Brasil intenta hacer visible su IA pública: 319 proyectos en el mapa, 14 fichas abiertas
La Escuela Nacional de Administración Pública abrió un banco para encontrar, revisar y reutilizar soluciones de IA. El inventario puede reducir proyectos duplicados y dependencias ocultas; su valor público dependerá de distinguir descubrimiento, curaduría, evaluación y resultados.
→14Mapear no es certificar · corte del catálogo: 8 ago. 2026
Brasil abrió una puerta para responder una pregunta elemental que muchos Estados todavía no pueden contestar: ¿qué sistemas de inteligencia artificial existen dentro del sector público, quién los opera, qué problema resuelven y cuáles podrían reutilizarse? El Banco Brasileiro de Soluções de IA para a Gestão Pública —BBSIA— está disponible desde el 27 de julio y recibe proyectos ya implementados, prototipos e ideas.
El Laboratorio de Innovación en Inteligencia Artificial de la Escuela Nacional de Administración Pública desarrolló la plataforma con el Instituto Brasileño de Información en Ciencia y Tecnología y el Centro Integrado de Inteligencia Artificial. La premisa es sensata: organizar por problema público, conectar equipos y evitar que ministerios, estados y municipios paguen varias veces por descubrir lo mismo.
La primera lectura del portal exige, sin embargo, separar cifras que describen etapas diferentes. Al cierre de esta revisión, el tablero mostraba 319 iniciativas mapeadas, 14 soluciones publicadas, 74 en curaduría, 29 bases reutilizables y 159 proyectos del Poder Judicial incorporados desde fuentes del Consejo Nacional de Justicia. El propio banco advierte que los registros integrados cuentan en el total, pero no pasaron por su curaduría.
Brasil ya tiene una infraestructura nacional para descubrir y compartir IA pública; el siguiente salto es convertir el mapa en un registro verificable, con evidencia de desempeño, responsables, costos, riesgos y resultados por cada uso concreto.
Qué construyó Brasil —y qué todavía no debe inferirse
El BBSIA funciona hoy como un radar con varias capas. La portada agrega iniciativas encontradas o recibidas. El catálogo expone fichas que pueden filtrarse por área, estado operativo, riesgo, tipo de activo, nivel institucional y origen. Una sección separada reúne repositorios, interfaces de datos y software público que podrían servir como cimientos para nuevas soluciones.
El formulario de contribución pide más que un nombre. Solicita problema, funcionamiento, tecnología, área, madurez, adopción fuera del equipo original, posibilidad de reutilización, origen de los recursos, dependencia de modelos o infraestructura externa, tratamiento de datos sensibles, enlaces directos y algún resultado cuantitativo. También pregunta si la institución entregaría código, documentación o conocimiento para una adaptación abierta.
Ese diseño orientado al problema corrige un vicio frecuente: empezar por “usar IA” antes de justificar una necesidad. Además, hace visibles dos preguntas que suelen aparecer demasiado tarde en una compra pública: si otro organismo puede reutilizar el activo y qué parte depende de un proveedor externo.
Pero estar mapeado no equivale a estar validado; estar curado no equivale a demostrar impacto; y una ficha publicada no es una autorización de compra. El banco admite desde ideas iniciales hasta soluciones operativas y referencias externas. Su utilidad depende de que cada etiqueta indique con precisión qué revisión ocurrió y qué evidencia quedó fuera.
Un inventario no es lo mismo que una auditoría
Sabemos que algo existe
Nombre, institución y enlace permiten localizar una iniciativa. Es suficiente para mapear; no para asegurar que sigue activa, que usa IA o que funciona.
La ficha fue revisada
Se comprueban campos, procedencia y clasificación. La plataforma necesita publicar el protocolo, los criterios y la fecha de esa revisión.
La herramienta fue puesta a prueba
Datos adecuados, comparación, errores, sesgos, seguridad y supervisión se miden en el contexto donde el sistema se usará.
El servicio produjo valor público
Resultados, costos, distribución de beneficios, quejas y efectos no deseados se comparan con una línea de base y con alternativas sin IA.
La interfaz ya reconoce parte de esta diferencia: explica que 159 registros integrados desde fuentes públicas externas no fueron curados por el BBSIA y no cuentan como publicados ni como “en curaduría”. Esa aclaración es valiosa porque evita presentar el número más grande como si fueran 319 herramientas certificadas. Aún falta una leyenda igualmente precisa para “curada”, “publicada”, “activa”, “soberana” y cada nivel de riesgo.
Las catorce fichas muestran el potencial y los bordes del catálogo
El catálogo visible incluía catorce entradas el 8 de agosto. Entre las brasileñas aparecen MapBiomas, que usa imágenes satelitales y aprendizaje automático para observar el territorio; Querido Diário, que vuelve consultables diarios oficiales municipales; Sinapses, la plataforma del Poder Judicial para alojar y distribuir modelos; y VLibras, que traduce contenido digital a la Lengua Brasileña de Señas. También hay referencias externas y activos cuya relación exacta con la IA debe leerse en la ficha.
La mezcla puede ser útil para inspirar y reutilizar, pero vuelve esencial el filtro de origen. Un catálogo nacional puede contener una referencia foránea sin convertirla en una solución pública brasileña. Del mismo modo, una base de datos, un sistema de pagos o un gestor documental pueden habilitar un proyecto de IA sin ser ellos mismos sistemas de IA.
La sección de “bases reutilizables” reúne 29 activos y sí los presenta como cimientos: cinco repositorios abiertos, siete interfaces o bases de datos y diecisiete programas públicos. Esa separación conceptual es correcta. El reto será evitar que la cifra total vuelva a mezclar en una sola unidad ideas, modelos, plataformas, conjuntos de datos, herramientas convencionales y despliegues en producción.
Una taxonomía pública debe permitir responder sin ambigüedad: cuántos sistemas toman o apoyan decisiones sobre personas; cuántos solamente automatizan tareas internas; cuántos son componentes; cuántos están en producción; cuántos fueron suspendidos; y cuántos publican resultados. Sin denominadores estables, el crecimiento del inventario mide actividad editorial, no adopción ni desempeño.
Cómo leer un número de inventario sin confundirlo con evidencia
- Unidad de conteo
- Un modelo, un conjunto de datos, una plataforma y una idea pueden ser registros distintos. La cifra solo es comparable si define qué cuenta como una iniciativa.
- Estado de evidencia
- Mapeada, integrada, curada, publicada, evaluada y operativa describen hitos diferentes. Ninguno debe utilizarse como sinónimo de “probada”.
- Denominador
- Catorce fichas sobre 319 registros no significan que las demás fallaron. Indican que la ventana pública cubre todavía una fracción del universo declarado.
Pregunta de control: ¿puedo reconstruir cómo un registro llegó a cada estado?+
La respuesta necesita fecha de incorporación, fuente, revisor, pruebas realizadas, criterios superados, versión, cambios posteriores y motivo de suspensión o retiro. Sin ese historial, la etiqueta informa una conclusión pero no permite auditar el proceso.
El riesgo pertenece al uso concreto, no al nombre de la plataforma
El BBSIA permite filtrar cuatro niveles: inaceptable, alto, limitado y mínimo. En las catorce fichas visibles durante esta revisión solamente aparecían las dos categorías inferiores. Ese dato no prueba una clasificación incorrecta, pero exige conocer el método y la unidad evaluada.
Sinapses ilustra la dificultad. Es una infraestructura del Poder Judicial para entrenar, alojar y distribuir modelos entre tribunales. Etiquetar la plataforma no clasifica automáticamente cada modelo que aloja. Una búsqueda documental interna, una estimación de reincidencia y una herramienta que prioriza expedientes pueden compartir infraestructura y producir consecuencias radicalmente distintas.
El propio Gobierno Digital brasileño sostiene que los sistemas deben ser transparentes, explicables y auditables, con supervisión humana efectiva y responsabilidades identificables. Su guía de transparencia añade una regla práctica: cuando la IA influye en derechos, beneficios u obligaciones, la persona necesita saber que fue utilizada, pedir una explicación y, en escenarios de alto riesgo, solicitar revisión humana.
Por eso la ficha útil se ubica en el nivel de despliegue: organismo, finalidad, población afectada, datos, versión, salida, decisión que apoya, autoridad humana y canal de impugnación. La categoría de una plataforma compartida puede orientar; no sustituye la evaluación de cada aplicación.
Ocho campos que convertirían la ficha en una herramienta de rendición de cuentas
- 01
Propósito y límite
Problema, población, decisión apoyada, usos excluidos y razón para preferir IA frente a una regla simple o mejora del proceso.
- 02
Responsable y proveedor
Órgano dueño, unidad operadora, responsable funcional, desarrollador, contratos, subcontratistas y canal de contacto.
- 03
Datos y fundamento jurídico
Fuentes, calidad, actualización, datos personales o sensibles, base legal, retención, intercambio y restricciones de reutilización.
- 04
Versión y arquitectura
Modelo, componentes, fecha, infraestructura, servicios externos, repositorio, licencia y dependencias necesarias para reproducir el sistema.
- 05
Evaluación
Línea de base, métricas, conjuntos de prueba, errores por grupo y territorio, seguridad, comparación sin IA y evaluación independiente.
- 06
Supervisión y reparación
Qué revisa una persona, qué puede rechazar, cómo se registra su intervención y cómo un ciudadano pide explicación, corrección o revisión.
- 07
Costo y resultado
Desarrollo, nube, licencias, personal, mantenimiento, volumen, tiempo, calidad, ahorro neto y distribución de beneficios y fallas.
- 08
Incidentes y cambios
Fallos materiales, quejas, suspensiones, fecha de última revisión, historial de versiones y condiciones que obligan a retirar el sistema.
Reutilizar código no equivale a trasplantar una política pública
El caso económico del banco es fuerte. Un municipio con poco personal puede encontrar un repositorio, aprender de una evaluación y adaptar una solución ya pagada con recursos públicos. El Tribunal de Cuentas de la Unión acaba de mostrar la escala posible: informó que el código de ChatTCU fue compartido con más de cien instituciones y que su propia herramienta superó 804.000 conversaciones y 3,5 millones de mensajes.
El TCU también fue prudente: señaló que los indicadores adicionales de impacto y productividad todavía estaban consolidándose. Actividad no es impacto. El número de conversaciones no revela cuántas respuestas fueron correctas, cuánto tiempo neto se ahorró, cuántas decisiones mejoraron o cuántos errores llegaron a un documento oficial.
La misma precaución aplica a la transferencia. Reutilizar un repositorio puede reducir el costo inicial, pero los datos, normas, personal, infraestructura, amenazas y usuarios cambian entre instituciones. La entidad receptora conserva la obligación de probar el sistema en su contexto, capacitar a quienes lo supervisan, financiar su mantenimiento y ofrecer reparación cuando produzca daño.
Una medida honesta de reutilización no sería “descargas”. Sería el número de organismos que completaron una adaptación documentada, superaron pruebas locales, publicaron su ficha, midieron resultados durante un periodo suficiente y pudieron abandonar el proveedor o componente sin perder sus datos ni el servicio.
El banco llega después de años de adopción fragmentada
Un levantamiento del TCU ofrece una línea de base imperfecta pero útil. En 2021 consultó a 263 organizaciones federales: 28% declararon usar alguna solución de IA y 65% de las soluciones habían sido desarrolladas por equipos internos. La escasez de personal especializado y la falta de claridad gerencial sobre oportunidades y beneficios aparecieron como barreras principales.
El Tribunal encontró además que la estrategia nacional de entonces carecía de objetivos suficientemente específicos, una situación inicial explícita, indicadores y estructuras formalizadas de gobernanza. Es justamente el problema que un inventario puede ayudar a resolver: sin saber qué existe, no hay línea de base; sin una línea de base, un aumento porcentual puede impresionar sin explicar qué mejoró.
La Estrategia Federal de Gobierno Digital 2024–2027 fijó metas más operativas: una plataforma para desarrollar y desplegar modelos, ciclos de experimentación, guías, un relevamiento anual y 60% de los órganos del sistema federal de tecnología con soluciones implantadas que observen cuestiones éticas. El BBSIA puede ser la capa de observabilidad de esa agenda, siempre que sus categorías puedan conectarse con metas y resultados verificables.
Cinco hitos para entender el lanzamiento
El TCU levanta la primera línea de base federal
La encuesta a 263 organizaciones identifica adopción, desarrollo interno, falta de talento y debilidades de gobernanza.
El control externo pide seguimiento y método de auditoría
El Acórdão 1.139/2022 ordena evaluar periódicamente madurez, desarrollar un marco de auditoría y orientar contrataciones de IA.
La estrategia digital incorpora metas concretas
El Gobierno federal promete infraestructura, experimentos, guías, formación y medición anual de adopción responsable.
El TCU publica su propio portal de IA
Presenta doce soluciones en operación, resultados, riesgos, normas y mecanismos de intercambio de código.
Enap abre el BBSIA a contribuciones
La plataforma nacional comienza a recibir soluciones e ideas y anuncia un proceso de análisis y conexión para reutilización.
La privacidad del propio registro también necesita cierre institucional
El formulario advierte que la información sobre las soluciones será abierta y pide no enviar datos de terceros, secretos, credenciales, bases completas ni información reservada. El aviso de privacidad separa los datos públicos de la solución de los datos personales de contacto, restringidos a la coordinación, y afirma mantener registros administrativos para seguridad y auditoría.
Hay un detalle pendiente que debe resolverse pronto: el aviso todavía mostraba, al 8 de agosto, que el contacto del encargado de datos estaba “por confirmar institucionalmente”. Una plataforma que pide información a servidores y organizaciones debe publicar desde el inicio un controlador, un encargado y un procedimiento inequívocos.
También conviene explicar qué base jurídica aplica a cada categoría de persona y dato. El consentimiento puede retirarse; la ejecución de política pública y el interés legítimo obedecen a lógicas diferentes. La permanencia de una ficha después de anonimizar al contacto necesita un fundamento, un plazo y una ruta de reclamación claramente visibles.
Por qué este experimento importa para América Latina
La Universidad de los Andes ha documentado cientos de sistemas algorítmicos usados por gobiernos latinoamericanos. Ese trabajo académico demuestra que descubrir herramientas dispersas requiere investigación persistente. Un registro alimentado por el propio Estado puede reducir esa opacidad, pero solo si no depende exclusivamente de declaraciones voluntarias.
Brasil está probando una arquitectura con tres virtudes transferibles: empezar por el problema, diferenciar activos reutilizables y registrar dependencia tecnológica. También expone tres riesgos regionales: inflar el universo al combinar fuentes heterogéneas, publicar etiquetas sin método verificable y medir éxito por cantidad de proyectos en vez de resultados para la ciudadanía.
El estándar más útil para la región no es copiar el número 319. Es copiar la capacidad de mirar el Estado completo y mejorarla: obligación de registrar, esquema de datos común, historial público, evaluación proporcional al riesgo, interoperabilidad, identificadores persistentes y una interfaz que permita a periodistas, auditores, investigadores y personas afectadas seguir cada sistema durante todo su ciclo de vida.
Qué permite afirmar la evidencia
Brasil puso en línea una infraestructura nacional que hace más visible la IA del sector público y ya integra fuentes amplias. El avance es verificable; todavía no hay evidencia pública suficiente para tratar el total mapeado como un conjunto evaluado ni para medir cuánto ahorro, reutilización o mejora de servicios produjo el banco.
Sí está respaldado
Enap anunció el BBSIA el 27 de julio como una base abierta para encontrar, compartir y desarrollar soluciones de IA pública.
Base: anuncio de Enap y portal operativo del BBSIA
El tablero mostraba 319 registros mapeados y 14 fichas públicas, y advertía que 159 integraciones judiciales no pasaron por su curaduría.
Base: captura documental del portal y catálogo, 8 de agosto de 2026
Aún no está demostrado
- La cifra de iniciativas no demuestra que estén activas, sean eficaces, cumplan normas, hayan reducido costos o puedan reutilizarse sin una nueva evaluación.
- El portal público todavía no permite reconstruir para todo registro la curaduría, pruebas, responsables, contratos, resultados, incidentes y cambios de versión.
Tres señales que pueden cambiar la evaluación
Seguimiento, no predicción- 01
Protocolo y trazabilidad
Criterios públicos para cada estado, identidad del revisor, fecha, evidencia examinada e historial de cambios.
- 02
Resultados comparables
Costos, calidad, errores, tiempo, quejas y efectos por despliegue frente al proceso anterior y alternativas sin IA.
- 03
Reutilización comprobada
Adaptaciones terminadas por otros órganos, pruebas locales, documentación transferida y ahorro neto verificable.