La inteligencia artificial (IA) se está incorporando a la práctica de la evaluación: desde el análisis de grandes volúmenes de datos hasta el apoyo a la organización y comunicación de evidencias. Sin embargo, su utilidad depende de una cuestión más fundamental: la fiabilidad de las evidencias que contribuye a generar. En la evaluación, la credibilidad depende de la calidad e integridad de las evidencias, por lo que la imprecisión o distorsión de los resultados puede socavar tanto las conclusiones como la confianza en el proceso. Entonces, ¿cómo pueden los evaluadores utilizar la IA sin comprometer la fiabilidad en la que se basa su trabajo?
El 4 de junio de 2026, la comunidad de práctica EvalforEarth reunió a dos ponentes y un moderador para abordar esta cuestión. A partir de las experiencias de Nepal y Georgia, los ponentes reflexionaron sobre la intersección entre las políticas, la práctica y la metodología en el uso de la IA en la evaluación. En estos contextos distintos, surgió un mensaje común: la confianza en la evaluación respaldada por la IA depende de enfoques centrados en las personas, de salvaguardias éticas y de la capacidad de los evaluadores para juzgar de forma crítica dónde y cómo debe utilizarse esta tecnología.
La confianza comienza antes del análisis
Una cuestión fundamental fue cómo deben comunicar los evaluadores el uso de la IA a aquellas partes interesadas escépticas sobre su papel en el proceso de evaluación. La confianza depende de todas las partes implicadas: no basta con que los evaluadores confíen en las herramientas de IA que utilizan; las partes interesadas también deben confiar en el proceso y las evidencias obtenidas. Los participantes hicieron hincapié en que esta conversación debe iniciarse al principio y que el documento de enfoque ofrece una primera oportunidad para presentar de forma transparente cualquier metodología respaldada por la IA e invitar a las partes interesadas a formular sus comentarios.
También destacaron la importancia de comunicar claramente qué herramientas se utilizaron; los riesgos metodológicos, éticos y aquellos relacionados con los datos identificados antes y durante la implementación; y cómo se mitigaron dichos riesgos. Esta transparencia con las partes interesadas es esencial para generar confianza y mantener la credibilidad de las evaluaciones respaldadas por la IA.
Dónde ayuda la IA y dónde debe prevalecer el juicio humano
Basándose en una evaluación de recopilación de resultados realizada en tres países y tres idiomas, los participantes mostraron cómo la IA puede aportar valor al facilitar la búsqueda en grandes volúmenes de evidencias, identificar patrones, agrupar posibles resultados y facilitar la traducción y el análisis. Sin embargo, hicieron hincapié en que los resultados generados por la IA deben considerarse borradores y no conclusiones, y que siempre deben verificarse contrastándolos con las evidencias subyacentes.
El juicio humano sigue siendo esencial para cuestionar narrativas aparentemente coherentes, poner en tela de juicio los marcos de éxito establecidos por los programas, evaluar la relevancia de los resultados y garantizar que las conclusiones sean proporcionales a las evidencias disponibles. Los ponentes ilustraron esta cuestión con un riesgo concreto: cuando se alimenta a la IA con los propios documentos de un programa, esta puede reproducir el marco positivo con el que dichos documentos presentan los resultados. Una “transformación amplia” puede, al examinarse más detenidamente, sustentarse en una única institución frágil; del mismo modo, el “empoderamiento” puede reducirse a un grupo muy reducido de personas comprometidas. Ajustar estas afirmaciones a lo que las evidencias permiten respaldar objetivamente sigue siendo una labor humana.
Una IA fiable necesita sistemas de evaluación sólidos
A partir de la experiencia de Nepal en la creación de estructuras de gobernanza provincial tras la federalización, los participantes destacaron la importancia de contar con sistemas sólidos de datos y evaluación. La fiabilidad de la IA depende de las evidencias en las que se basa. Cuando los datos están fragmentados, son incompletos, están desactualizados o no representan adecuadamente a las poblaciones marginadas, los resultados generados por la IA pueden reproducir estas deficiencias y ofrecer una imagen incompleta o distorsionada.
Los participantes hicieron hincapié en que las inversiones en sistemas de seguimiento y evaluación, capacidad estadística y formulación de políticas basadas en evidencias siguen siendo esenciales para un uso responsable de la IA. Los marcos jurídicos, las políticas de apoyo y el fortalecimiento de las capacidades profesionales también se consideraron fundamentales para integrar la evaluación en las instituciones y garantizar que los datos se generen, examinen y utilicen de forma sistemática.
La experiencia de Georgia también demostró cómo las enseñanzas extraídas de la práctica pueden contribuir a la formación. A través de HubEVAL, estas enseñanzas se incorporan a los cursos de metodología y evaluación, ayudando a los estudiantes a comprender las posibilidades y las limitaciones de la IA en la evaluación.
Fomentar la confianza a través de la práctica
La IA está cambiando ya la forma en que se diseñan, llevan a cabo y comunican las evaluaciones, pero su valor dependerá de si los evaluadores y las partes interesadas pueden confiar en cómo se utiliza. Esta confianza requiere transparencia en el uso de la IA, claridad sobre sus limitaciones y un escrutinio continuo de los datos que contribuye a generar. A medida que los evaluadores sigan experimentando con la IA, la difusión de sus enseñanzas contribuirá a comprender mejor en qué ámbitos puede resultar útil y cuáles son sus límites.