Diario Oficial de la Federación, Edición Matutina, No. de publicación 148/2026, viernes 5 de junio de 2026 (incluye, entre otros: Convenios de subsidios para búsqueda de personas con Oaxaca y Querétaro; Resolución que modifica las Disposiciones de carácter general aplicables a las instituciones de crédito; Oficios de listados 69-B del Código Fiscal de la Federación; Convenio en materia de salud pública con Tlaxcala; Acuerdo de Lineamientos del Comité de Selección de Examinadores de Patentes del IMPI; Reglamento Orgánico del Fondo de la Vivienda del ISSSTE; Reglamento Interior de la Auditoría Superior de la Federación; Sentencia en la Acción de Inconstitucionalidad 157/2023)

El Reglamento Interior de la ASF crea una Unidad Especializada en Inteligencia y Análisis (Artículo 21) con Direcciones Generales de Inteligencia y Análisis A y B (Artículo 33) cuyas atribuciones describen, de forma acumulada, un aparato de analítica masiva y automatizada. En el Artículo 33: 'Desarrollar modelos analíticos de riesgo aplicados al gasto público' (fracc. VI), 'Administrar sistemas institucionales de alertas analíticas' (fracc. VIII), 'Diseñar plataformas tecnológicas para análisis masivo de información' (fracc. XI), 'Integrar sistemas de análisis automatizado del gasto público' (fracc. XII), 'Analizar comportamiento fiscal de la proveeduría gubernamental' (fracc. IV) e 'Integrar bases de datos institucionales para análisis analítico' (fracc. VII). El Artículo 21 refuerza el alcance: la Unidad es competente 'para integrar, sistematizar y analizar información financiera, fiscal, patrimonial y administrativa relacionada con el ejercicio de los recursos públicos federales y federalizados, con el objeto de identificar riesgos, irregularidades y posibles esquemas de corrupción', y entre sus atribuciones figuran 'Dirigir el Sistema Institucional de Inteligencia para la Fiscalización del Gasto Público' (fracc. IV), 'Supervisar el desarrollo de modelos analíticos y herramientas de inteligencia institucional' (fracc. VIII), 'Supervisar el funcionamiento de sistemas institucionales de alertas' (fracc. XII), 'Coordinar el análisis de redes empresariales vinculadas con el gasto público' (fracc. XV) y vincular las denuncias y peticiones ciudadanas con la información financiera, fiscal y patrimonial 'con el objeto de identificar patrones de riesgo' (fracc. XVI-XVII). De forma complementaria, el Artículo 32 (Auditoría Forense) habilita 'Recabar, analizar y procesar... aquella información contenida en los diversos medios de almacenamiento y bases de datos, para lo cual podrá utilizar herramientas tecnológicas e informáticas especializadas' (fracc. VII). POR QUÉ ES RELEVANTE PARA IA: La combinación de 'modelos analíticos de riesgo', 'sistemas de análisis automatizado', 'alertas analíticas', 'análisis masivo de información' y 'análisis de redes empresariales' sobre el gasto público y sobre proveedores de gobierno es la descripción funcional típica de sistemas de scoring de riesgo, link-analysis y detección de anomalías basados en estadística avanzada y, plausiblemente, machine learning, aunque el texto nunca menciona 'inteligencia artificial', 'algoritmo' ni 'modelo predictivo'. RIESGOS: R9 (vigilancia/inteligencia): se institucionaliza un 'Sistema Institucional de Inteligencia' y análisis de comportamiento de servidores públicos y de la proveeduría gubernamental, integrando bases de datos de múltiples fuentes (financiera, fiscal, patrimonial, administrativa) y vinculándolas con denuncias ciudadanas, lo que constituye perfilamiento y vigilancia administrativa a gran escala. R3 (privacidad): la integración y cruce sistemático de información financiera, fiscal y PATRIMONIAL de personas servidoras públicas, particulares y redes empresariales, sin límites explícitos de retención ni de finalidad secundaria, configura un tratamiento masivo de datos personales y patrimoniales con riesgo de inferencias sensibles. R2 (sesgo): los modelos de riesgo que priorizan a quién auditar o sancionar pueden incorporar sesgos (p. ej., contra proveedores pequeños o de ciertas regiones) que se traducen en selección desigual para fiscalización. R1 (errores): las 'alertas analíticas' y 'diagnósticos' automatizados pueden producir falsos positivos que detonen procedimientos de responsabilidad o multas contra servidores públicos o particulares. GAPS: No se establece transparencia metodológica de los 'modelos analíticos de riesgo', ni auditoría independiente de los mismos, ni derecho de contradicción específico frente a una alerta generada automáticamente, ni estándares de precisión, ni supervisión humana obligatoria sobre la selección automatizada de objetivos de fiscalización, ni límites de retención y finalidad para el 'Registro de Información y Datos relacionados con los Recursos Federales'. CONTEXTO MEXICANO: La ASF es un órgano clave del control del gasto; dotarla de analítica masiva e 'inteligencia' sin salvaguardas de gobernanza algorítmica ni de protección de datos replica el riesgo observado en otros sistemas estatales de 'inteligencia' donde la opacidad impide auditar sesgos o errores y donde existe riesgo de uso selectivo o político de las herramientas.

El Reglamento prevé expresamente el 'desarrollo e implantación de sistemas automatizados de apoyo a la función fiscalizadora' que 'procesan y generan insumos y elementos relevantes' de los informes de auditoría. Es un mandato de automatización del procesamiento de información y generación de contenido de los informes de fiscalización. POR QUÉ ES RELEVANTE PARA IA: 'Sistemas automatizados' que 'procesan y generan insumos' de informes son candidatos naturales a incorporar procesamiento de lenguaje, extracción automática de datos o generación asistida de texto; el riesgo es que outputs automatizados se traten como infalibles (automation bias) en documentos con consecuencias jurídicas (informes individuales que detonan responsabilidades). RIESGOS: R1 (errores/automation bias): si el sistema genera insumos erróneos que se incorporan a informes oficiales sin verificación humana suficiente, puede derivar en señalamientos indebidos. R9 (de forma incipiente): el procesamiento automatizado de información de entidades fiscalizadas amplía la capacidad de vigilancia administrativa. GAPS: No se exige verificación humana de los insumos generados automáticamente, ni trazabilidad sobre qué partes de un informe son producto de un sistema automatizado. CONTEXTO MEXICANO: La fiscalización superior tiene efectos sancionatorios y reputacionales; la automatización sin controles de calidad y trazabilidad puede comprometer el debido proceso de entidades y servidores públicos.

La Resolución de la CNBV regula los requerimientos de capital por riesgo de crédito y reconoce a las instituciones autorizadas para usar 'Modelos basados en calificaciones internas' (internal ratings-based, IRB) para estimar Probabilidad de Incumplimiento, Severidad de la Pérdida y Exposición. Asimismo sustituye los Anexos 20 y 22 que establecen metodologías de 'Puntaje Crediticio Total' (credit scoring) que asignan puntos a personas morales y físicas con actividad empresarial para estimar su Probabilidad de Incumplimiento. POR QUÉ ES RELEVANTE PARA IA: Los 'Modelos basados en calificaciones internas' y el credit scoring son precisamente el tipo de sistemas donde las instituciones financieras incorporan cada vez más machine learning. El marco prescribe la mecánica estadística (puntajes por indicadores, factores cuantitativos y cualitativos) pero no regula el caso en que esos modelos internos sean modelos de IA/ML, ni su gobernanza (auditoría de sesgo, explicabilidad, contestabilidad). RIESGOS: R2 (discriminación): el scoring de acreditados —incluidas personas físicas con actividad empresarial— determina acceso y costo del crédito; modelos internos opacos pueden incorporar sesgos (p. ej., por sector económico, región o informalidad) y amplificar exclusión financiera. R1 (errores): errores en los modelos internos de calificación pueden traducirse en negativas de crédito o requerimientos de capital mal calibrados. GAPS: El marco no exige explicabilidad ni auditoría de sesgo de los modelos internos de calificación, ni un derecho del acreditado a conocer y objetar los factores que determinaron su puntaje, ni controles específicos para modelos de IA/ML usados como 'calificaciones internas'. CONTEXTO MEXICANO: Con alta informalidad económica (~60%), muchos acreditados presentan patrones financieros atípicos o 'Sin información', rango al que el propio anexo asigna puntajes que pueden penalizar el acceso al crédito; la falta de gobernanza de modelos internos profundiza la exclusión de poblaciones ya vulnerables.

Los oficios del SAT comunican listados masivos de contribuyentes presuntamente emisores de comprobantes que amparan operaciones inexistentes (EFOS), 'detectados' por la autoridad por carecer de activos, personal, infraestructura o capacidad material. La detección a gran escala de inconsistencias entre la facturación electrónica (CFDI) y la capacidad operativa real es un caso típico de analítica masiva de datos fiscales y cruces automatizados, aunque el texto no describe la metodología ni menciona IA. POR QUÉ ES RELEVANTE PARA IA: La 'detección' sistemática de patrones de facturación inexistente sobre el universo de CFDI es la clase de tarea que el SAT realiza con minería de datos y modelos de riesgo; el efecto jurídico (presunción que puede volverse definitiva con consecuencias graves: pérdida de efectos fiscales de los comprobantes) recae sobre contribuyentes individuales, incluidas personas físicas. RIESGOS: R1 (errores/automation bias): falsos positivos en la detección pueden señalar indebidamente a contribuyentes legítimos (p. ej., negocios reales de baja infraestructura formal). R2 (sesgo): los criterios de 'ausencia de activos/personal/infraestructura' pueden penalizar desproporcionadamente a microempresas y a la economía informal/semiformal. GAPS: Aunque el 69-B prevé un plazo de 15 días para desvirtuar (garantía de audiencia), el documento no transparenta la metodología de detección ni si hubo intervención humana en la selección; no hay estándares públicos de tasa de error ni auditoría del sistema de detección. CONTEXTO MEXICANO: La carga de la prueba recae en el contribuyente con plazos cortos; en un país con baja capacidad de defensa fiscal de pequeños contribuyentes, los falsos positivos pueden causar daño económico y reputacional difícil de revertir.

El Reglamento Orgánico del FOVISSSTE define la 'Originación del Esquema de Financiamiento' como la etapa que comprende la 'evaluación, perfilamiento, validación y registro' de las solicitudes de financiamiento de vivienda de los derechohabientes, y prevé un 'Modelo Integral de Cobranza' para la recuperación de cartera vencida. POR QUÉ ES RELEVANTE PARA IA: El 'perfilamiento' de solicitantes de crédito de vivienda es un dominio donde el sector financiero y los fondos de vivienda incorporan scoring automatizado y, crecientemente, modelos de IA/ML, lo que decide el acceso a un derecho social (vivienda) para trabajadores del Estado. RIESGOS: R2 (discriminación/sesgo): el perfilamiento crediticio de derechohabientes puede generar trato desigual en el acceso al financiamiento de vivienda; la 'cobranza' modelada puede afectar desproporcionadamente a deudores vulnerables. GAPS: El Reglamento describe funciones orgánicas pero no establece reglas de transparencia, explicabilidad ni contestabilidad del 'perfilamiento' ni del 'Modelo Integral de Cobranza' frente al derechohabiente. CONTEXTO MEXICANO: Se trata del acceso a vivienda de trabajadores del Estado; el perfilamiento opaco podría reproducir desigualdades y limitar un derecho social.