La inteligencia artificial (IA) se ha convertido en un motor de transformación de múltiples sectores, incluyendo la política y los procesos electorales.
El desarrollo de la tecnología digital ha marcado una nueva era en la historia de la humanidad, y uno de los avances más significativos en este proceso ha sido la inteligencia artificial (IA).
Esta tecnología, que alguna vez fue concebida como una aspiración futurista, hoy se relaciona casi con todos los aspectos de nuestra vida cotidiana, desde los teléfonos inteligentes hasta los servicios de salud. No obstante, uno de los ámbitos donde su influencia es más reciente, compleja y crítica es el electoral.
En contextos democráticos, donde el ejercicio del sufragio y la garantía de elecciones libres y justas son fundamentales, la incorporación de la IA plantea oportunidades y desafíos únicos. En primer lugar, promete mejorar la eficiencia de los procesos, optimizar la logística y fortalecer la comunicación con los votantes, pero, por otra parte, abre la puerta a riesgos relacionados con la manipulación informativa, la desinformación automatizada y la intervención de actores maliciosos.
Sin embargo, ¿realmente tiene alguna relevancia para el mundo electoral? Para poder responder a esta pregunta debemos primero comprender de forma sencilla de qué se trata este fenómeno de la IA.
La IA puede entenderse como una rama de la informática que desarrolla sistemas capaces de realizar tareas que normalmente requerirían inteligencia humana. Estas tareas incluyen la resolución de problemas, la toma de decisiones, el aprendizaje, la comprensión del lenguaje natural, la percepción visual y la planificación estratégica.
En términos generales, la IA no es una tecnología única per se, sino un conjunto de metodologías y herramientas que permiten a las máquinas procesar información, identificar patrones, adaptarse al entorno y realizar acciones autónomas, pero en su mayoría semiautónomas. Entre las principales áreas que conforman la IA se encuentran el aprendizaje automático (machine learning), la lógica computacional, el procesamiento del lenguaje natural (natural language processing NLP), la visión artificial y la robótica.
El machine learning y su impacto en la vida cotidiana
El aprendizaje automático (ML) es un área de la IA centrada en el desarrollo de algoritmos que permiten a las computadoras aprender y realizar predicciones o tomar decisiones basadas en datos, sin estar programadas explícitamente para realizar una tarea específica.
Uno de los elementos más importantes de la IA contemporánea es su capacidad de aprendizaje. A través del análisis de grandes volúmenes de datos, los sistemas pueden mejorar su desempeño sin intervención humana directa, generando predicciones o recomendaciones más precisas con el tiempo. Esta característica la convierte en una herramienta extremadamente potente, especialmente cuando se aplica en contextos con grandes flujos de información, como los procesos electorales.
Usos comunes del machine learning
- Clasificación y detección: Ejemplos de esto es reconocer correos electrónicos como spam, detectar fraudes bancarios o clasificar imágenes médicas.
- Predicción: La IA puede estimar precios de propiedades, proyectar ventas futuras o anticipar el mantenimiento necesario de una máquina industrial.
- Procesamiento de lenguaje natural (NLP): Es uno de los usos más comunes hoy en día, y con ello la IA es capaz de traducir textos, generar resúmenes o, inclusive, analizar emociones en comentarios.
- Sistemas de recomendación: Como aplicación comercial, la IA puede hacer sugerencias sobre productos como libros, películas, videos o canciones basándose en los gustos del usuario, estableciendo estos de acuerdo con su comportamiento en buscadores en línea.
- Automatización inteligente: La IA puede manejar de forma automatizada, desde chatbots para la atención al cliente hasta sistemas de lectura y análisis de documentos legales para extraer información clave.
El machine learning tiene un impacto enorme y cada vez más profundo en la vida cotidiana, aunque muchas veces pase desapercibido; convierte datos en decisiones útiles, y esas decisiones están detrás de casi cada pantalla que tocamos.
A diferencia del software tradicional que sigue instrucciones rígidas, un modelo de machine learning se entrena por sí solo de forma que recibe ejemplos, analiza resultados y mejora su precisión progresivamente.
Su relevancia e impacto se debe a que vivimos en una era de datos. Todos generamos información a cada segundo, desde los clics que damos en línea hasta decisiones financieras que tomamos. El machine learning de la IA convierte esa avalancha de datos en intuiciones útiles: detecta patrones que un humano difícilmente vería, y actúa en tiempo real. Su valor no está solo en automatizar, sino en mejorar lo que hacemos, desde la precisión de un diagnóstico hasta el diseño de una estrategia de negocio.
¿Dónde podemos ver el impacto del machine learning en nuestra vida cotidiana? En muchas actividades en las que a veces pasa por completo desapercibido:
- Teléfonos inteligentes: Cada vez que desbloqueamos con nuestra cara, dictamos un mensaje por voz, o la galería de fotos organiza imágenes clasificando por personas o lugares, estamos usando algoritmos de aprendizaje automático.
- Salud: Se usa a menudo para analizar imágenes médicas como radiografías o resonancias, para anticipar brotes epidémicos y para personalizar tratamientos en medicina preventiva.
- Finanzas: Se utiliza en la detección de fraudes en tiempo real, analiza patrones de gasto y hace sugerencias personalizadas en apps bancarias o de inversión.
- Transporte: Optimiza rutas en aplicaciones como Waze o Google Maps, coordina tiempos de transporte público, e incluso ayuda a los sistemas de navegación de vehículos autónomos.
- Compras y comercio: Se utiliza en la elaboración de promociones personalizadas hasta en la predicción de inventario. Machine learning permite que comercios ofrezcan justo lo que el cliente podría necesitar, antes de que lo busque.
- Redes sociales: Los algoritmos deciden qué contenido aparece en el feed, qué publicidad llega, e incluso detectan lenguaje ofensivo o contenido inapropiado.
- Educación: Existen plataformas de aprendizaje adaptativo basado en IA que ajustan el contenido de los cursos según el ritmo, estilo de aprendizaje y áreas de dificultad del estudiante.
Entender qué es la IA implica reconocer tanto su potencial de mejora institucional como los dilemas éticos y políticos que puede generar. Desde el análisis de patrones de la votación hasta la automatización del contacto con los electores, la IA se presenta como una alternativa que, correctamente utilizada, puede fortalecer la democracia.
Sin embargo, sin regulación ni supervisión también puede poner en peligro la integridad del proceso electoral. No nos equivoquemos. En estos momentos la IA es dependiente de un ser humano que controle la forma en que es utilizada y, por consiguiente, está sujeta a las intenciones, vicios y virtudes de la condición humana.
Tipos de Inteligencia Artificial.
La IA se puede clasificar desde distintos enfoques, y cada uno revela una dimensión diferente de cómo funcionan y evolucionan estos sistemas. Podríamos definir, sin que esta sea la única forma de clasificación, tres grandes categorías: por capacidad, por funcionalidad, y por enfoque de diseño.
Clasificación por capacidad
Esta clasificación se basa en el nivel de inteligencia que puede alcanzar un sistema de IA en comparación con la humana:
- IA débil o estrecha (ANI): Especializada en tareas específicas. No tiene conciencia ni razonamiento general. Ejemplo: asistentes virtuales o filtros de spam.
- IA general (AGI): Capaz de aprender y razonar en múltiples contextos, como un humano. Esta se encuentra aún en desarrollo.
- IA superinteligente (ASI): Hipotética. Superaría la inteligencia humana en todos los aspectos. Implica riesgos éticos y filosóficos, y en estos momentos no existe.
Clasificación por funcionalidad, según Arend Hintze
Esta clasificación considera cómo opera y toma decisiones la IA:
- Máquinas reactivas: No tienen memoria ni aprendizaje. Solo responden a estímulos actuales. Ejemplo: Deep Blue de IBM (1997), que venció al campeón mundial de ajedrez Garry Kasparov.
- Memoria limitada: Aprenden de datos recientes, pero no almacenan experiencias a largo plazo. Ejemplo: Tesla Autopilot y asistentes como Siri o Google Assistant, que solamente recuerdan interacciones recientes para mejorar sus respuestas.
- Teoría de la mente: Busca comprender emociones, intenciones y pensamientos humanos. Aún se encuentra en etapa de desarrollo. Ejemplo experimental: ToMnet de DeepMind, que intenta predecir el comportamiento de otros agentes inteligentes.
- Autoconciencia: La IA tendría conciencia de sí misma y emociones propias. Pertenece a un futuro especulativo todavía incierto.
Clasificación por enfoque de diseño
Esta clasificación toma en cuenta cómo se construyen los sistemas de IA:
- IA simbólica: Es aquella que usa reglas lógicas y símbolos para representar conocimiento. Ejemplo: Sistemas expertos médicos como el MYCIN de la década de los 70, que diagnosticaba infecciones bacterianas usando reglas lógicas. Utiliza una lógica formal y conocimiento codificado por el ser humano.
- IA conexionista: Está basada en redes neuronales artificiales. Es ideal para el reconocimiento de patrones, imágenes y lenguaje natural. Aprende patrones complejos a partir de grandes volúmenes de datos y es el tipo de IA de uso común en este momento de la historia. Ejemplo: ChatGPT-4 de Open AI, AlphaGo de DeepMind o DALL·E.
- IA evolutiva: Emplea algoritmos genéticos para simular evolución y mejorar soluciones. Su utilidad puede verse en modelos de optimización y simulaciones. Simula la evolución natural para encontrar soluciones óptimas a problemas complejos. Ejemplo: Algoritmos genéticos usados en optimización de rutas logísticas o diseño de antenas espaciales utilizadas por la NASA. Un algoritmo genético es una técnica de búsqueda y optimización inspirada en la evolución biológica. Se basa en la idea de que, al igual que en la naturaleza, las soluciones a un problema pueden “evolucionar” y mejorar con el tiempo mediante procesos como selección, cruzamiento y mutación.
Conocer los distintos tipos de IA es crucial para entender sus posibilidades reales y sus límites, especialmente en contextos como el electoral, donde la precisión, la transparencia y la responsabilidad institucional son valores fundamentales.
Aplicaciones de la IA en el contexto electoral
La inteligencia artificial tiene un potencial significativo para fortalecer la transparencia, eficiencia y credibilidad de los procesos electorales. Existe un sinnúmero de actividades dentro de estos procesos, entre aquellas que son repetitivas y proclives al error humano hasta aquellas que requieren del análisis de cuantiosas cantidades de datos y por lo tanto requieren de cierto grado de capacidad analítica que usualmente se reserva al ser humano, pero que bien podría realizarse de manera rápida y eficiente por la IA.
Algunas de las actividades a las que me refiero podrían ser:
- a) Automatización del registro y verificación de votantes:
La IA puede analizar documentos de identidad, imágenes biométricas y otros elementos para validar la identidad de un ciudadano sin intervención humana. Esto mejora la eficiencia y reduce el riesgo de errores o suplantación.
- b) Procesamiento inteligente de datos electorales:
Los sistemas de IA permiten analizar grandes volúmenes de datos en tiempo real, desde padrones electorales hasta resultados preliminares, ayudando a detectar inconsistencias, duplicidades o patrones sospechosos que requieran verificación.
- c) Logística electoral optimizada:
Mediante algoritmos de aprendizaje automático, los organismos electorales pueden prever demandas de recursos, asignar mejor el personal electoral y optimizar rutas de distribución de material electoral. Esto se traduce en un uso más eficiente del presupuesto público y una mejora en el servicio al ciudadano.
- d) Simulación de escenarios:
La IA permite construir modelos predictivos de comportamiento electoral, participación ciudadana o posibles contingencias. Esto es clave para realizar simulacros, prever riesgos de abstención y planificar mejor las estrategias de comunicación.
- e) Chatbots para atención ciudadana:
A través de aplicaciones de IA conversacional se puede brindar orientación a los votantes sobre su centro de votación, cómo sufragar o qué documentos llevar. Estas herramientas pueden estar disponibles 24/7 y manejar múltiples idiomas, mejorando la accesibilidad.
- f) Traducción automática:
En países con múltiples lenguas oficiales o minoritarias, los sistemas de traducción basados en IA pueden facilitar la difusión de información electoral en varios idiomas de manera automática, inclusiva y costo-efectiva.
- g) Auditoría de resultados:
Modelos de IA pueden validar de manera autónoma las sumas de votos y detectar anomalías estadísticas que podrían sugerir fraude, errores humanos o problemas técnicos, sirviendo como una herramienta de control adicional.
Riesgos y amenazas del uso malintencionado de la IA en elecciones
Hemos visto las bondades y ventajas que puede representar el uso de la IA en el contexto electoral, sin embargo, también presenta riesgos significativos cuando se emplea sin supervisión ética o con fines manipulativos. Algunos ejemplos de los peligros que podremos encontrar son:
- a) Automatización de la desinformación:
Modelos generativos pueden crear noticias falsas, artículos persuasivos o memes manipuladores de manera masiva y rápida. Esto dificulta la detección por parte de votantes o fact-checkers.
- b) Deepfakes:
La generación de videos falsos donde se muestra a candidatos diciendo cosas que nunca dijeron ha sido usada para desacreditar figuras públicas, sembrar confusión o modificar percepciones del electorado.
- c) Microsegmentación y manipulación emocional:
La IA permite identificar preferencias, miedos y emociones de los votantes para enviar mensajes hiperpersonalizados. Esto puede cruzar la línea entre persuasión legítima y manipulación emocional encubierta.
- d) Manipulación algorítmica de tendencias:
Bots coordinados pueden influir en los algoritmos de plataformas como Twitter o Facebook, elevando artificialmente ciertos temas en las tendencias o comentarios, creando la ilusión de consenso popular.
- e) Censura algorítmica:
Los algoritmos de recomendación pueden ser usados para invisibilizar ciertos candidatos, discursos o enfoques, alterando la percepción pública sin intervención humana directa.
Casos de estudio: usos negativos de la IA en procesos electorales
- a) Caso Cambridge Analytica (EE.UU. y Reino Unido):
La consultora utilizó datos de millones de usuarios de Facebook para crear perfiles psicológicos y enviar propaganda electoral hipersegmentada durante el referéndum del Brexit y la elección presidencial de 2016 en EE.UU. Si bien no se trataba de IA avanzada, sí se emplearon algoritmos predictivos y modelos conductuales basados en IA.
- b) Elecciones en Brasil (2018 y 2022):
Se identificó el uso masivo de WhatsApp para difundir noticias falsas sobre los candidatos. Bots automatizados replicaban mensajes en grupos segmentados. Además, se usaron herramientas para alterar videos (deepfakes leves) y manipular encuestas.
- c) Elecciones en India (2019):
El uso de inteligencia artificial para producir mensajes de voz personalizados en distintos dialectos y para distintos perfiles de votantes; fue ampliamente documentado. Algunos de estos mensajes contenían información engañosa.
- d) Intervención rusa en elecciones de EE.UU. (2016 y 2020):
Grupos vinculados al Kremlin utilizaron IA para generar contenido polarizante, administrar redes de bots, crear sitios falsos y manipular la agenda digital durante el proceso electoral.
- e) Ucrania (2019):
Durante las elecciones presidenciales circularon videos manipulados de candidatos mediante tecnología de deepfake, lo cual generó preocupación sobre la autenticidad de los discursos y la capacidad de los votantes para discernir lo real de lo falso.
Recomendaciones para un uso ético y seguro de la IA en procesos democráticos
Para aprovechar los beneficios de la IA y mitigar sus riesgos en procesos electorales, se deben considerar las siguientes recomendaciones:
- a) Elaborar marcos regulatorios específicos:
Es urgente que los países adopten leyes o reglamentos que definan qué usos de IA son permitidos, cuáles son éticamente cuestionables y cómo se fiscalizarán.
- b) Promover la transparencia algorítmica:
Las plataformas digitales y las campañas deben declarar cuándo están utilizando IA, qué datos recolectan, y cómo toman decisiones automatizadas.
- c) Fortalecer las capacidades de auditoría de los organismos electorales:
Estos deben contar con personal capacitado en tecnologías digitales e IA para identificar malas prácticas y desarrollar medidas de respuesta.
- d) Fomentar la cooperación internacional:
La naturaleza transnacional de los riesgos requiere de acuerdos regionales o multilaterales para compartir alertas, herramientas y experiencias frente a amenazas comunes.
- e) Implementar campañas de alfabetización digital:
Los ciudadanos deben estar informados sobre el funcionamiento de los algoritmos, los riesgos de los deepfakes y la importancia del pensamiento crítico frente a contenidos virales.
- f) Establecer estándares éticos para el desarrollo y uso de IA electoral:
Incluir principios de no discriminación, privacidad, transparencia, rendición de cuentas y supervisión humana, especialmente en procesos de toma de decisiones que afecten derechos políticos.
La inteligencia artificial, bien utilizada, puede ser un gran aliado para fortalecer la democracia, mejorando la transparencia, eficiencia y accesibilidad de los procesos electorales. Desde asistentes virtuales hasta auditorías automatizadas, las aplicaciones positivas son numerosas y están ya al alcance de muchos países.
Sin embargo, la misma tecnología puede ser instrumentalizada con fines dañinos, socavando la confianza en las instituciones, manipulando a los votantes y generando climas de polarización y desinformación. Por ello, el desafío central radica en establecer un equilibrio entre innovación y protección de los principios democráticos.
La combinación de regulación proactiva, supervisión institucional, alfabetización digital ciudadana y cooperación internacional será clave para garantizar que la IA funcione al servicio de la democracia y no en su contra.
