La IA y la ética en sectores sensibles

Columna

11 de noviembre de 2025

La IA y la ética en sectores sensibles

Potencial de transformación, riesgos y directrices para el uso responsable de sistemas inteligentes en la salud, seguridad y demás áreas críticas

La inteligencia artificial (IA) ya se ha consolidado como una de las fuerzas transformadoras más destacadas de nuestro tiempo. Con la capacidad de procesar volúmenes inmensos de datos, identificar patrones y generar predicciones en tiempo real, está remodelando cadenas productivas, decisiones estratégicas e incluso modelos de negocio completos. Sin embargo, este avance no está exento de riesgos.

Imagine un sistema de selección de enfermeros que, de forma consistente, apruebe solo a mujeres blancas. O un examen moderno para el diagnóstico de cáncer de piel que falla con frecuencia en pacientes negros. O aún un algoritmo que destina a personas de bajos ingresos a unidades de internación prolongada, mientras que pacientes más ricos reciben el alta para casa. Casos así muestran cómo la IA, cuando no es supervisada, puede cristalizar e incluso ampliar prejuicios existentes (Nelson, 2019).

En este sentido, la aplicación de esta tecnología en áreas sensibles exige atención redoblada y una base sólida de principios éticos y reglas claras. Temas como sesgo algorítmico, transparencia e impacto social deben estar en el centro de la discusión para que el avance tecnológico camine de la mano con justicia y responsabilidad (Kim; Kim; Lee, 2025). Comprender tanto el potencial como los riesgos de la IA es esencial para que gobiernos, empresas y sociedad construyan juntos los límites y condiciones para su uso.

IA en la salud

En el campo de la salud, la IA ya desempeña funciones que van desde el análisis de exámenes de imagen hasta el soporte a diagnósticos clínicos complejos. Herramientas basadas en aprendizaje profundo pueden identificar enfermedades en estadios iniciales, aumentando la eficacia de tratamientos y reduciendo costos hospitalarios. Sin embargo, la integración de estos sistemas exige cuidados en cuanto a la privacidad de los pacientes, la confiabilidad de las bases de datos y la explicabilidad de los algoritmos utilizados. Fallos o sesgos en modelos predictivos pueden resultar en diagnósticos incorrectos o tratamientos inadecuados, con implicaciones éticas y jurídicas relevantes. Es necesario que la innovación sea acompañada por protocolos de validación clínica rigurosos y mecanismos de auditoría continua.

Uno de los casos más emblemáticos sobre riesgos éticos y técnicos en la aplicación de sistemas computacionales en sectores sensibles ocurrió en la década de 1980, con la serie de accidentes que involucraron a la máquina de radioterapia Therac-25. El equipo, desarrollado para tratar pacientes con cáncer mediante haces de electrones y radiación, presentaba una falla de software que, en determinadas condiciones, provocaba que se aplicaran dosis extremadamente elevadas. A diferencia de incidentes causados por fallas mecánicas, en el Therac-25 el error estaba en el código de control, que no poseía salvaguardas adecuadas y se manifestaba solo en situaciones operativas muy específicas, lo que dificultaba su detección. Como resultado, diversos pacientes sufrieron quemaduras graves, daños neurológicos irreversibles e incluso fallecimientos (Leveon; Turner, 1993).

El análisis posterior reveló no solo problemas de programación y ausencia de pruebas rigurosas, sino también fallos en el proceso de ingeniería de software y en la gobernanza del producto, como falta de documentación clara, riesgos subestimados y ausencia de protocolos de auditoría externa. El caso se convirtió en un hito en la historia de la seguridad de sistemas críticos, evidenciando que, en entornos como salud, transporte y energía, los errores tecnológicos no son solo fallos técnicos, sino eventos con profundas implicaciones éticas, jurídicas y sociales, reforzando la necesidad de validación rigurosa, supervisión continua y responsabilidad compartida entre desarrolladores, fabricantes y operadores (Leveon; Turner, 1993).

IA en la seguridad pública

Si en la salud los riesgos implican la vida y la integridad física, en la seguridad pública el debate se centra en los derechos fundamentales y la igualdad de trato. En seguridad, la IA se aplica en reconocimiento facial, monitoreo de áreas de riesgo y análisis predictivo de criminalidad. Estas soluciones prometen mayor eficiencia en el empleo de recursos policiales y prevención de delitos. Sin embargo, el uso de tecnologías de vigilancia a gran escala suscita preocupaciones sobre el derecho a la privacidad y el riesgo de discriminación algorítmica. Estudios muestran que los sistemas de reconocimiento facial pueden presentar tasas de error más elevadas para determinados grupos raciales o de género, reforzando desigualdades. De esta forma, es imprescindible la existencia de marcos legales claros, garantizando que la aplicación de estas herramientas respete los derechos fundamentales y sea sometida a auditorías independientes.

En 2016, una investigación realizada por el sitio ProPublica reveló que el sistema Compas (Correctional Offender Management Profiling for Alternative Sanctions), utilizado en varios estados de EE. UU. para evaluar el riesgo de reincidencia criminal, presentaba un sesgo racial significativo. El algoritmo asignaba puntuaciones de riesgo más altas a acusados negros en comparación con acusados blancos en situaciones similares, sobreestimando la probabilidad de reincidencia para los primeros y subestimando para los segundos. Dado que el Compas era empleado por jueces para fundamentar decisiones sobre fianzas, libertad condicional y sentencias, este sesgo tuvo un impacto directo en la libertad y los derechos de los individuos, perpetuando desigualdades en el sistema de justicia penal. El análisis reveló no solo fallas técnicas en el modelo y en la elección de las variables, sino también falta de transparencia, ya que el algoritmo era propietario y no podía ser auditado públicamente. El caso se convirtió en emblemático en el debate sobre ética en inteligencia artificial en la seguridad pública, destacando la necesidad de auditorías independientes, explicabilidad de los modelos y supervisión constante para evitar la discriminación sistémica (Angwin et al., 2016).

IA en la justicia

En el campo jurídico, los dilemas adquieren otra dimensión: la preservación de la imparcialidad, la autonomía y las garantías procesales. Además de la salud y la seguridad, sectores como el jurídico también se enfrentan a dilemas éticos en el uso de la IA. Un ejemplo emblemático del uso de inteligencia artificial es el sistema chino conocido como Smart Court, implementado en algunas provincias desde 2017. Integrando procesamiento de lenguaje natural, análisis de datos y reconocimiento de voz, la plataforma auxilia a los magistrados en la redacción de sentencias, en la selección de procesos y en la gestión de pruebas digitales. Aunque presenta ganancias de celeridad y estandarización, el sistema suscita preocupaciones en cuanto a la autonomía de la decisión judicial y a la posibilidad de refuerzo de sesgos ya presentes en el historial de juicios.

Los críticos señalan que, al entrenar el algoritmo con datos de decisiones pasadas, se corre el riesgo de perpetuar patrones discriminatorios o interpretaciones restrictivas de la ley. Además, la opacidad de los criterios utilizados y la ausencia de mecanismos robustos de auditoría externa dificultan la impugnación de las decisiones sugeridas o influenciadas por la IA. Este caso ilustra que, en la Justicia, el desafío no es solo técnico, sino que implica la preservación de garantías procesales y el mantenimiento del control humano sobre la decisión final (Wang et al., 2021).

Uso responsable

La adopción ética y responsable de la IA requiere no solo principios generales, sino también prácticas concretas que garanticen la conciliación entre innovación tecnológica y protección social. Experiencias internacionales demuestran que el uso indiscriminado o mal regulado de la IA puede generar impactos significativos en derechos fundamentales, reforzando desigualdades y minando la confianza pública. Por ello, organismos como la Unesco, la OCDE y la Unión Europea han publicado frameworks de gobernanza que enfatizan valores como transparencia, justicia, seguridad, privacidad y responsabilidad. Estas orientaciones parten del presupuesto de que la tecnología debe ser diseñada de forma centrada en el ser humano (human-centered design), asegurando que las decisiones críticas permanezcan bajo control humano efectivo y que cualquier impacto negativo sea identificado y mitigado de forma tempestiva. La protección de datos y la seguridad cibernética, a su vez, deben ser incorporadas desde la concepción (privacy by design y security by design), evitando que sean solo correcciones posteriores ante incidentes.

En este contexto, directrices detalladas se muestran fundamentales para operacionalizar estos principios. La transparencia implica que tanto los criterios de decisión como las limitaciones de la IA sean comunicados de forma clara, permitiendo auditoría externa y participación social. La responsabilización demanda que desarrolladores, proveedores y usuarios asuman obligaciones específicas, con mecanismos para atribuir y cobrar responsabilidades en caso de fallos o abusos. La no discriminación exige la detección y mitigación de sesgos en los datos y algoritmos, especialmente en aplicaciones que afectan derechos, como salud, justicia y seguridad pública.

La supervisión humana continua es imprescindible para revertir decisiones automatizadas injustas o incorrectas, preservando garantías procesales. Además, la educación digital y la alfabetización algorítmica deben ser fomentadas para que ciudadanos, profesionales y autoridades comprendan el funcionamiento, las limitaciones y los riesgos de la IA, pudiendo interactuar críticamente con estas herramientas. Por último, la seguridad y resiliencia de los sistemas debe ser priorizada, garantizando robustez contra ataques cibernéticos y fallos operacionales, de modo que la confianza social en la tecnología sea preservada. Algunas sugerencias pueden ayudar a guiar el uso ético y responsable de la inteligencia artificial:

  • Transparencia y explicabilidad: hacer visibles las lógicas de decisión y las limitaciones del sistema;
  • Supervisión humana efectiva: mantener personas aptas a intervenir y revertir decisiones automatizadas;
  • Auditorías independientes periódicas: verificar sesgos, rendimiento y cumplimiento normativo;
  • Responsabilización clara: asignar deberes y consecuencias a todos los actores involucrados en el ciclo de vida de la IA;
  • Protección de datos y seguridad desde el diseño (by design): prevenir fugas y ataques;
  • Mitigación activa de sesgos: asegurar que grupos vulnerables no sean perjudicados;
  • Educación digital y alfabetización algorítmica: capacitar a la sociedad para comprender y cuestionar la tecnología;
  • Robustez y resiliencia operativa: asegurar que los sistemas funcionen de forma fiable, incluso en escenarios adversos.

La IA representa un punto de inflexión en la evolución tecnológica global, con el potencial de transformar radicalmente sectores como la salud, la seguridad, la justicia, la educación y la economía. Su capacidad para procesar grandes volúmenes de datos, identificar patrones complejos y ofrecer soluciones en tiempo real ya se traduce en ganancias significativas de eficiencia, precisión y calidad. Sin embargo, la misma tecnología que puede generar avances sin precedentes también conlleva el riesgo de ampliar desigualdades estructurales, comprometer derechos fundamentales y provocar impactos sociales y económicos de gran magnitud, especialmente cuando se utiliza de forma indiscriminada o sin la debida regulación.

Para que la IA sea una aliada del progreso y no un vector de exclusión o injusticia, es indispensable que su desarrollo y aplicación estén anclados en un compromiso ético sólido, con reglas claras, mecanismos de fiscalización independientes y gobernanza participativa. Esto implica crear estructuras institucionalescapaces de auditar algoritmos, prevenir sesgos, garantizar la protección de datos y asegurar que la toma de decisión permanezca, en última instancia, bajo control humano. La participación activa de la sociedad —por medio de consulta pública, educación digital y debate abierto— es fundamental para que las soluciones tecnológicas reflejen valores democráticos y atiendan al interés colectivo. Solamente por medio de esta combinación de innovación responsable, supervisión continua y involucramiento social será posible cosechar, de forma equitativa y sostenible, los beneficios de esta revolución tecnológica. El futuro de la IA no será definido solo por su capacidad técnica, sino por la forma en que sociedades, gobiernos y empresas elijan utilizarla, equilibrando eficiencia y justicia, velocidad y prudencia, potencial transformador y responsabilidad ética.

Para tener acceso a las referencias de este texto haga clic aquí.

Quién publicó esta columna

Renato Máximo Sátiro

Doutor em Administração pela UFG, professor e orientador no curso de Data Science, Inteligência Artificial e Analytics, do MBA USP/Esalq. Administrador de Empresas na Saneago e pesquisador em grupos de pesquisa da UFG e da UnB, com foco em IA, políticas públicas e acesso à Justiça. Desenvolve projetos em machine learning, deep learning, modelos estatísticos, algoritmos e ética na IA, domínio de ferramentas R, Python, Gretl, SPSS e Stata.

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.