Discrimination & Bias

El convenio describe la atribución de la CNBP de realizar 'búsqueda forense con fines de identificación de cuerpos y restos humanos... a través de un enfoque masivo o a gran escala'. La identificación forense masiva de restos humanos y la confronta a gran escala de datos de personas desaparecidas y de sus familiares es un dominio donde, internacionalmente, se incorporan crecientemente tecnologías de cotejo biométrico, dactiloscópico, de reconocimiento facial post-mortem y de comparación genética (perfiles de ADN) asistidas por algoritmos, así como la integración de grandes bases de datos (registros de personas desaparecidas, RENAPO, bases forenses, ante mortem/post mortem). 1) Relevancia para IA: aunque el convenio solo describe el subsidio presupuestal y la atribución institucional (no menciona IA, algoritmos ni sistemas concretos), la 'identificación humana a gran escala' es precisamente el tipo de proceso donde el cotejo automatizado de datos biométricos y genéticos sensibles se vuelve habilitador típico. Es un gap potencial, no un sistema desplegado descrito en este texto. 2) Riesgos: R3 (privacidad) por el tratamiento masivo de datos biométricos y genéticos —de los más sensibles— de personas fallecidas y de familiares que aportan muestras de referencia; R2 (discriminación/error) por la posibilidad de falsos positivos/negativos en cotejos automatizados de identidad, con consecuencias graves (identificación errónea de restos) sobre poblaciones ya victimizadas. 3) Gaps: el convenio (boilerplate presupuestal) no contempla salvaguardas específicas para el eventual uso de cotejo biométrico/genético automatizado, ni límites a inferencias, retención de perfiles de ADN, auditoría de exactitud o supervisión humana en la confirmación de identidades; remite genéricamente a la Ley General de Protección de Datos Personales en Posesión de Sujetos Obligados. 4) Contexto mexicano: México enfrenta una crisis forense con decenas de miles de personas desaparecidas y cuerpos sin identificar; la presión por 'identificación a gran escala' incentiva la adopción de herramientas automatizadas con datos genéticos/biométricos de poblaciones vulnerables, en un país sin ley general de IA y con capacidad limitada de supervisión técnica y de protección de datos.

El Convenio RENAPO-UAEMéx instrumenta el consumo masivo, en línea y en tiempo real, de Servicios Web de CURP y procesos de "Confrontas" contra la Base de Datos Nacional de la CURP (BDNCURP), que integra datos personales derivados de registros civiles, INM y la COMAR (nacimiento, defunción, datos migratorios). Aunque no se nombra IA, este es el tipo de infraestructura de verificación/autenticación de identidad a gran escala donde típicamente se incorporan motores de matching, cotejo automatizado y, en su evolución (SNIP - Servicio Nacional de Identificación Personal), componentes biométricos. RIESGOS: R3 (Privacy): Se habilita el cruce sistemático de identidad de miles de personas (aspirantes, alumnos, egresados) mediante un identificador único homogéneo adoptado transversalmente en sector público, privado y financiero (líneas de acción 4.4.7 del Programa Sectorial citado). El Convenio reconoce explícitamente la posibilidad de hackeo, vulneración, venta o duplicidad de datos y de "actividad sospechosa" en el consumo, lo que evidencia un perfil de riesgo de seguridad de datos personales elevado. R2 (Discrimination): La validación automatizada de identidad legal puede producir falsos negativos (CURP no certificada, discordancias con Registro Civil) que bloqueen trámites educativos esenciales (preinscripción, titulación, cédula profesional), afectando desproporcionadamente a poblaciones con registros civiles deficientes o errores históricos de captura. GAPS REGULATORIOS: 1) No se establecen salvaguardas frente a la incorporación futura de IA/biometría ni evaluaciones de impacto algorítmico en la verificación de identidad. 2) No hay mecanismo de impugnación/revisión humana para la persona cuya CURP no "confronta" exitosamente. 3) La generalización del identificador único como llave de interoperabilidad amplía el riesgo de vigilancia por agregación de datos sin un marco de minimización. CONTEXTO MEXICANO: La integración del SNIP y la promoción de la CURP como identificador universal (incluida la CURP biométrica en políticas federales recientes) eleva el riesgo de un padrón nacional consultable que, sin controles independientes (INAI debilitado tras reformas), puede derivar en vigilancia y exclusión administrativa.

Los Convenios de la CNBP encomiendan la búsqueda forense e identificación humana "a través de un enfoque masivo o a gran escala". La identificación humana masiva de cuerpos y restos se apoya de manera creciente en cotejo automatizado de datos biométricos, genéticos (perfiles de ADN) y dactiloscópicos contra bases de datos poblacionales, así como en análisis de datos para priorización de casos. RIESGOS: R3 (Privacy): El procesamiento masivo de datos altamente sensibles (genéticos, biométricos, de personas desaparecidas y de familiares que aportan muestras de referencia) sin un marco que regule su tratamiento algorítmico, retención y cruce con otros registros, representa un riesgo de privacidad elevado. R2 (Bias): Los sistemas de cotejo y priorización pueden arrastrar sesgos por calidad desigual de datos entre regiones, afectando la equidad en la atención a casos de poblaciones marginadas. GAPS: Los convenios son puramente presupuestales (transferencia de subsidios) y no abordan ninguna salvaguarda sobre el tratamiento automatizado/algorítmico de datos forenses y genéticos en el "enfoque masivo", ni evaluaciones de impacto, ni controles de calidad de los cotejos. CONTEXTO MEXICANO: Con más de cien mil personas desaparecidas y bancos de datos forenses y genéticos en construcción, cualquier automatización del cotejo de identidad humana debe garantizar precisión, trazabilidad y protección de datos genéticos de víctimas y familiares.

La convocatoria contrata 'equipamiento para la prevención y detección de fraudes y operaciones con recursos de procedencia ilícita' (PLD/antilavado). La detección de fraude y de operaciones con recursos de procedencia ilícita a escala es, hoy, una de las aplicaciones más extendidas de aprendizaje automático y analítica de patrones: estos sistemas perfilan comportamiento transaccional para emitir alertas, y constituyen el ejemplo canónico de detección automatizada de operaciones inusuales descrito en la propia taxonomía (análogo al 'Sistema de detección de fraude fiscal' y al ejemplo SADOI). Aunque el resumen de licitación no detalla la tecnología del 'equipamiento', la naturaleza de la función (detección/prevención de fraude y lavado) hace altamente probable la presencia de motores de scoring/clasificación automatizada. RIESGOS: R1 (Malfunctions): Un sistema de detección de fraude/PLD genera falsos positivos que pueden derivar en bloqueo de operaciones, congelamiento de cuentas o señalamientos sin revisión humana adecuada; los errores impactan directamente a personas. R2 (Discrimination): Los modelos de detección financiera arrastran sesgos contra patrones atípicos (economía informal, ingresos irregulares), que en México —con cerca del 60% de informalidad laboral— pueden traducirse en discriminación masiva contra poblaciones vulnerables erróneamente etiquetadas como 'inusuales'. R3 (Privacy): Implica el procesamiento masivo de comportamiento financiero sin que la convocatoria prevea salvaguardas de privacidad, transparencia metodológica ni derechos de impugnación. GAPS REGULATORIOS: 1) El resumen no transparenta si el 'equipamiento' incorpora algoritmos de clasificación/scoring ni sus tasas de error y sesgo. 2) No hay mención de revisión humana, auditoría independiente del modelo ni mecanismo de apelación para personas señaladas. 3) No se acota la retención ni el uso secundario de los datos analizados. CONTEXTO MEXICANO: Capacidad institucional limitada para auditar sistemas algorítmicos de PLD y alta informalidad económica elevan el riesgo de falsos positivos y exclusión financiera; el INAI debilitado reduce la supervisión independiente sobre el tratamiento masivo de datos financieros.

Múltiples convocatorias para concursos de plazas vacantes del Servicio Profesional de Carrera (SENASICA, Secretaría de Economía, Secretaría de Cultura, entre otras) establecen como Etapa I una "revisión curricular de forma automatizada" a través de la plataforma www.trabajaen.gob.mx. Aunque no se nombra "inteligencia artificial", se trata de un sistema de filtrado/criba automatizada de aspirantes: el sistema descarta candidatas y candidatos comparando los datos curriculares registrados (escolaridad, carrera genérica, campos y áreas de experiencia) contra el perfil del puesto y los Catálogos de Carreras y de Campos y Áreas de Experiencia de la Secretaría Anticorrupción y Buen Gobierno, antes de cualquier intervención humana. RIESGOS IDENTIFICADOS: R2 (Discriminación y sesgo): Un filtrado automatizado basado en coincidencia rígida de catálogos de carreras y áreas de experiencia puede excluir sistemáticamente perfiles válidos pero no estandarizados (carreras con denominaciones distintas, trayectorias mixtas o interdisciplinarias, personas con experiencia equivalente no catalogada). Esto constituye una decisión automatizada que afecta el acceso a oportunidades de empleo público, sin que el texto describa criterios de equidad, posibilidad de revisión humana de descartes en esta etapa, ni análisis de impacto diferencial. R7 (Automatización en reclutamiento): La etapa sustituye por completo la revisión humana de la criba curricular inicial, lo que es una forma de automatización de tareas administrativas de Recursos Humanos en el sector público. GAPS REGULATORIOS: 1. No se explica la lógica del algoritmo de coincidencia ni si admite equivalencias o juicio humano en los descartes de Etapa I. 2. No se prevé un mecanismo de impugnación específico para el descarte automatizado curricular (la revisión que sí se contempla aplica a exámenes de conocimientos, no a la criba automatizada). 3. No hay análisis de sesgo ni auditoría de la herramienta de filtrado. NIVEL DE EVIDENCIA: Implícito fuerte respecto de automatización (el propio texto la llama "automatizada"); débil respecto de uso de IA/ML avanzado (puede tratarse de reglas determinísticas de coincidencia, no necesariamente aprendizaje automático). CONTEXTO MEXICANO: En un país con alta heterogeneidad de denominaciones académicas y trayectorias laborales informales, una criba rígida por catálogos puede excluir injustamente a aspirantes con experiencia real equivalente, afectando la equidad en el acceso al empleo público.

El documento adopta como objetivo sectorial el 'Uso de Inteligencia de Datos' para 'optimizar la función de gobierno y la toma de decisiones'. 'Inteligencia de datos' y 'análisis de datos' son eufemismos burocráticos que, a escala gubernamental, implican analítica avanzada y muy probablemente aprendizaje automático aplicado a datos administrativos y poblacionales. RIESGOS: R2 (Discriminación): si la 'inteligencia de datos' alimenta decisiones sobre asignación de programas, focalización territorial (el PEM ya prevé 'análisis de información que considere... condición social, nivel socioeconómico' para delimitar población objetivo) o priorización de servicios, puede reproducir sesgos contra poblaciones marginadas, indígenas o rurales. R1: decisiones de gobierno 'optimizadas' por modelos sin validación pueden incurrir en error sistemático. R3: la agregación de datos para 'inteligencia' puede habilitar inferencias sensibles sobre individuos. GAP: el objetivo se enuncia sin salvaguardas (auditoría de equidad, derecho a impugnación, transparencia del método), pese a su impacto potencial en derechos y acceso a servicios.

Los convenios de subsidios para búsqueda de personas facultan a la CNBP para la 'búsqueda forense con fines de identificación de cuerpos y restos humanos... a través de un enfoque masivo o a gran escala'. La identificación humana masiva (confronta de perfiles genéticos/ADN, datos biométricos, dactiloscopia, cruce de bases de datos forenses y de personas desaparecidas) es un dominio donde se aplican o se aplicarán algoritmos de coincidencia (matching) y análisis automatizado a gran escala. RIESGOS: R3 (Privacidad): el tratamiento masivo de datos biométricos y genéticos de víctimas y familiares es altamente sensible; los convenios solo remiten a la normativa general de datos personales, sin salvaguardas específicas para identificación forense automatizada. R1 (Errores): errores de coincidencia en identificación masiva tienen consecuencias graves (identificaciones falsas, revictimización). R2 (Sesgo): sistemas de identificación pueden tener desempeño desigual según calidad de muestras o poblaciones. GAP: dominio crítico de derechos humanos donde el cruce automatizado a gran escala no se acompaña de estándares de exactitud, validación pericial humana, ni gobernanza específica de datos genéticos/biométricos.

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.

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.

El Acuerdo prevé la operación de un 'Sistema que permita la validación de datos' contra la base del Registro Nacional de Población (RENAPO) para sustituir la presentación física de actas (nacimiento, matrimonio, defunción) en los trámites de armas de fuego, explosivos y pirotecnia. Aunque no se nombra 'inteligencia artificial', se trata de una confronta automatizada de identidad/padrones contra una base de datos poblacional nacional, mecanismo que normalmente se apoya en reglas de coincidencia y, crecientemente, en analítica/cotejo automatizado de datos personales. 1) Relevancia para IA: la interoperabilidad y validación automática de datos personales contra RENAPO es la antesala de sistemas de cotejo de identidad que pueden incorporar componentes algorítmicos; el resultado del cotejo condiciona el acceso a un trámite en un dominio crítico (control de armas). 2) Riesgos: R3 (Privacidad): se procesan y confrontan datos personales sensibles (incluida la identidad y, en otros trámites del mismo Acuerdo, la CURP biométrica) contra una base nacional, sin que el texto detalle límites de finalidad, minimización, conservación, ni controles de acceso del lado de la SEDENA. R2 (Discriminación/Sesgo): un cotejo erróneo o datos no homologados en RENAPO pueden negar o retrasar trámites a personas con registros incompletos (población rural, indígena, migrante o con actas no digitalizadas), reproduciendo brechas de la digitalización. R1 (Malfunctions): el propio Acuerdo reconoce que el Sistema podría 'no poder validar la información', es decir, contempla fallas; si la validación automática se trata como infalible podría producir falsos negativos que afecten derechos. 3) Gaps: no se establece autoridad de control de privacidad (INAI/sucesor), evaluación de impacto en protección de datos, derecho de impugnación del solicitante ante un cotejo fallido, ni auditoría del Sistema de validación. 4) Contexto mexicano: la confronta con RENAPO/CURP es una pieza recurrente de la 'identidad digital' nacional; en un dominio tan sensible como el de armas de fuego, la ausencia de salvaguardas explícitas y la capacidad limitada de supervisión de protección de datos elevan el riesgo de uso indebido o de errores no apelables.

Los convenios del SNDIF obligan a integrar y publicar un 'Padrón de las personas atendidas' (padrón de beneficiarios) de programas dirigidos a poblaciones vulnerables (personas con discapacidad; niñas, niños y adolescentes), gestionado e intercambiado por medios electrónicos. No se menciona IA, pero el padrón de beneficiarios es el insumo característico sobre el que, en otros contextos, se construyen sistemas de focalización, scoring o asignación automatizada de apoyos sociales. 1) Relevancia para IA: un padrón digital de beneficiarios con datos sensibles (discapacidad, niñez, condición socioeconómica) es la base de datos sobre la que podrían operar, en el futuro, modelos de focalización o cruces automatizados con otros registros; el convenio prevé el manejo por 'medios electrónicos o por cualquier otra tecnología'. 2) Riesgos: R2 (Discriminación): si la selección o continuidad de apoyos se automatizara a partir del padrón sin auditoría de equidad, podría perpetuar sesgos contra poblaciones ya marginadas; el convenio incluso prevé la suspensión 'en forma automática' del otorgamiento de apoyos ante desviaciones, lo que muestra apetito por automatizar consecuencias. R3 (Privacidad): el padrón contiene datos personales sensibles de personas con discapacidad y de menores, cuya publicación y tratamiento por medios electrónicos requiere salvaguardas reforzadas. 3) Gaps: el convenio no contempla evaluación de impacto, auditoría de equidad, ni límites a cruces o usos secundarios del padrón; tampoco aborda el tratamiento de datos sensibles de menores y personas con discapacidad más allá de remitir a las reglas de operación. 4) Contexto mexicano: los padrones de beneficiarios de programas sociales son recurrentes en el DOF y constituyen un punto de entrada típico para la automatización de decisiones sociales; conviene blindar desde ahora estos datos sensibles frente a perfilamiento y cruces no autorizados.

Los dos Convenios de subsidios para acciones de búsqueda de personas describen como atribución de la CNBP la 'búsqueda forense con fines de identificación de cuerpos y restos humanos' con un 'enfoque masivo o a gran escala', además de la 'identificación humana complementaria'. Aunque el texto no nombra 'inteligencia artificial', la identificación forense de personas a gran escala (con el universo de personas desaparecidas y no localizadas de México) se apoya de forma característica en tecnologías de cotejo automatizado de patrones: comparación de perfiles genéticos (matching de ADN contra bancos de datos), reconocimiento facial/reconstrucción, cotejo dactilar y odontológico, todos ellos sistemas algorítmicos de comparación de patrones biométricos. 1) Relevancia para IA: el cotejo 'a gran escala' de restos humanos contra bases de datos de personas desaparecidas y de familiares (perfiles genéticos, biométricos) es precisamente un dominio donde la analítica automatizada y los algoritmos de matching son la herramienta estándar; el subsidio financia 'proyectos' y equipamiento sin acotar las salvaguardas de los sistemas de identificación que se empleen. 2) Riesgos: R3 (Privacidad/datos sensibles): se procesan datos genéticos y biométricos —los más sensibles— de víctimas, restos y de familiares que aportan muestras de referencia, sin que el Convenio detalle límites de finalidad, conservación, controles de acceso ni interoperabilidad de los bancos forenses. R1 (Malfunctions/Errores): una identificación forense errónea (falso positivo/negativo en el cotejo de ADN o biométrico) tiene consecuencias gravísimas —entregar restos equivocados a una familia, cerrar una búsqueda indebidamente—; si el resultado algorítmico se trata como concluyente sin verificación pericial humana, se materializa el automation bias en un dominio crítico. R2 (Sesgo): bases de referencia incompletas o sesgadas (poblaciones rurales, indígenas, migrantes con menor registro genético/biométrico) pueden producir tasas de identificación desiguales. 3) Gaps: el Convenio no establece estándares de exactitud, validación pericial humana obligatoria del cotejo, auditoría de los sistemas de identificación, ni régimen específico de protección de los datos genéticos/biométricos forenses y de los familiares donantes de muestras. 4) Contexto mexicano: México enfrenta una crisis de más de cien mil personas desaparecidas y miles de cuerpos sin identificar; la presión por identificar 'a gran escala' incentiva la adopción de herramientas automatizadas de cotejo masivo justo cuando la autoridad de protección de datos atraviesa una reconfiguración, lo que eleva el riesgo de errores no apelables y de tratamiento indebido de datos genéticos sensibles.

El Decreto crea y consolida un sistema digital ('Sistema Institucional de Medicina Preventiva') que concentra expedientes clínicos digitales, exámenes psicofísicos integrales y toxicológicos, y un 'padrón del personal' (Artículo 5, fracción IV) de conductores del transporte terrestre federal. Sobre esa base se emiten dictámenes de 'aptitud' o 'no aptitud psicofísica' que determinan el acceso al empleo (licencia federal). Aunque el texto no menciona IA, describe la infraestructura de datos sensibles de salud y la toma de decisiones sobre personas que constituye el sustrato típico sobre el que se despliegan sistemas de scoring/clasificación automatizada. RIESGOS: R3 (Privacidad): procesamiento masivo y digitalización de datos personales sensibles de salud (incluida toxicología) de miles de conductores, con un 'catálogo de personal apto' consultable por el público (Artículo 28) que expone número de expediente clínico y resultado de aptitud. No se establecen límites de retención, ni control sobre el uso secundario o la interconexión del padrón con otros sistemas. R2 (Discriminación): los dictámenes de no aptitud afectan el derecho al trabajo; si en el futuro se automatiza la evaluación (umbrales clínicos, detección de alteraciones), podrían amplificarse sesgos contra personas con discapacidad, condiciones crónicas o variabilidad clínica, sin auditoría de equidad ni análisis de impacto. R1 (Errores): la constancia se vincula a la prevención de accidentes; errores de captura, suplantación o decisiones automatizadas sin supervisión humana calificada podrían provocar negaciones injustas o falsos 'aptos'. GAPS: no hay previsión sobre supervisión humana en decisiones de aptitud, ni sobre auditabilidad/algoritmos, ni derecho de impugnación reforzado frente a decisiones basadas en datos, ni evaluación de impacto en privacidad para el sistema institucional. CONTEXTO MEXICANO: capacidad limitada de la Dirección y de terceros autorizados para garantizar seguridad de datos; el INAI/órganos de transparencia enfrentan recursos acotados para supervisar un padrón nacional de datos de salud.

Múltiples convocatorias del Servicio Profesional de Carrera publicadas en esta edición establecen una etapa de 'Revisión curricular en forma automatizada' a través de la plataforma TrabajaEn, en la que el sistema asigna automáticamente un folio de participación o de RECHAZO que descarta a la persona del concurso. Aunque el texto no menciona 'inteligencia artificial', describe una TOMA DE DECISIONES AUTOMATIZADA sobre el acceso de personas a oportunidades de empleo público, que es precisamente el supuesto central de R2. RIESGOS: R2 (Discrimination & Bias): El descarte automático se realiza por coincidencia/cotejo de los datos curriculares capturados contra el catálogo de requisitos del puesto. Si el catálogo, los criterios de carrera genérica o el parseo de la experiencia están mal configurados, el sistema puede excluir sistemáticamente a personas calificadas (por ejemplo, perfiles atípicos, equivalencias profesionales no contempladas, o errores de captura), reproduciendo sesgos sin análisis de impacto diferencial. No se documenta auditoría de equidad ni mecanismo efectivo de impugnación del rechazo automático (solo una ventana limitada de 'reactivación de folios'). R1 (Malfunctions & Errors): El descarte es tratado como infalible ('automation bias'); un error del sistema (falso negativo) elimina al candidato del proceso sin revisión humana previa en esa etapa. Nivel de evidencia: implícito fuerte de automatización por reglas; no hay evidencia de uso de ML/IA avanzada, por lo que la severidad se mantiene Media. Es un mecanismo presente y operando a escala nacional en la APF. CONTEXTO MEXICANO: La plataforma TrabajaEn es administrada por la Unidad de Políticas para el Servicio Público de la Secretaría Anticorrupción y Buen Gobierno y se aplica de forma homogénea en toda la APF, por lo que cualquier sesgo o error de configuración se amplifica a nivel federal. La capacidad institucional para auditar el algoritmo de cotejo y atender impugnaciones individuales es limitada.

Además de la revisión curricular automatizada (H1), todas las convocatorias del Servicio Profesional de Carrera publicadas en esta edición incorporan una etapa de 'Evaluación de Habilidades' que se desahoga mediante 'una batería de pruebas psicométricas' y 'herramientas psicométricas de medición' aplicadas en línea/por sistema, cuyos resultados son calificados en una escala de 0 a 100 y replicados automáticamente por la plataforma ('el sistema informático TrabajaEn replicará en forma automática la calificación obtenida por el/la candidato (a)'). Se trata de un SCORING/PERFILAMIENTO automatizado de competencias (Liderazgo, Orientación a Resultados, Visión Estratégica, Trabajo en Equipo, Negociación) de las personas aspirantes al empleo público. RIESGO: R2 (Discrimination & Bias): La taxonomía clasifica expresamente el 'scoring' y el 'perfilamiento' de personas en procesos de selección de personal del sector público bajo R2. Aunque el documento aclara que el resultado de habilidades 'no es motivo de descarte' (a diferencia de la revisión curricular), las calificaciones psicométricas SÍ alimentan el sistema de puntuación general y el orden de prelación que determina quién accede a la entrevista y, en última instancia, al puesto. Si los instrumentos psicométricos no han sido auditados por sesgo (de género, edad, origen, neurodivergencia o estilo cultural de respuesta), pueden penalizar sistemáticamente a perfiles atípicos sin análisis de impacto diferencial ni mecanismo de impugnación de fondo (las convocatorias limitan la revisión a la 'correcta aplicación de las herramientas', no al contenido ni a los criterios de evaluación). Nivel de evidencia: implícito de tecnología; baterías psicométricas estandarizadas calificadas y replicadas por sistema. No se confirma uso de ML/IA avanzada, por lo que la severidad se mantiene Media. Es un mecanismo presente y operando a escala nacional en la APF. CONTEXTO MEXICANO: Las pruebas psicométricas y la Metodología y Escalas de Calificación las provee la Secretaría Anticorrupción y Buen Gobierno y se aplican de forma homogénea en toda la APF; un sesgo en el instrumento o en su baremo se amplifica a nivel federal y afecta el acceso al empleo público, sin que se documente auditoría de equidad ni validación independiente de los instrumentos.

El Convenio del SNDIF financia el reequipamiento de los módulos del 'Programa de Credencial Nacional para Personas con Discapacidad', es decir, la captación y mantenimiento de un padrón nacional de personas con discapacidad (la comprobación del gasto incluye 'El Padrón de las personas atendidas'). Aunque no se menciona IA, la creación de registros nacionales de poblaciones vulnerables es la materia prima de futuros sistemas de perfilamiento y decisión automatizada sobre acceso a beneficios. RIESGOS: R3 (Privacy): Concentra datos personales sensibles (condición de discapacidad, identidad) de una población vulnerable en un padrón federal, sin que el instrumento detalle limitaciones de uso secundario, interoperabilidad con otras bases o medidas técnicas reforzadas. R2 (Discrimination/Bias): Un padrón nacional puede convertirse en base para asignación automatizada o scoring de beneficios sociales; si en el futuro se le aplica analítica automatizada sin auditoría de equidad, podría amplificar exclusiones contra grupos ya marginados. GAPS: El Convenio trata el padrón como un entregable de comprobación, sin reglas sobre su gobernanza de datos, interoperabilidad ni eventual automatización de decisiones. CONTEXTO MEXICANO: La gestión de padrones de programas sociales en México tiene antecedentes de uso clientelar y de filtraciones; reforzar la protección de datos del padrón de discapacidad es prioritario.

El Convenio establece la interconexión sistemática y automatizada de un padrón educativo estatal (aspirantes, estudiantes, docentes y personal) con la Base de Datos Nacional de la CURP (BDNCURP) mediante 'Servicios Web' de consulta y validación 'en línea, en tiempo real' y un proceso de 'Confrontas' (cruce masivo de padrones contra el registro nacional). Aunque no menciona IA, esta confronta/matching de identidad a gran escala es la infraestructura típica sobre la que operan sistemas de identidad digital y verificación biométrica/algorítmica. RIESGOS: R3 (Privacidad): se procesa e intercambia información personal de toda la comunidad educativa contra una base nacional, con remisión semestral de 'el universo de los registros', sin consentimiento individual de los titulares y con retención y trazabilidad poco acotadas. Es vigilancia administrativa masiva por diseño. R2 (Discriminación): la dependencia de una 'confronta' exitosa de CURP para acreditar identidad puede excluir o retrasar trámites educativos de personas con registros inconsistentes (población indígena, migrante, con actas mal capturadas), reproduciendo brechas; el documento condiciona servicios a que la CURP esté 'certificada por el Registro Civil'. R9 (Vigilancia): la integración cruzada de bases de datos gubernamentales (educación + identidad nacional) crea capacidad de seguimiento poblacional; el propio convenio crea facultades de 'monitoreo' del consumo de los Servicios CURP. GAPS: no hay evaluación de impacto algorítmico/de privacidad, ni reglas sobre uso de biometría, ni mecanismo de impugnación para personas mal confrontadas, ni límites a inferencias o usos secundarios más allá de las cláusulas de confidencialidad genéricas (LGPDPPSO).

La Resolución habilita y consolida la 'calificación de cartera' y el 'estudio de crédito paramétrico' para créditos al consumo y comerciales, así como verificaciones 'no presenciales' por Medios Electrónicos y el uso de registros de abonos/cargos administrados por la propia institución 'a través de sistemas automatizados'. El crédito paramétrico/scoring es precisamente una decisión automatizada sobre personas basada en modelos estadísticos (y crecientemente ML), aunque la norma no mencione IA. RIESGOS: R2 (Discriminación): el scoring crediticio puede perpetuar sesgos contra poblaciones de la economía informal (~60% en México), historiales atípicos o sin historial, restringiendo el acceso al crédito sin transparencia ni derecho a explicación. La sustitución de comprobantes por 'registros de abonos y cargos' de los últimos tres meses traslada la decisión a patrones de comportamiento que pueden discriminar a quien recibe ingresos irregulares. R3 (Privacidad): se amplía el uso de historiales transaccionales internos y consultas a sociedades de información crediticia para perfilar capacidad de pago. GAPS: la norma no exige transparencia del modelo paramétrico, ni auditoría de sesgo, ni derecho del solicitante a revisión humana o a impugnar una negativa automatizada; la 'flexibilización' digital reduce fricciones sin contrapesos sobre decisiones algorítmicas adversas.