Ante la expansión acelerada de la inteligencia artificial en entornos académicos y científicos, la Universidad Nacional Autónoma de México formalizó un conjunto de diez principios orientadores para el desarrollo y uso ético de estas tecnologías dentro de uno de sus institutos de investigación más especializados en matemáticas aplicadas y sistemas computacionales.
El documento, presentado en noviembre de 2026, no surgió de un ejercicio teórico aislado. Su origen está en un proyecto de vinculación con el sector financiero que expuso una brecha institucional concreta: la ausencia de una guía que regulara internamente cómo se crean, aplican y evalúan los sistemas de inteligencia artificial. La pregunta de fondo que motivó el proceso fue directa: ¿quién responde cuando un modelo falla, y quiénes quedan fuera de los datos con los que fue entrenado?
Un marco construido desde adentro
La metodología detrás de los principios combina dos fuentes complementarias. Por un lado, la revisión de literatura especializada y marcos normativos internacionales sobre IA ética. Por otro, evidencia empírica recabada mediante entrevistas y consultas directas con la comunidad académica del instituto. Este enfoque híbrido permitió adaptar conceptos reconocidos globalmente a las condiciones específicas de la investigación científica mexicana.
Los diez principios cubren dimensiones que van desde el respeto a la dignidad humana y los derechos fundamentales, hasta la equidad, diversidad e inclusión, la transparencia y explicabilidad de los modelos, la privacidad y protección de datos, la responsabilidad y rendición de cuentas, y la seguridad y confiabilidad de los sistemas. La lista no se presenta como definitiva: los propios responsables del proyecto la describen como una guía inicial que requiere debate continuo, crítica y ajustes periódicos.
Implicaciones más allá del ámbito universitario
Lo relevante de esta iniciativa para organizaciones fuera del entorno académico es su arquitectura metodológica. Instituciones que despliegan IA en procesos de negocio —desde modelos de crédito hasta sistemas de contratación o atención al cliente— enfrentan las mismas preguntas sobre representatividad de datos, trazabilidad de decisiones y asignación de responsabilidad cuando los sistemas producen resultados incorrectos o discriminatorios.
El hecho de que el impulso inicial haya venido de un proyecto con el sector financiero sugiere que la demanda de marcos de gobernanza para IA ya no proviene únicamente de reguladores o de la academia, sino de las propias organizaciones que adoptan estas tecnologías y necesitan estructuras internas para gestionarlas con certeza. En ese sentido, el modelo presentado ofrece una referencia concreta sobre cómo construir ese tipo de gobernanza desde la práctica institucional, no solo desde la teoría.
