central1.run.app.

5Resultados

Analizamos 153 ejemplares del DOF del 03-11-2025 al 12-06-2026 y observamos lo siguiente.

Las menciones implícitas son pasajes donde el Estado despliega lo que en los hechos es un sistema de IA sin nombrarlo así, y son cuatro veces más que las 136 explícitas que contabiliza el modelo.

5.1 El léxico de riesgo no está

Buscamos el vocabulario de seguridad de la IA en el corpus completo.

Dieciséis de los dieciocho términos no aparecen ni una vez, y los tres casos que sí aparecen no vienen de un regulador sino de dos centros públicos de investigación y de una cita bibliográfica. Buscamos también qué palabras acompañan a cada mención de IA: de las 249, solo 17 (6.8 %) tienen alguna palabra de riesgo o salvaguarda a menos de 200 caracteres. Al ampliar la ventana a 500 caracteres aparecen 40 casos, pero al revisarlos uno por uno ninguno se refiere a riesgos de la IA, porque en todos «seguridad» significa seguridad alimentaria, hídrica, social, pública o ciberseguridad.

5.2 Cómo aparece la IA cuando aparece

Clasificamos manualmente las 249 menciones según el encuadre con que aparece la IA en el pasaje.

El resultado central está en esas 18 menciones con encuadre de daño: ninguna usa vocabulario propio de riesgos de la IA, y todas toman prestado el encuadre de un régimen jurídico anterior. Seis vienen del derecho de autor y los derechos de imagen y voz, cuatro de la integridad académica, dos de la ética pública, dos de violencia de género vía CEDAW, dos del derecho del consumidor, una del derecho sancionador administrativo y una de la protección de datos del paciente.

5.3 Riesgos identificados

De los 665 hallazgos, 636 (95.6 %) quedan marcados como gap regulatorio, y se reparten en 1,466 pares hallazgo-riesgo sobre 15 categorías. En severidad, 582 pares (39.7 %) son Alta o superior, y 50 de los 153 ejemplares quedan marcados como de atención urgente.

5.4 Algunos ejemplos

• Infraestructura nacional de IA sin marco de riesgo. El 29 de mayo de 2026 se crea el Comité Técnico de la supercomputadora Coatlicue, para fortalecer «las capacidades nacionales en materia de supercómputo e inteligencia artificial». Es el instrumento más explícitamente orientado a IA del corpus y no contiene ninguna disposición sobre usos permitidos, evaluación de modelos o acceso.
• Cuando el riesgo entra, entra prestado. El 30 de enero de 2026 la Estrategia del INE contra la violencia política de género retoma la Recomendación General 40 de la CEDAW y pide responder al «contenido generado por usuarios e inteligencia artificial que constituya un acto de violencia de género». Es la única mención explícita de IA en esa edición y llega por la vía de una recomendación internacional.

El Apéndice B recoge más ejemplos, organizados por la forma en que el riesgo queda invisibilizado.

6Limitaciones

Existen algunas limitaciones en nuestra primera implementación del pipeline propuesto.

• Para esto usamos un LLM para hacer toda la identificación y clasificación, en este caso Claude Opus 4.8, y no usamos ningún otro modelo para comparar los resultados. Así que estos resultados están enmarcados por la interpretación del modelo y por limitaciones conocidas, como la alucinación o los efectos de lost in the middle, agravados por la enorme extensión de los documentos: la mediana de un ejemplar del DOF ronda las 389 páginas.
• Las categorías de riesgo utilizadas son heredadas de marcos de países de primer tipo, según los definimos al principio, y podría ser el caso de que necesitemos categorías adicionales o adaptadas que hagan más sentido a la naturaleza de los países de segundo tipo, como México. Por ejemplo, la invisibilización de los riesgos existentes de la IA, que es el riesgo de orden superior que definimos aquí, no es clasificable dentro de esta taxonomía. Otros riesgos similares podrían ser identificados.
• Hacer notar que para la capa de monitoreo del pipeline queremos excluir nuestra propia difusión de reportes; de lo contrario podemos estar contaminando la «métrica», y no queremos eso: queremos medir la infiltración orgánica del lenguaje de riesgos de la IA en el discurso.

7Trabajo futuro

Sobre el pipeline

• Probar el enfoque actual de clasificación por LLM y definir uno más robusto, corriendo al menos un segundo modelo y validando una submuestra con revisores humanos.
• Añadir a la operación actual el canal y los actores que mejor aprovechen la información, ya que nuestro objetivo es acelerar la Gobernanza de la IA.
• Identificar qué formato funciona mejor para comunicar los resultados a los impulsores de la Gobernanza de la IA.
• Definir mejores métricas que podamos usar para monitorear el nivel de visibilización en el discurso público.

También pensamos que este pipeline puede ser usado, en una versión muy similar, en otros países de segundo tipo.

Sobre la implementación mexicana

• Usar los resultados para identificar necesidades más urgentes de México en términos de regulación.
• Usar los resultados para definir el mayor paso futuro que pudiera causar más impacto.

Y lo que pensamos que es el mayor paso futuro es construir encima una estrategia de defensa que sea específica para países de segundo tipo como México. Para países de primer tipo existen otras estrategias, como MAIM (Mutual Assured AI Malfunction, el régimen de disuasión por sabotaje preventivo de Hendrycks, Schmidt y Wang [10]) o la Mutual Assured Compute Destruction del plan AI 2040 [11], pero responden a la naturaleza de esas naciones con la capacidad de producir modelos de frontera: MAIM no menciona ni una sola vez a las potencias medias, al Sur Global ni a México, y el acuerdo de la segunda es bilateral entre Estados Unidos y China. En el caso concreto de México, pensamos que la estrategia de defensa puede ser operacionalizada vía regulación, en la línea de Viri Ríos [12], quien sostiene que el país «no puede desarrollar una IA que compita con las de Estados Unidos o China, pero sí puede protegerse contra los abusos de estas». Eso será crucial para balancear las dinámicas de poder de la IA entre naciones de primer tipo y de segundo tipo.

8Conclusión

En este trabajo propusimos un pipeline para avanzar la Gobernanza de la IA en países que no producen IA de frontera pero que sí la usan. Establecimos que uno de los principales cuellos de botella es la invisibilización del riesgo de IA y que, por causa de esta conceptualización, la Gobernanza de la IA no puede progresar. Conceptualizamos este cuello de botella como un riesgo de orden superior que necesita ser tratado, y nuestro pipeline es la operacionalización para atender este riesgo.

Construimos una primera versión de este pipeline para México, y se pueden hacer más iteraciones para hacer esta implementación más robusta y tener más material. Invitamos también a otras naciones de segundo tipo a aplicar este pipeline sobre su propio discurso oficial.

AApéndice A. Categorías de riesgo

VIGIA clasifica cada uso de IA detectado contra una taxonomía fija de quince categorías, adaptada de dos marcos publicados: la revisión de riesgos de la IA de BlueDot Impact [13] y el Anexo A sobre riesgos futuros de la IA de frontera de la Oficina Gubernamental para la Ciencia del Reino Unido [14].

Al verificar las fuentes para este texto encontramos que ninguna de las dos es una taxonomía formal, y conviene decirlo antes de la tabla. El Anexo A británico no contiene una tabla de categorías con nombres y definiciones: su párrafo 85 es una lista de ocho oraciones sueltas y sin etiqueta, precedida de la advertencia de que no es exhaustiva, y su párrafo 89 enumera aparte tres vías hacia riesgo catastrófico. Por su parte, el texto de BlueDot es una entrada de blog pedagógica con trece encabezados de riesgo más un cajón de riesgos desconocidos, sin definiciones formales. Las etiquetas R1 a R15 son nuestras y la correspondencia con las fuentes es de inspiración y no de cita.

BApéndice B. Cómo se invisibiliza el lenguaje en las menciones

B.1 El encuadre de capacidad

Es el modo dominante, con 181 de 249 menciones (72.7 %). La IA aparece como insumo de modernización, en una lista junto a otras tecnologías y siempre del lado del beneficio. La estructura de la frase no deja lugar sintáctico para un riesgo.

«…impulse la creación y adopción de soluciones innovadoras en generación, transmisión, distribución y uso eficiente de energía eléctrica, con incorporación de la inteligencia artificial, el internet de las cosas, la digitalización, la ciberseguridad industrial y los materiales avanzados.»

DOF, 1 de junio de 2026 · Programa Institucional del INEEL

B.2 El renglón de compra

29 menciones (11.7 %). La IA entra al Estado por la puerta administrativa, en una licitación, una partida presupuestal o una ficha técnica de equipo. El formato del documento no contempla la pregunta por el riesgo, así que la pregunta no se hace.

«Licitación Pública Internacional Abierta Número ASF-DGRMS-LPIA-07/2025. Descripción de la licitación: Suscripción de Chatbot de Inteligencia Artificial y Servicio de Suscripción de Software Gestor de PDF.»

DOF, 4 de noviembre de 2025 · Auditoría Superior de la Federación

B.3 El sistema que nunca se llama IA

Es la forma más consecuente y no aparece en el conteo de menciones porque por definición no hay mención. El instrumento describe con detalle técnico un sistema de reconocimiento biométrico, y lo hace en el vocabulario del registro administrativo. Son 545 usos implícitos frente a 136 explícitos.

«Verificar que la información biométrica contenga, al menos, tres de los siguientes registros: a) Registro de datos de identificación, incluyendo el Código de Identificación Biométrica; b) Registro decadactilar; c) Registro de íris; d) Registro de reconocimiento facial, y e) Registro de voz.»

DOF, 30 de enero de 2026 · Registro biométrico de Personas Privadas de la Libertad

B.4 El encuadre prestado

Cuando el riesgo sí se nombra, en 18 menciones (7.2 %), llega envuelto en un régimen jurídico anterior. En el ejemplo de abajo el marco es el derecho de autor y los derechos conexos, es decir, un régimen de propiedad intelectual que ya protegía la voz y la imagen del intérprete y que simplemente extiende esa protección a lo que produce un sistema de IA.

«…la suplantación de sus interpretaciones o ejecuciones por sistemas de inteligencia artificial o cualquier otra tecnología que resulten en generación de clones de sus interpretaciones o que simulen su voz de manera identificable.»

DOF, 14 de mayo de 2026 · Reformas a la Ley Federal del Trabajo y a la Ley Federal del Derecho de Autor

B.5 La excepción

En todo el derecho publicado durante esos siete meses, la única frase del corpus que enuncia un riesgo de la IA con vocabulario propio está en el programa interno de un centro académico.

«Entenderla y saber utilizarla no solo puede significar oportunidades para potencializar la investigación y la docencia […] sino que también conlleva riesgos, como los sesgos algorítmicos, el plagio y los fraudes en los trabajos académicos.»

DOF, 23 de diciembre de 2025 · Programa Institucional de El Colegio de la Frontera Norte

·Referencias

1. AI Safety México. aismx.org
2. Kingdon, J. W. (1993). How Do Issues Get on Public Policy Agendas?. En Wilson (ed.), Sociology and the Public Agenda, Sage.
3. Felstiner, W. L. F., Abel, R. L., y Sarat, A. (1980-81). The Emergence and Transformation of Disputes: Naming, Blaming, Claiming…. Law & Society Review 15(3-4), 631-654.
4. Stanford HAI (2026). AI Index Report 2026, Chapter 8: Policy and Governance.
5. Sebők, M., Máté, Á., Ring, O., et al. (2025). Leveraging Open Large Language Models for Multilingual Policy Topic Classification. Social Science Computer Review 43(2), 295-317.
6. Halterman, A., y Keith, K. A. (2026). Codebook LLMs: Evaluating LLMs as Measurement Tools for Political Science Concepts. Political Analysis 34, 188-204.
7. Algoritmos CIDE. Inventario de aplicaciones de inteligencia artificial en el gobierno mexicano. Centro de Investigación y Docencia Económicas.
8. Cação, F. N., Reali Costa, A. H., Unterstell, N., et al. (2022). Tracking environmental policy changes in the Brazilian Federal Official Gazette. arXiv:2202.10221.
9. Trielli, D., Stark, J., y Diakopoulos, N. (2017). Algorithm Tips: A Resource for Algorithmic Accountability in Government. Computation + Journalism Symposium.
10. Hendrycks, D., Schmidt, E., y Wang, A. (2025). Superintelligence Strategy: Expert Version. arXiv:2503.05628.
11. Kokotajlo, D., Greenblatt, R., Larsen, T., et al. (2026). AI 2040: Plan A. AI Futures Project.
12. Ríos, V. (2026). La trampa de la IA que México no está viendo. Milenio, columna «No es normal», 15 de junio de 2026.
13. Jones, A. (2024). What risks does AI pose?. BlueDot Impact. blog.bluedot.org/p/ai-risks
14. UK Government Office for Science (2023). Future Risks of Frontier AI (Anexo A), octubre de 2023. assets.publishing.service.gov.uk