Diario Oficial de la Federación, No. de publicación 090/2026, martes 14 de abril de 2026, Edición Matutina (incluye Programa Nacional de Educación Superior 2026-2030, Programa Nacional de Vivienda 2026-2030, actualización del Compendio Nacional de Insumos para la Salud 2025, Sentencia de la Acción de Inconstitucionalidad 29/2025 y Reforma al Estatuto Orgánico de la Fiscalía General de la República)

El PRONES 2026-2030 menciona explícitamente la 'Inteligencia Artificial (IA)' (definida en su lista de siglas) y la incorpora como política pública en varias líneas de acción: 3.1.5 (herramientas de IA para acompañamiento académico y reforzamiento de contenidos), 3.3.4 (formación docente en TICCAD e IA), 3.4.5 (programa de IA para nuevos entornos de aprendizaje), 4.2.8 (políticas para la adopción de la IA en procesos académicos y de investigación mediante 'marcos de referencia éticos y de perspectiva crítica') y 4.3.7 (investigación interdisciplinaria sobre la IA). RIESGOS: R1 (Malfunctions): El despliegue de herramientas de IA para 'acompañamiento académico' y 'reforzamiento de contenidos disciplinares' implica el uso de sistemas (probablemente LLMs/tutores automatizados) que pueden producir información falsa pero convincente ('alucinaciones') frente a estudiantes, sin que el texto exija supervisión humana ni verificación de exactitud. El objetivo explícito de 'optimizar el tiempo del personal docente' incentiva delegar tareas pedagógicas a la IA. R2 (Discrimination): Herramientas de IA aplicadas a millones de estudiantes (5.5 millones de matrícula) en un país con profundas brechas digitales y territoriales pueden amplificar desigualdades: el acceso a infraestructura tecnológica es heterogéneo entre IES públicas y entre regiones (Guerrero, Oaxaca, Chiapas tienen baja cobertura). Modelos entrenados en otros contextos pueden penalizar a hablantes de lenguas indígenas y a estudiantes de contextos vulnerables. GAPS: El único resguardo mencionado son 'marcos de referencia éticos y de perspectiva crítica' (4.2.8), sin estándares de transparencia, auditoría de equidad, supervisión humana obligatoria, ni evaluación de impacto. No hay criterios de precisión mínima ni mecanismos de impugnación para el estudiantado. CONTEXTO MEXICANO: Dependencia de proveedores tecnológicos extranjeros; brecha digital marcada; capacidad limitada de las IES para auditar sistemas de IA de terceros.

La SCJN invalidó los artículos de la Ley Orgánica de la Fiscalía Especializada en Combate a la Corrupción de Quintana Roo que facultaban a solicitar la 'localización geográfica en tiempo real' (geolocalización) de personas mediante sus dispositivos móviles, por no acotar los supuestos excepcionales ni las condiciones de urgencia. La propia Corte reconoce que la geolocalización es 'una herramienta que facilita y dota de eficacia a la función constitucional de prevención, investigación y persecución del delito' y que se realiza 'mediante tecnologías disponibles en materia de telecomunicaciones'. RIESGOS: R3 (Privacy): La geolocalización en tiempo real es una forma de vigilancia tecnológica que rastrea la ubicación de personas sin orden judicial cuando se ejerce de forma discrecional; la Corte la sometió a un test de proporcionalidad frente al derecho a la privacidad e intimidad (arts. 16 CPEUM, 12 DUDH, 11.2 CADH, 17 PIDCP). R9 (Surveillance): El vicio detectado —'una habilitación desmedida, pues queda a discreción de dicha autoridad el empleo de la figura sin una regulación específica'— es exactamente el patrón de vigilancia estatal sin controles democráticos. La medida permite localizar también equipos de coparticipes, ampliando el alcance a terceros. RELEVANCIA PARA IA: Aunque la geolocalización 'simple' no es IA, su integración con plataformas de análisis masivo, interconexión de bases de datos y herramientas analíticas (como las que la propia FGR institucionaliza en este mismo DOF) la convierte en un insumo de sistemas de vigilancia/perfilamiento. La sentencia fija un precedente garantista clave: la vigilancia tecnológica requiere supuestos taxativos, urgencia acreditada y, por regla general, control judicial previo. CONTEXTO MEXICANO: Historial de uso de tecnologías de vigilancia contra periodistas y opositores; capacidad de control judicial heterogénea; la sentencia refuerza el estándar de los precedentes 32/2012 y 10/2014.

La actualización del Compendio Nacional de Insumos para la Salud incluye, en las especificaciones técnicas de los sistemas de planeación de tratamientos de radioterapia y radiocirugía, un 'Sistema de autocontorneo con Inteligencia Artificial (IA)'. El mismo documento describe funciones de IA clínica adyacentes: 'Segmentación automática de las estructuras anatómicas cerebrales', software con 'capacidad de diferenciar células cancerígenas de células necrosadas por radiación', generación 'automática' de propuestas de CTV y órganos críticos, y algoritmos de cálculo de dosis (Pencil Beam, Monte Carlo). RIESGOS: R1 (Malfunctions): El autocontorneo por IA delimita automáticamente tumores y órganos en riesgo que determinan dónde se deposita la dosis de radiación. Un error de segmentación (sub o sobre-contorneo) puede irradiar tejido sano o no cubrir el tumor, con daño directo e inmediato al paciente. Es un dominio crítico (salud, decisiones de tratamiento) donde el sesgo de automatización ('automation bias') es especialmente peligroso si el personal acepta el contorno generado sin verificación rigurosa. GAPS: El Compendio especifica la capacidad tecnológica como requisito de adquisición, pero no establece —en el texto publicado— protocolos obligatorios de validación humana del contorno por IA, control de calidad del modelo, ni trazabilidad/registro de las correcciones manuales. No hay criterios de desempeño mínimo ni vigilancia post-mercado específica para el componente de IA. CONTEXTO MEXICANO: COFEPRIS y el sector salud público adquieren equipo de proveedores extranjeros; la supervisión del desempeño del software de IA en condiciones reales (poblaciones distintas a las de entrenamiento) puede ser limitada.

La reforma al Estatuto Orgánico de la FGR institucionaliza explícitamente el uso de inteligencia artificial en la 'Función Sustantiva' (investigación y persecución penal). El art. 19 fr. XVII manda proponer políticas para el 'uso de herramientas de inteligencia artificial'; el art. 21 Sexies fr. XXX ordena 'Implementar las políticas de las herramientas de inteligencia artificial para el análisis del ejercicio de la Función Sustantiva y la generación de productos estratégicos'; y el art. 21 Bis fr. X habilita 'herramientas tecnológicas avanzadas para el análisis de evidencia masiva'. Se complementa con la 'gobernanza de datos', el sistema Justici@Net, el Sistema Institucional de Evaluación de Resultados, la entrega de datos al Centro Federal de Inteligencia Criminal y unidades de 'análisis de contexto', 'análisis criminal' y 'delitos cibernéticos' que 'identifican patrones de conducta, dinámicas delictivas, estructuras criminales, factores territoriales'. De forma crítica, el art. 245 del mismo Estatuto ordena que el 'sistema informático nacional interoperable previsto en el artículo 38 de la Ley deberá integrar los registros y bases de datos' de unas dos docenas de leyes (telecomunicaciones, tecnología financiera, migración, registro vehicular, registro de detenciones, sistema de inteligencia en seguridad pública, etc.): es el sustrato concreto de interconexión masiva de datos personales que la IA y el 'análisis de evidencia masiva' explotarían, sin que se aprecien límites de minimización, finalidad acotada ni control judicial sistemático. RIESGOS: R1 (Malfunctions): IA aplicada al análisis de evidencia masiva y a la 'generación de productos estratégicos' en investigaciones penales puede producir inferencias erróneas que orienten líneas de investigación contra personas inocentes, sin que el texto exija verificación humana ni estándares de fiabilidad. R2 (Discrimination): El análisis de patrones, perfilamiento de fenómenos delictivos y la integración masiva de bases de datos pueden reproducir y amplificar sesgos históricos del sistema penal contra poblaciones marginadas; no se prevé auditoría de equidad ni evaluación de impacto diferencial. R3 (Privacy): La interoperabilidad mandatada por el art. 245 (interconexión de registros de telecomunicaciones, financieros, migratorios, de detenciones, vehiculares y de inteligencia) implica tratamiento masivo de datos personales sensibles que, alimentado a herramientas de IA y analítica, habilita perfilamiento e inferencias sobre millones de personas sin consentimiento, sin límites de retención ni de uso secundario explícitos. R9 (Surveillance): La concentración de capacidades de IA, gobernanza de datos e integración con el Centro Federal de Inteligencia Criminal y el Sistema Nacional de Seguridad Pública configura una infraestructura de vigilancia e inteligencia con escaso contrapeso. En el mismo DOF, la SCJN (Acción 29/2025) advierte sobre la discrecionalidad en medidas tecnológicas de investigación. GAPS: El Estatuto fija las atribuciones pero no establece límites sustantivos: ni transparencia algorítmica, ni supervisión humana obligatoria sobre productos de IA, ni auditoría de sesgo, ni evaluación de impacto en derechos humanos, ni control externo independiente. CONTEXTO MEXICANO: Capacidad limitada de fiscalización ciudadana; riesgo de uso político; dependencia de proveedores externos de IA; antecedentes de tecnologías de vigilancia.

El PNV 2026-2030 ordena 'Establecer un sistema de información nacional unificado en materia de vivienda y territorio para identificar zonas prioritarias y riesgos asociados' (Estrategia 1.3), con 'modelos de administración de información ciudadana digital compartida' (1.3.5), 'información georreferenciada' (1.3.7) y la consolidación del SNIIV y el SITU. El diagnóstico describe además que el FOVISSSTE 'usa un modelo que toma en cuenta la situación financiera de cada persona' para calcular capacidad de pago, y que el programa opera padrones de beneficiarios y criterios de elegibilidad diferenciados para grupos vulnerables. RIESGOS (gap implícito): R2 (Discrimination): La asignación de subsidios, créditos y vivienda mediante criterios de elegibilidad, scoring financiero y focalización en padrones es terreno fértil para sistemas de decisión automatizada que, de incorporar IA/analítica, podrían discriminar a la población informal (54.8% de informalidad laboral) y a grupos históricamente excluidos, sin auditoría de equidad. R3 (Privacy): Un sistema nacional unificado que comparte 'información ciudadana digital' y datos georreferenciados de millones de hogares implica tratamiento masivo de datos personales (ingresos, ubicación, condición de vulnerabilidad, autoadscripción indígena, discapacidad, orientación sexual) sin que el texto detalle salvaguardas de privacidad, minimización ni límites de uso secundario. GAPS: El programa no menciona IA ni protección de datos como eje, pese a construir la infraestructura de datos que la habilitaría. No hay evaluación de impacto en privacidad ni mecanismos de impugnación frente a decisiones de asignación. CONTEXTO MEXICANO: Alta informalidad que genera patrones atípicos; capacidad institucional limitada para proteger datos; riesgo de exclusión algorítmica de quienes más necesitan vivienda.

El PRONES propone 'sistemas de alerta temprana' y 'protocolos para identificar y apoyar oportunamente a estudiantes en riesgo de abandono escolar' (línea 1.2.3), junto con una 'plataforma nacional de educación en línea' autogestiva (5.1.1) y plataformas educativas digitales. Estos sistemas de alerta temprana, en la práctica internacional, suelen implementarse con analítica de datos educativos y, crecientemente, modelos predictivos (learning analytics) que estiman la probabilidad de abandono por estudiante. RIESGOS (gap implícito): R2 (Discrimination/profiling): Un sistema de alerta temprana que perfila a estudiantes 'en riesgo' a partir de datos históricos puede etiquetar y estigmatizar desproporcionadamente a estudiantes de contextos vulnerables, hablantes de lenguas indígenas o de regiones rezagadas, condicionando la asignación de apoyos. Sin auditoría de sesgo, el modelo puede reproducir las desigualdades que pretende combatir. GAPS: El texto no menciona IA ni analítica predictiva explícitamente para estos sistemas, ni prevé transparencia, consentimiento informado del estudiantado, ni mecanismos de revisión. Es un gap regulatorio: el dominio (perfilamiento de personas para asignar recursos) es de alto riesgo si se automatiza. CONTEXTO MEXICANO: Tasa de abandono del 30% en primer año; presión por elevar eficiencia terminal puede incentivar el uso de perfilamiento automatizado sin salvaguardas.