Diario Oficial de la Federación No. 091/2026 (15 de abril de 2026), que incluye el DECRETO y el Programa Nacional de Ordenamiento Territorial y Desarrollo Urbano 2026-2030; Acuerdo 51/2026 sobre recaudación federal participable; Oficios de autorización de fusiones (Hey Banco/Banregio; Banamex); Circular de inhabilitación de Green@w, S.A. de C.V.; Tercer Convenio Modificatorio en materia de salud pública (Durango); tasas de Banco de México; avisos judiciales y Convocatorias para concursos de plazas del Servicio Profesional de Carrera

El Programa ordena consolidar plataformas digitales nacionales (SITU, SIGIRC, Plataforma Nacional de Información Registral y Catastral, Sistema de Información Geoespacial del Catastro Rural) e impulsar la interoperabilidad masiva entre catastros, registros públicos de la propiedad y registros agrarios de los tres órdenes de gobierno. Aunque no se mencionan IA ni analítica avanzada, la integración de grandes volúmenes de datos personales y patrimoniales (la nota del Cuadro registra que más de 5.4 millones de personas conforman el padrón agrario nacional) crea la infraestructura de datos sobre la que habitualmente se despliegan, en una segunda etapa, técnicas de cruce automatizado, geolocalización y análisis predictivo. RIESGOS: R3 (Privacy): La vinculación por 'arquitectura de datos común' de información de identidad, tenencia de la tierra y geolocalización predial sin que el texto mencione bases jurídicas de tratamiento, minimización, controles de acceso, evaluación de impacto a la privacidad ni la participación del INAI, abre riesgo de uso secundario y de inferencias sensibles (p. ej., sobre comunidades indígenas o asentamientos irregulares). R2 (Discrimination): El uso de estos padrones interoperables para focalizar regularización, recaudación predial o acceso a programas puede generar exclusión de poblaciones sin registro formal (mujeres sin escrituras, núcleos sin certificación), reproduciendo brechas estructurales. R9 (Authoritarian Surveillance): El Programa no solo interopera padrones, sino que ordena 'Integrar un sistema nacional articulado y actualizado de núcleos agrarios, con registro georreferenciado de conflictos, historial de expropiaciones y órganos de representación, que incorpore datos desagregados por sexo, edad y pertenencia indígena o afromexicana' (Línea de acción 1.6.1) y reconoce la necesidad de 'detección y monitoreo de asentamientos irregulares' (Gráfico 19/20). La integración de bases de datos gubernamentales georreferenciadas con desagregación étnica y de conflictos sociales corresponde directamente a los indicadores de R9 de la taxonomía (integración de bases de datos gubernamentales, perfilamiento ciudadano, análisis georreferenciado de poblaciones), incluso si todavía no se nombra IA: crea la infraestructura sobre la que el análisis predictivo y el monitoreo poblacional se despliegan habitualmente, con riesgo específico para comunidades indígenas en conflicto por la tierra y para ocupantes de asentamientos irregulares. GAP: El Programa promueve interoperabilidad y 'datos abiertos' pero no establece salvaguardas de protección de datos personales, gobernanza algorítmica futura, límites al cruce de padrones, ni controles democráticos sobre el monitoreo georreferenciado de poblaciones (conflictos agrarios, asentamientos irregulares). CONTEXTO MEXICANO: Capacidad municipal heterogénea (solo ~33% de municipios con expedientes catastrales digitalizados) implica calidad de datos desigual; el cruce de datos de baja calidad amplifica errores que afectan derechos de propiedad de poblaciones vulnerables.

El Programa propone 'fortalecer los sistemas de datos e inteligencia territorial para la prevención de siniestros' viales. La expresión 'inteligencia territorial' aplicada a la prevención (anticipación) de siniestros sugiere el uso de analítica de datos georreferenciados y, potencialmente, modelos predictivos, aunque no se nombra IA ni se describe la metodología. RIESGOS: R2 (Discrimination): Los modelos predictivos de siniestralidad pueden concentrar intervención y vigilancia vial en ciertas zonas/poblaciones, y el propio texto advierte que las cifras pueden estar sesgadas por 'subregistro' de accidentes en zonas rurales, lo que sesgaría cualquier modelo entrenado con esos datos. R1 (Malfunctions): Decisiones de infraestructura o despliegue basadas en datos incompletos pueden producir asignaciones erróneas de recursos preventivos. GAP: No se define la naturaleza del sistema, ni requisitos de calidad de datos, transparencia o validación. CONTEXTO MEXICANO: El subregistro de siniestros reconocido en el propio documento es un riesgo de sesgo de datos clásico en el contexto de capacidades estadísticas locales desiguales.

Es la única mención EXPLÍCITA de 'Inteligencia Artificial' en el documento. Se trata de una partida presupuestaria para que la persona responsable estatal de prevención y atención a la violencia sexual y contra las mujeres acceda a un 'Curso de Inteligencia Artificial para su aplicación en la Salud Pública', con un indicador que mide cuántas responsables estatales lo cursaron y aprobaron. RELEVANCIA: Confirma que la administración pública de salud anticipa la aplicación de IA en salud pública y en el sensible dominio de violencia de género. No se despliega aquí un sistema de IA (es formación), pero señala una trayectoria de adopción. RIESGOS POTENCIALES (futuros) si la formación deriva en aplicación: R1 (errores en apoyo a decisiones clínicas/epidemiológicas) y R2 (sesgos en herramientas aplicadas a víctimas de violencia, población especialmente vulnerable). La severidad actual es Media porque es capacitación, no operación. GAP: No existe marco que regule la posterior aplicación de IA en salud pública ni estándares de validación, supervisión humana o protección de datos de víctimas. CONTEXTO MEXICANO: La capacitación en IA a personal de salud sin un marco regulatorio nacional de IA en salud crea riesgo de adopción fragmentada y sin garantías.

Las convocatorias del SPC establecen una primera etapa de 'Revisión curricular de forma automatizada' mediante el sistema TrabajaEn. Es una decisión automatizada de preselección (filtrado) que condiciona el acceso de personas a oportunidades de empleo público. RIESGOS: R2 (Discrimination): Un filtro automatizado de currículos puede excluir candidaturas por criterios rígidos o por errores de captura/parametrización, sin revisión humana en esa etapa, afectando equidad en el acceso al empleo. Es un caso típico de 'decisión automatizada sobre personas' (selección de personal en sector público) señalado en la taxonomía. R7 (Labor Displacement / automatización de funciones de RH): La automatización de la criba sustituye revisión humana de méritos. GAP: La convocatoria no describe los criterios del filtro automatizado, ni mecanismo de impugnación específico para descartes en esta etapa, ni auditoría de equidad del sistema. CONTEXTO MEXICANO: TrabajaEn es la plataforma nacional de reclutamiento; un sesgo en su criba automatizada tendría impacto sistémico en el acceso al empleo público en toda la APF.

El perfil de plaza de la CNBV describe funciones de 'modelos de inteligencia de negocios' para 'detectar situaciones o tendencias inadecuadas' en entidades financieras supervisadas, así como 'soluciones tecnológicas automatizadas' de 'explotación de información'. Aunque 'inteligencia de negocios' no es necesariamente IA, la detección automatizada de patrones/tendencias inadecuadas sobre entidades reguladas es analítica de datos que comúnmente evoluciona hacia modelos de machine learning de detección de anomalías. RIESGOS: R1 (Malfunctions): Detección de 'situaciones inadecuadas' mediante modelos puede generar falsos positivos con consecuencias regulatorias. R2 (Discrimination): Si los modelos se aplicaran a personas/clientes, podrían sesgar la supervisión; aquí el sujeto son entidades, por lo que el riesgo sobre derechos individuales es indirecto y la severidad es Media. GAP: No hay referencia a transparencia, validación o supervisión humana de los modelos de detección. CONTEXTO MEXICANO: La supervisión financiera automatizada es deseable para fortalecer la vigilancia, pero requiere gobernanza para evitar opacidad ('caja negra') en decisiones supervisoras.