La inteligencia artificial está transformando rápidamente la forma en que se diseñan, supervisan y evalúan los proyectos de desarrollo. Sin embargo, a medida que la IA se integra cada vez más en la práctica de la evaluación, surgen nuevas cuestiones en torno a la transparencia, la confianza y el criterio humano. Estos temas constituyeron el eje central de una sesión organizada por EvalforEarth durante la gLOCAL Evaluation Week 2026. EvalforEarth organizó una sesión titulada «La evaluación en la era de la inteligencia artificial: del diseño de proyectos a la gobernanza de los sistemas». Moderado por Fatou Thiam, este debate reunió a Gilles Dédéhouanou y Rhode Early Charles para abordar una cuestión cada vez más acuciante para los profesionales de la evaluación: ¿cómo se puede integrar la inteligencia artificial en los sistemas de evaluación de una manera responsable, creíble y útil?
Más allá de las herramientas y las innovaciones tecnológicas, los debates pusieron de relieve una realidad más amplia: la IA está transformando gradualmente la forma en que diseñamos proyectos, analizamos datos, tomamos decisiones y gestionamos la evaluación. Esta transformación también plantea cuestiones fundamentales sobre la confianza, la transparencia y el papel del evaluador.
Mantener la confianza en un mundo cada vez más automatizado
La confianza se erigió como uno de los temas centrales de la sesión. Gilles Dédéhouanou argumentó que la IA ya está integrada en muchos procesos organizativos y de evaluación. Por lo tanto, la cuestión ya no es si debemos utilizarla, sino más bien en qué condiciones podemos confiar en ella.
Destacó varios riesgos asociados a la creciente integración de la IA en los sistemas de evaluación:
- Los sesgos algorítmicos que pueden reproducir o amplificar las desigualdades existentes;
- La opacidad de los procesos de toma de decisiones cuando las herramientas funcionan como «cajas negras»;
- La delegación excesiva del juicio humano en los algoritmos;
- Los riesgos de exclusión vinculados a la brecha digital.
Uno de los mensajes más llamativos de su presentación fue que la credibilidad de una evaluación depende de la capacidad de las partes interesadas para comprender y cuestionar las conclusiones alcanzadas. Una decisión automatizada que no pueda explicarse ni cuestionarse corre el riesgo de socavar la confianza en lugar de reforzarla.
Para abordar estos retos, Gilles propone un enfoque centrado en lo que denominó la «envoltura humana»: la IA procesa la información, pero los seres humanos contextualizan los resultados y la decisión sigue siendo colectiva. Desde esta perspectiva, la IA debe seguir siendo una herramienta al servicio del juicio humano, y no al revés.
El uso de la IA para reforzar el diseño de proyectos
La segunda presentación, a cargo de Rhode Early Charles, exploró una de las aplicaciones de la IA de las que menos se habla: más allá de su papel durante la ejecución y la evaluación, la IA también tiene un potencial considerable para reforzar el diseño de proyectos.
Las teorías del cambio son hoy en día una de las principales herramientas para diseñar intervenciones. Sin embargo, con frecuencia se basan en supuestos que nunca se comprueban realmente antes de la ejecución. Las limitaciones de tiempo, los requisitos de los donantes y el acceso restringido a determinada información pueden dar lugar a modelos que reflejan de forma imperfecta la realidad sobre el terreno.
La IA abre nuevas posibilidades al integrar volúmenes mucho mayores de información en el diseño de los proyectos. Los sistemas de gobernanza, las condiciones climáticas, las tendencias económicas, la dinámica de los conflictos, el comportamiento de las partes interesadas y las capacidades institucionales pueden tenerse en cuenta en simulaciones mucho más complejas que las utilizadas tradicionalmente en los procesos de diseño.
Por lo tanto, el uso de escenarios simulados permite:
- Poner a prueba las hipótesis de una teoría del cambio;
- Detectar ciertas incoherencias antes de la implementación;
- Identificar riesgos operativos en una fase más temprana;
- Explorar diferentes estrategias de adaptación en respuesta a los cambios en el contexto.
El objetivo no es predecir el futuro con certeza absoluta, sino reforzar la solidez de los proyectos antes de comprometer los recursos. Tal y como se destacó durante el debate, muchas evaluaciones identifican problemas que podrían haberse anticipado antes si se hubieran puesto a prueba más hipótesis desde el principio de la fase de diseño.
El reto del conocimiento fragmentado: convertir la información en evidencia útil
Una de las cuestiones más importantes planteadas durante la sesión no se refiere a la inteligencia artificial en sí misma, sino a la forma en que se gestiona actualmente el conocimiento sobre el desarrollo.
Hoy en día, las organizaciones generan una cantidad considerable de datos, evaluaciones, estudios y lecciones aprendidas. Sin embargo, gran parte de este conocimiento permanece fragmentado entre organizaciones, donantes, gobiernos e instituciones de investigación, lo que limita su potencial para orientar futuras intervenciones.
El principal reto, por lo tanto, no es necesariamente la falta de información, sino más bien la capacidad colectiva para acceder a este conocimiento, compartirlo y utilizarlo para mejorar las decisiones futuras.
Aquí es donde la IA ofrece un potencial significativo. En lugar de sustituir el análisis humano, puede ayudar a los evaluadores a navegar de forma más eficiente por conjuntos de datos amplios y dispersos. Sin embargo, solo puede producir resultados relevantes si los datos son accesibles, fiables y de alta calidad. Como señalaron varios participantes, los resultados generados por la IA pueden ser, a su vez, sesgados, incompletos o erróneos.
El futuro de la evaluación: de la retrospección a la prospectiva
La evaluación tiene el potencial de evolucionar desde una función principalmente retrospectiva hacia otra más predictiva, adaptativa y orientada a la toma de decisiones.
El seguimiento, la evaluación y el aprendizaje ya no servirían únicamente para medir los resultados a posteriori, sino también para apoyar el diseño, la anticipación de riesgos y el aprendizaje continuo a lo largo de todo el ciclo del proyecto.
Sin embargo, ambos ponentes coincidieron en un punto: la IA no sustituye al evaluador. Carece de comprensión del terreno, de juicio contextual y de la capacidad de interpretar las dinámicas sociales, culturales o políticas que influyen en los resultados de la intervención.
Como resumió Gilles Dédéhouanou en su conclusión: «Una herramienta está diseñada para ahorrarte tiempo, no para sustituir tu juicio».
Elegir las herramientas de IA adecuadas para la evaluación
El debate se centró también en una cuestión práctica que muchos evaluadores se plantean actualmente: ¿cómo se puede utilizar la IA de forma eficaz en el trabajo diario de evaluación? Más allá de cuestiones más amplias relacionadas con la confianza y la gobernanza, los participantes exploraron temas como el uso de la IA en contextos frágiles, el análisis de datos cualitativos, la inclusión digital y la evolución del papel de los evaluadores.
Sin embargo, una pregunta surgió repetidamente: entre el creciente número de herramientas de inteligencia artificial disponibles hoy en día, ¿cuáles deberían utilizar realmente los evaluadores?
Esta preocupación es comprensible. Ante la rápida proliferación de plataformas y aplicaciones, puede resultar difícil saber qué herramienta se adapta mejor a una necesidad concreta. La cuestión, sin embargo, no es identificar la «mejor» herramienta, sino más bien cuál es la más adecuada para un contexto, un objetivo y una tarea analítica específicos.
No existe una solución única válida para todos los casos. La propia IA puede ayudar a los evaluadores a identificar las herramientas, los métodos y los enfoques más adecuados para un contexto específico, siempre que sus recomendaciones se revisen de forma crítica antes de aplicarlas.
Por ejemplo, un evaluador podría preguntarse:
«Estoy llevando a cabo una evaluación final de un proyecto agrícola en un contexto frágil. Dispongo de 30 entrevistas semiestructuradas, un presupuesto limitado y un plazo de dos semanas. ¿Qué herramientas de IA podrían ayudarme a analizar los datos cualitativos, elaborar una síntesis temática e identificar las principales lecciones aprendidas?«
Lo que hace que esta consulta sea útil es su nivel de detalle. Explica el tipo de evaluación, el contexto, los datos disponibles, las principales limitaciones y el resultado esperado, lo que permite a la IA ofrecer recomendaciones más pertinentes.
Este enfoque permite obtener recomendaciones adaptadas a una necesidad específica, en lugar de buscar una lista genérica de herramientas. Sin embargo, las recomendaciones generadas por la IA deben verificarse, ya que algunas herramientas pueden evolucionar rápidamente o presentar información inexacta.
Otro punto que surgió durante el debate fue que los buenos resultados de la IA dependen menos de la herramienta en sí que de la calidad de la indicación. Un marco práctico compartido durante la sesión fue el de las «5 C»:
- Clara: Exponer el objetivo con claridad;
- B CompletaB : incluir toda la información relevante;
- B ContextualizadaB : explicar el contexto, las limitaciones y el público objetivo;
- B LimitadaB : especificar los requisitos, el formato esperado, la extensión o los elementos que deben incluirse;
- B ComprobadaB : revisar y perfeccionar la indicación basándose en la respuesta de la IA.
Estos principios resultan especialmente útiles en la evaluación, donde un análisis fiable depende de matices contextuales, limitaciones operativas y requisitos analíticos muy específicos.
En última instancia, el futuro de la evaluación dependerá no solo de la adopción de nuevas tecnologías, sino de saber cuándo, cómo y por qué utilizarlas. La IA puede ayudar a analizar la información más rápidamente, reforzar el diseño de los proyectos y hacer que el conocimiento sea más accesible, pero no puede sustituir al pensamiento crítico, al juicio ético y a la comprensión contextual, que siguen siendo esenciales para una evaluación creíble.