Durante décadas, las decisiones importantes estuvieron asociadas al criterio humano. Un juez analizaba un expediente, un médico interpretaba estudios clínicos, un banco evaluaba el historial de un solicitante y un gobierno diseñaba políticas públicas con base en la información disponible.

Hoy, muchas de esas decisiones incorporan sistemas de inteligencia artificial capaces de procesar millones de registros en cuestión de segundos.

La velocidad a la que evolucionan estas herramientas ha desplazado la conversación hacia la tecnología. Hablamos de algoritmos, modelos predictivos, aprendizaje automático y automatización.

Mucho menos se habla de aquello que hace posible todo lo anterior: la calidad de la información.

Ningún sistema puede producir una decisión confiable si la información sobre la que trabaja no lo es.

Se trata de un principio elemental que no nació con la inteligencia artificial. Ha acompañado durante décadas a la estadística, a la investigación científica, a la economía, al derecho y a prácticamente cualquier disciplina que toma decisiones basadas en evidencia.

Una base de datos no es únicamente una colección de registros. Es el resultado de innumerables decisiones previas: qué información se recopila, qué variables se consideran relevantes, quién queda incluido y quién queda fuera, cómo se clasifican los datos, con qué periodicidad se actualizan y bajo qué criterios se validan. Cada una de esas decisiones influye, inevitablemente, en las conclusiones que después se obtienen.

Por eso resulta insuficiente evaluar únicamente el desempeño de un modelo de inteligencia artificial.

También es indispensable examinar el origen y la calidad de la información que utiliza. Un sistema puede estar técnicamente bien diseñado y, aun así, producir resultados cuestionables si opera con datos incompletos, desactualizados o poco representativos de la realidad.

La historia ofrece ejemplos suficientes. Registros administrativos con errores, censos incompletos, bases de datos construidas con criterios distintos o información capturada sin controles de calidad han generado diagnósticos equivocados mucho antes de que existiera la inteligencia artificial.

La diferencia es que hoy esos mismos datos pueden alimentar sistemas capaces de tomar miles o millones de decisiones en muy poco tiempo.

La tecnología amplifica capacidades; no sustituye la calidad de la evidencia. Un modelo predictivo puede identificar patrones con enorme precisión, pero no distingue si esos patrones describen correctamente la realidad o si son consecuencia de información deficiente. Esa diferencia sigue dependiendo del trabajo humano.

La discusión cobra especial relevancia en el sector público. Cada vez más instituciones recurren al análisis de datos para distribuir recursos, identificar riesgos, evaluar programas, administrar servicios o fortalecer la gestión institucional. Estas herramientas ofrecen ventajas evidentes en eficiencia y capacidad analítica, pero su utilidad está condicionada por la confiabilidad de los registros en los que operan.

Lo mismo ocurre en el ámbito judicial. El uso de tecnologías para apoyar tareas administrativas, organizar expedientes o analizar grandes volúmenes de información puede contribuir a una gestión más eficiente. Sin embargo, la confianza en esos sistemas no depende exclusivamente de la sofisticación del software, sino también de la integridad, la consistencia y la representatividad de la información que reciben.

La inteligencia artificial ha puesto de manifiesto un principio que siempre ha acompañado la toma de decisiones: la calidad del resultado nunca supera la de la evidencia disponible. Es una regla que se aplica a una encuesta, un estudio científico, una auditoría, una sentencia judicial o un modelo predictivo.

La inteligencia artificial puede procesar información a una velocidad y con una capacidad que superan ampliamente las del ser humano. Sin embargo, sus resultados seguirán dependiendo de la calidad de los datos disponibles. Cuando esos datos son incompletos, desactualizados o sesgados, la decisión también lo estará.

La confiabilidad de estos sistemas comienza en la forma en que se recopila, organiza, valida y actualiza la información. Ahí se define si la tecnología servirá para mejorar una decisión o para reproducir errores a una escala mayor.