Pero hay otra cara del debate. Mientras el Consejo está casi congelado, el resto de la ONU sí puede transformarse, y de hecho ya lo está haciendo. La literatura reciente sobre gobernanza global (Weiss & Daws, 2018) coincide en que las reformas más efectivas no requieren tocar la Carta, sino mejorar cómo funciona la ONU por dentro.
Por eso hoy seguimos la conversación con una pregunta más útil: ¿Qué reformas realistas pueden mejorar ya la eficacia de la ONU?
El texto presenta un proceso de seis pasos para integrar la IA generativa (ChatGPT) en análisis temático: (1) familiarización con los datos; (2) selección de palabras clave; (3) codificación; (4) construcción de temas; (5) conceptualización; (6) desarrollo de un modelo conceptual.
Cada paso incluye prompts específicos y criterios de calidad para guiar el trabajo. El objetivo principal es ofrecer una metodología que combine la eficiencia tecnológica de la IA con el rigor académico de la investigación cualitativa.
En tiempos de incertidumbre estructural y cuestionamiento o agotamiento de modelos, tanto la cooperación internacional como su aparato evaluativo atraviesan una fase de transición profunda. Este post esta dentro de la serie «Repensar la ayuda». Como analicé en «Liminalidad: oportunidad para reformular la ayuda» (Rodríguez Ariza, 2025a), nos encontramos en un momento liminal, en el sentido propuesto por Victor Turner: un umbral donde lo anterior se cuestiona, erosiona, agota o descompone sin que lo nuevo esté plenamente definido. Esta zona intermedia, más que un vacío, puede ser un campo fértil de reinvención. ¿Qué implica evaluar desde este umbral? ¿Qué horizontes se abren cuando las estructuras pierden su aura de inevitabilidad?
Una variable crítica en este escenario es la irrupción de la inteligencia artificial (IA) en el campo evaluativo. Su despliegue puede representar una palanca de renovación o, por el contrario, consolidar los sesgos y ritualismos de los modelos cuestionados o agotados. Evaluar desde el umbral exige también repensar el lugar de la IA en los procesos evaluativos, desde la generación de evidencia hasta la rendición de cuentas y la deliberación pública.
1. ¿Qué está en crisis? Erosión o desgaste de paradigmas
La evaluación dominante, anclada en la neutralidad tecnocrática, comienza a mostrar su cuestionamiento o agotamiento. Modelos centrados sobre todo en resultados cuantificables, estándares universales y lógicas verticales ya no responden a contextos de injusticia estructural ni a relaciones de poder desiguales. En «Evaluación y cooperación en tiempos de restricciones» (Rodríguez Ariza, 2025b), abordé cómo estas lógicas han colonizado el campo, desplazando el sentido público y deliberativo de la evaluación. La crisis no es solo metodológica y técnica: es ética, epistemológica y política.
Asimismo, como desarrollé en «Reiniciar el desarrollo» (Rodríguez Ariza, 2025c), esta crisis implica también una pérdida de legitimidad institucional. Las estructuras de ayuda se perciben rígidas, lejanas o desconectadas de las prioridades reales. En ese marco, la evaluación no puede seguir (a) siendo una herramienta que señala más los síntomas que las causas últimas u originarias, (b) centrada en aspectos más operativos y/o periféricos que estructurales. Debe dejar de ser un instrumento de verificación burocrática para transformarse en vehículo de reconstrucción de confianza, legitimidad y pertinencia social.
La IA se inserta aquí como catalizador ambiguo. Puede contribuir a la transparencia y eficiencia, pero también perpetuar automatismos, opacidad algorítmica o una “gobernanza sin sujeto”. Sin dirección crítica, podría reforzar una evaluación despolitizada, funcionalista y reduccionista.
2. Crítica estructural al sistema evaluativo
Una parte del sistema actual de evaluación funciona como un dispositivo simbólico más que como una herramienta transformadora. Autores como Michael Power (1997) en The Audit Society, y Dahler-Larsen (2011) en The Evaluation Society, han demostrado cómo las evaluaciones tienden a convertirse en rituales de rendición de cuentas, en algunos casos de gran rigor y calidad técnica, pero en muchas ocasiones sin utilidad real. Este ritualismo genera a menudo:
Evaluaciones costosas, pero de baja utilidad práctica.
Informes desconectados de la toma de decisiones.
Poca participación significativa de actores clave.
Reificación de lo cuantificable sobre lo relevante.
Algunos retos para la evaluación de programas en el presente y futuro pasan por adaptarse a un entorno cada vez más complejo y dinámico. Aquí hay algunos aspectos clave de este desafío:
Medición de Impacto a Largo Plazo: Evaluar el impacto sostenible de los programas en contextos cambiantes sigue siendo un desafío significativo.
Integración de Nuevas Tecnologías: La incorporación de tecnologías avanzadas como la inteligencia artificial y el análisis de big data puede mejorar la precisión y eficiencia de las evaluaciones, pero también requiere nuevas habilidades y enfoques.
Relevancia Estratégica: Asegurar que los temas evaluados sean estratégicamente relevantes y alineados con los objetivos a largo plazo de las organizaciones es crucial para maximizar el impacto de las evaluaciones.
Implementación de Recomendaciones: Las recomendaciones de las evaluaciones a menudo no se implementan de manera efectiva, lo que limita su capacidad para generar cambios significativos.
Coordinación y Colaboración: Mejorar la coordinación entre los departamentos de evaluación y otros departamentos dentro de las organizaciones es esencial para evitar duplicidades y asegurar una utilización eficiente de los recursos.
Abordar estos retos requiere un enfoque holístico y adaptativo, que combine la innovación tecnológica con una comprensión profunda de los contextos locales y las necesidades estratégicas de las organizaciones.
Soy un nostálgico, quiero seguir pensando que escribir posts en español sobre evaluación y aprendizaje en el sector de la ayuda internacional sigue teniendo múltiples beneficios, tanto a nivel personal como colectivo:
A Nivel Personal
Gestión del Conocimiento Personal:
Reflexión y Aprendizaje: Escribir te permite reflexionar sobre tus experiencias y aprendizajes, consolidando tu conocimiento y mejorando tu práctica profesional.
Desarrollo de Habilidades: La escritura regular mejora tus habilidades de comunicación y pensamiento crítico, esenciales para un evaluador.
Documentación: Mantener un registro escrito de tus ideas y experiencias facilita la revisión y el análisis a lo largo del tiempo, ayudándote a identificar patrones y áreas de mejora.
Visibilidad y Re-conocimiento:
Marca Personal: Publicar contenido te posiciona como un conocedor (no se si «expert@» es una palabra adecuada?) tu campo, aumentando tu visibilidad y tu reconocimiento (no porque te lo vayan a reconocer sino porque – quizas – te «re-conozcan» en algun momento).
Red de Contactos: Atraerás a otros profesionales interesados en los temas tratados, ampliando tu red de contactos y oportunidades de colaboración.
Algunas formas en que la inteligencia artificial (IA) se puede aplicar en las diferentes fases del proceso de evaluación, junto con medidas para garantizar su uso ético y seguro:
Fase de Diseño y Términos de Referencia:
Usos Innovadores de la IA:
Personalización de Evaluaciones: La IA puede adaptar las evaluaciones según las necesidades individuales de los evaluados.
Generación Automática de Preguntas: La IA puede crear preguntas de evaluación de manera automática.
Protección y Ética:
Transparencia: Asegurar que los criterios de evaluación sean claros y comprensibles.
Equidad: Evitar sesgos en las preguntas y en la evaluación.
Fase de Inicio:
Usos Innovadores de la IA:
Análisis de Datos Iniciales: La IA puede ayudar a analizar datos preliminares para re-definir los objetivos, el alcance o las preguntas de la evaluación.
Protección y Ética:
Consentimiento Informado: Obtener el consentimiento de los participantes antes de utilizar sus datos.
Fase de Trabajo de Campo:
Usos Innovadores de la IA:
Automatización de Recopilación de Datos: La IA puede automatizar la recopilación de datos durante la evaluación.
Protección y Ética:
Privacidad de los Participantes: Proteger la privacidad de los evaluados durante la recopilación de datos.
Fase de Análisis:
Usos Innovadores de la IA:
Análisis de Datos Complejos: La IA puede procesar grandes cantidades de datos y encontrar patrones.
Protección y Ética:
Confidencialidad: Garantizar que los resultados se manejen de manera confidencial.
Fase de Reporte y Comunicación:
Usos Innovadores de la IA:
Generación Automática de Informes: La IA puede generar informes automáticamente
Visualización de Datos: La IA puede crear gráficos y visualizaciones para comunicar los resultados.
Protección y Ética:
Claridad y Precisión: Asegurar que los informes sean claros y precisos.
Análisis y Comunicación Responsable: Evitar la interpretación errónea de los resultados.
La inteligencia artificial (IA) está transformando la evaluación de programas con su capacidad para manejar grandes volúmenes de datos y automatizar tareas, lo que permite análisis más profundos y predicciones precisas. Sin embargo, también enfrenta desafíos éticos y técnicos que requieren atención cuidadosa.
Oportunidades de la IA en la Evaluación de Programas:
Análisis Mejorado: La IA puede analizar datos complejos, ofreciendo evaluaciones basadas en evidencia más efectivas.
Automatización Eficiente: Libera a los evaluadores de tareas repetitivas, permitiéndoles enfocarse en aspectos más estratégicos.
Predicción Avanzada: Los algoritmos pueden predecir resultados futuros, facilitando la planificación y mejora continua.
Desafíos a Superar:
Ética y Privacidad: Es vital garantizar la protección de datos y el respeto por las normas éticas.
Sesgo de Datos: Se debe asegurar la equidad en los algoritmos para evitar decisiones sesgadas.
Transparencia: Los procesos de la IA deben ser comprensibles para fomentar la confianza en sus resultados.
Con un enfoque adecuado, la IA tiene el potencial de ser una herramienta invaluable en la evaluación de programas, mejorando la eficacia y la toma de decisiones informadas.
Tradicionalmente, la síntesis cualitativa se utilizaría para realizar un análisis estructurado basado en la teoría de los informes de proyectos.
Este piloto buscó evaluar las ganancias de eficiencia generadas por el análisis de contenido asistido por inteligencia artificial al etiquetar y clasificar texto de acuerdo con un marco conceptual basado en resultados.
El enfoque utilizó un conjunto de intervenciones asociadas con la cartera de evaluación del retraso en el crecimiento y la desnutrición crónica del Banco Mundial, que consta de 392 informes de proyectos de 64 países.
En primer lugar, se utilizó el aprendizaje automático supervisado para etiquetar deductivamente el contenido en tres categorías principales: (a) desafíos nutricionales abordados, (b) intervenciones y (c) logro de indicadores de resultados.
1. Beneficio: Eficiencia y precisión: La IA puede ayudar a automatizar y optimizar diversas tareas y procesos, como la recopilación de datos, el análisis, la síntesis y la generación de informes. Por ejemplo:
-podemos usar IA para diseñar y administrar encuestas, escanear y codificar datos cualitativos, identificar patrones y tendencias, generar información y recomendaciones, y crear visualizaciones y paneles
-podemos ahorrar tiempo y recursos, reducir el error y el sesgo humano y mejorar la calidad y fiabilidad de sus datos y hallazgos.
2.Beneficio: Innovación y creatividad: La IA puede ayudar a innovar y crear nuevas formas de realizar y presentar la evaluación. Por ejemplo:
-podemos usar IA para explorar nuevas fuentes y métodos de datos, como redes sociales, mensajes de texto, sensores y procesamiento de lenguaje natural.
-podemos usar IA para generar preguntas e hipótesis novedosas, probar diferentes escenarios y suposiciones, y descubrir nuevas conexiones e implicaciones.
-podemos usar la IA para comunicar con e involucrar a las partes interesadas de maneras más interactivas y dinámicas, como chatbots, realidad virtual y gamificación.
En «5 maneras en que la IA está a punto de transformar la evaluación«, por el equipo de Evaluación del Programa Mundial de Alimentos en 4 de julio de 2023, nos dicen que la Inteligencia Artificial (IA) crea oportunidades incomparables y al mismo tiempo plantea nuevos riesgos para todas las organizaciones. La IA no solo es capaz de procesar y analizar grandes cantidades de datos a gran velocidad, sino que también puede realizar razonamientos paso a paso y tomar acciones para lograr objetivos determinados.
1. La velocidad salva vidas: La IA puede ayudar a aprovechar la evidencia existente en momentos críticos de respuesta, generar conocimientos, que hasta ahora son costosos de producir, y posee la capacidad de crear simulaciones complejas que ayudan a predecir los resultados de diversos escenarios globales. . Entregar la evidencia correcta a las personas correctas en el momento correcto nunca ha estado tan cerca.
2. Aumentar la eficiencia, eliminar prejuicios y mejorar la confianza: Las tecnologías de inteligencia artificial como el procesamiento del lenguaje natural (PLN) poseen el poder de analizar, categorizar, etiquetar, recuperar y traducir textos en múltiples idiomas, mientras interpretan y comprenden los sentimientos en las comunicaciones. La IA puede aprovechar una multitud de evaluaciones pasadas, resumiendo y sacando a la luz tendencias en los resultados, factores recurrentes de éxito y deficiencias.
La IA promete recuperar información relevante de prácticamente todos los informes de evaluación existentes en un abrir y cerrar de ojos, frente a un proceso que ahora lleva días. Y al revisar sistemáticamente los documentos, la IA puede enriquecer el contenido de los productos de evaluación y eliminar el sesgo selectivo que inevitablemente surge con los enfoques manuales y dirigidos por humanos. Además de responder automáticamente a consultas específicas, la IA ayudará a preparar nuevos productos de evidencia a partir de los documentos seleccionados y de calidad garantizada que se le introduzcan.
"TripleAD": Aprendiendo a Aprender para el Desarrollo 