Marcas

Inteligencia artificial y riesgo de confusión marcaria: hacia una nueva era en el examen de marcas

Un nuevo informe de INTA y FTI Consulting explora hasta dónde puede llegar la máquina y dónde debe seguir mandando el criterio humano.

La International Trademark Association (INTA) presentó un estudio de referencia titulado Exploring the Use of Artificial Intelligence in the Likelihood of Confusion Analysis, elaborado en colaboración con la consultora FTI Consulting.

El documento, publicado originalmente en abril de 2026 y difundido públicamente el 29 de junio de ese año durante un evento virtual con cerca de 500 participantes de más de 60 jurisdicciones, representa uno de los análisis más completos hasta la fecha sobre cómo la inteligencia artificial (IA) podría transformar uno de los pilares del derecho marcario: el análisis de riesgo de confusión.

Según explicó Etienne Sanz de Acedo, CEO de INTA, la irrupción de la IA está redefiniendo la manera en que las marcas se crean, se buscan, se examinan y se protegen, por lo que la asociación consideró necesario ofrecer a la comunidad de propiedad intelectual una guía práctica que combine rigor jurídico con comprensión técnica.

Heather Steinmeyer, directora de Política de INTA y parte del equipo que redactó el informe, subrayó que la IA tiene el potencial de convertirse en una herramienta relevante de apoyo a la decisión en el examen marcario, pero que su uso responsable dependerá de la transparencia, la rendición de cuentas, la calidad de los datos y la permanencia del criterio humano.

Este artículo reúne y desarrolla, en español, los principales contenidos de dicho informe: desde los fundamentos jurídicos del riesgo de confusión hasta las tecnologías de IA que podrían aplicarse en su evaluación, pasando por los riesgos, las limitaciones y las recomendaciones operativas para una adopción responsable.

1. ¿Por qué el riesgo de confusión y por qué ahora?

El riesgo de confusión es la doctrina central del derecho de marcas: determina si dos signos distintivos son lo suficientemente parecidos como para que un consumidor promedio pueda confundir su origen empresarial. INTA eligió este tema como caso de estudio precisamente porque combina elementos objetivos (comparación de palabras, sonidos, clases de productos) con elementos profundamente subjetivos (la percepción de ese "consumidor promedio"), lo que lo convierte en un ejemplo representativo de los desafíos que enfrenta la IA al abordar el razonamiento jurídico.

El contexto que motiva este análisis es la creciente presión sobre las oficinas de propiedad intelectual. De acuerdo con datos de la Organización Mundial de la Propiedad Intelectual (OMPI), en 2023 se presentaron a nivel mundial cerca de 11,6 millones de solicitudes de marca, con un total de 15,2 millones de clases solicitadas. Las cinco oficinas más grandes —encabezadas por la Administración Nacional de Propiedad Intelectual de China (CNIPA)— tramitaron casi dos tercios de ese volumen.

Esta demanda genera tiempos de espera considerables. La Oficina de Patentes y Marcas de Estados Unidos (USPTO) reportó una pendencia promedio de 5,9 meses para la primera acción y 12 meses para la acción final durante el tercer trimestre fiscal de 2025, cifras que, si bien mejoran respecto a los más de ocho meses registrados en 2023, siguen representando un desafío estructural. La Oficina de Propiedad Intelectual de la Unión Europea (EUIPO), por su parte, mantiene un plazo promedio de registro cercano a los cuatro meses. A esta presión temporal se suma la exigencia de mantener estándares de calidad superiores al 95% en las decisiones, según la propia USPTO.

Frente a este panorama, tanto la USPTO —con su Estrategia de IA presentada en enero de 2025— como la EUIPO —a través de su Plan Estratégico 2030, que incluye una estructura de gobernanza de IA con un coordinador dedicado— han comenzado a incorporar la inteligencia artificial en sus planes institucionales. El informe de INTA busca acompañar y orientar ese proceso, dejando claro que, hasta la fecha de su publicación, no se tenía conocimiento de ninguna oficina de propiedad intelectual que contara con un sistema de IA plenamente integrado para el análisis sustantivo de riesgo de confusión.

2. El marco jurídico: la doctrina del riesgo de confusión

2.1 Función y fundamento

El riesgo de confusión protege simultáneamente dos intereses: el de las empresas que invierten en construir una reputación distintiva y el de los consumidores que necesitan identificar con certeza el origen de los productos que adquieren. Esta doctrina se evalúa desde la perspectiva del "consumidor promedio" —también llamado "comprador sofisticado" en ciertos contextos—, un estándar legal que varía según el tipo de producto o servicio y el grado de atención que razonablemente se espera del público relevante.

En Estados Unidos, esta protección se articula principalmente a través de la Lanham Act, que prohíbe la infracción, la publicidad engañosa y las prácticas de marca que puedan inducir a confusión. En la Unión Europea, el artículo 8(1)(b) del Reglamento de Marca de la Unión Europea permite que una marca anterior se oponga a una posterior cuando exista riesgo de confusión en el público. La EUIPO define al consumidor promedio como una persona razonablemente informada y observadora, aunque sujeta a un recuerdo imperfecto: ni excesivamente sofisticada ni completamente desatenta.

2.2 Tipos y espectro de protección de las marcas

El informe distingue entre marcas tradicionales (denominativas, figurativas, mixtas, tridimensionales) y marcas no tradicionales, categoría que incluye sonidos, colores, olores, marcas de movimiento y hologramas. La protección que recibe cada marca depende de su ubicación en el llamado "espectro de distintividad", que va desde términos genéricos (no protegibles, como "manzana" para frutas) hasta términos de fantasía o acuñados (con la protección más amplia posible), pasando por las categorías descriptiva, sugestiva y arbitraria.

Cuanto más distintiva es una marca, mayor es el ámbito de protección que recibe: bastan similitudes relativamente menores para generar riesgo de confusión. En cambio, las marcas débiles o descriptivas solo bloquean el registro de variantes prácticamente idénticas.

2.3 El ciclo de vida de la marca

El riesgo de confusión no se evalúa una sola vez, sino que aparece de forma recurrente a lo largo de toda la vida de una marca:

1. Selección y adopción: cuando la empresa diseña el signo y evalúa su viabilidad.
2. Búsquedas de disponibilidad (clearance searches): investigaciones que combinan bases de datos, registros de dominio y el entorno digital para detectar posibles conflictos antes de presentar la solicitud.
3. Examen ante la oficina de marcas: las oficinas pueden aplicar motivos absolutos (relacionados con la propia marca, como su carácter genérico) y motivos relativos (comparación con derechos anteriores, es decir, el análisis de riesgo de confusión propiamente dicho). No todas las oficinas realizan examen de motivos relativos; algunas, como la de Estados Unidos, sí lo hacen.
4. Oposiciones y recursos: terceros con derechos anteriores pueden impugnar una solicitud publicada.
5. Ejecución y litigios posteriores al registro: incluye acciones de infracción, cancelación o nulidad.

Además, el informe recuerda que los sistemas de clasificación internacional —la Clasificación de Niza (para productos y servicios, con 45 clases) y la Clasificación de Viena (para elementos figurativos, con 29 categorías)— son herramientas esenciales para organizar y comparar solicitudes, y resultan especialmente relevantes para cualquier sistema de IA que pretenda apoyar el examen marcario.

2.4 Los factores DuPont

Para estructurar el análisis, INTA utiliza como referencia los llamados "factores DuPont", derivados del caso estadounidense In re E.I. du Pont de Nemours & Co. (1973). Se trata de trece factores no exhaustivos que, según el propio informe, no constituyen una lista mecánica sino un ejercicio cualitativo de ponderación caso por caso. Los factores son:

1. Similitud de las marcas (apariencia, sonido, connotación y significado).
2. Relación entre los productos o servicios identificados.
3. Similitud de los canales de comercialización establecidos y previsibles.
4. Condiciones de compra y grado de sofisticación del comprador.
5. Fama o notoriedad de la marca anterior.
6. Número y naturaleza de marcas similares ya en uso.
7. Naturaleza y alcance de cualquier confusión real detectada.
8. Coexistencia sin confusión durante un período significativo.
9. Variedad de productos que llevan la marca (marcas paraguas o familias de marcas).
10. Relaciones comerciales o acuerdos entre las partes.
11. Alcance del derecho del solicitante a excluir a terceros.
12. Extensión del potencial de confusión.
13. Cualquier otro hecho probatorio relevante.

INTA aclara que eligió el marco DuPont únicamente como referencia metodológica, dado que la mayoría de los sistemas de análisis de riesgo de confusión en distintas jurisdicciones comparten, en esencia, cuatro elementos comunes: similitud de las marcas, relación entre productos o servicios, fuerza de la marca anterior y similitud de los canales comerciales o el nivel de sofisticación del consumidor.

3. Fundamentos técnicos de la inteligencia artificial

Antes de explorar las aplicaciones concretas, el informe dedica un capítulo completo a explicar, en términos accesibles para juristas, los conceptos técnicos que sustentan los sistemas de IA modernos.

3.1 La jerarquía de conceptos

La IA se define como la capacidad de sistemas informáticos para realizar tareas que tradicionalmente requerirían inteligencia humana: aprender de la experiencia, reconocer patrones, comprender lenguaje, resolver problemas y tomar decisiones bajo incertidumbre. Dentro de este concepto amplio se anidan disciplinas más específicas:

• Machine Learning (ML) o aprendizaje automático: sistemas que aprenden patrones a partir de datos en lugar de seguir reglas programadas explícitamente. Fue definido ya en 1959 por Arthur Samuel como la capacidad de las computadoras de aprender sin ser programadas explícitamente para ello.
• Deep Learning (DL) o aprendizaje profundo: un subconjunto del ML basado en redes neuronales artificiales de múltiples capas, especialmente eficaz para procesar datos no estructurados como imágenes, audio y texto.
• Procesamiento de Lenguaje Natural (NLP): disciplina centrada en que las máquinas comprendan, interpreten y generen lenguaje humano, e incluye desde el análisis de sentimiento hasta los modelos de lenguaje de gran escala (LLM) como los basados en arquitecturas transformer (BERT, GPT).

3.2 Los tres paradigmas de aprendizaje

El informe distingue tres formas en que un sistema de IA puede aprender:

• Aprendizaje supervisado: el sistema recibe ejemplos etiquetados (por ejemplo, pares de marcas clasificadas como "confusamente similares" o "no similares") y aprende a predecir la etiqueta correcta para casos nuevos.
• Aprendizaje no supervisado: el sistema explora datos sin etiquetas previas para descubrir agrupaciones, patrones o anomalías por sí mismo.
• Aprendizaje por refuerzo: un agente aprende mediante prueba y error, recibiendo recompensas o penalizaciones según el resultado de sus acciones dentro de un entorno determinado.

3.3 Métodos técnicos relevantes para el examen marcario

El informe repasa varias tecnologías con aplicación directa al análisis de marcas:

• NLP y LLM: permiten pasar de la simple búsqueda por palabras clave a una comprensión semántica y contextual, capaz de detectar cuándo dos términos —incluso en idiomas distintos— evocan conceptos similares.
• Análisis predictivo: utiliza datos históricos para anticipar resultados, como la probabilidad de que una solicitud sea aprobada u objeto de oposición.
• Reconocimiento de imágenes: basado principalmente en redes neuronales convolucionales (CNN), permite descomponer una imagen en una cuadrícula de valores numéricos, aplicar filtros que detectan bordes y texturas, y combinar esas características en capas progresivamente más complejas hasta reconocer objetos completos, como un logotipo o un emblema.
• Análisis de audio y video: convierte el sonido en formas de onda digitales y, posteriormente, en espectrogramas de frecuencia, de los que se extraen características como los coeficientes cepstrales en la escala de Mel (MFCC), útiles para comparar jingles o marcas sonoras.
• IA híbrida y grafos de conocimiento: combinan el reconocimiento estadístico de patrones con relaciones estructuradas y explícitas (por ejemplo, vínculos entre marcas, clases de Niza, sectores industriales y precedentes judiciales), aportando un contexto que los modelos puramente neuronales podrían pasar por alto.
• IA multimodal: integra distintos tipos de datos —texto, imagen y audio— en un mismo espacio semántico mediante aprendizaje contrastivo, de forma que conceptos relacionados (por ejemplo, la palabra "cocina" y el sonido de una sartén) queden representados de forma cercana, mientras que los no relacionados se distancian.

4. Aplicaciones concretas de la IA en el análisis de riesgo de confusión

Este es el núcleo del informe: un recorrido factor por factor sobre cómo la IA podría apoyar —nunca sustituir— el criterio del examinador.

4.1 Similitud de las marcas (Factor 1)

Este es, según el informe, el factor donde la IA muestra mayor potencial, dado que involucra dimensiones claramente asociadas a sus capacidades técnicas:

• Similitud visual: sistemas de visión por computadora entrenados con imágenes históricas de las oficinas de marcas pueden detectar semejanzas de forma, composición y estilo entre logotipos, incluso a nivel de elementos individuales (por ejemplo, si ambas marcas incluyen un emblema circular con un ave estilizada). Esto podría eventualmente reducir la dependencia de los códigos numéricos de clasificación figurativa.
• Similitud fonética: los modelos de IA pueden normalizar pronunciaciones entre distintos acentos, idiomas y alfabetos, generar transcripciones fonéticas y detectar homófonos o estructuras que riman, ayudando a identificar cuándo dos marcas podrían confundirse auditivamente aunque se escriban de forma distinta.
• Similitud auditiva de marcas no tradicionales: en el caso de las marcas sonoras, la IA puede comparar algorítmicamente un jingle contra miles de marcas sonoras existentes, aunque la determinación final sobre si existe confusión real para el consumidor sigue dependiendo del criterio humano.
• Similitud conceptual: los LLM son particularmente hábiles para detectar proximidad semántica, reconociendo, por ejemplo, que términos como "RANGER" y "SCOUT" evocan una idea similar de destreza en entornos silvestres, o que "EVEREST" y "SUMMIT" remiten a la noción de altura o logro.
• Impresión comercial general: mediante sistemas multimodales, la IA podría integrar las dimensiones visual, fonética y conceptual en una evaluación unificada, ponderando cada componente según el sector (por ejemplo, dando más peso a lo visual en moda o alimentación, y más peso a lo verbal en el sector farmacéutico).

En todos los casos, el informe insiste en que la IA no sustituye la interpretación jurídica: no puede determinar por sí sola el peso legal de una estilización, una connotación o el grado de dominancia de un elemento dentro de una marca compuesta. Esa valoración sigue siendo responsabilidad exclusiva del examinador.

4.2 Relación entre productos y servicios (Factor 2)

Los modelos de aprendizaje automático podrían identificar relaciones comerciales entre categorías de productos que van más allá de la clasificación formal de Niza. Por ejemplo, podrían reconocer que los productos para el cuidado de la piel (clase 3) y las cremas dermatológicas medicadas (clase 5) ocupan espacios comerciales superpuestos. Esto se lograría combinando NLP para interpretar descripciones de productos, taxonomías basadas en ontologías y minería de datos comerciales (catálogos, plataformas de comercio electrónico) para detectar patrones de coexistencia en el mercado real.

4.3 Canales de comercialización (Factor 3)

El NLP puede analizar el lenguaje de las descripciones de productos y servicios para detectar limitaciones explícitas relacionadas con el canal de venta (por ejemplo, "uso profesional" o "venta minorista"). Sin embargo, cuando no existen tales limitaciones, la IA depende enteramente de la disponibilidad de datos de mercado estructurados; sin esa información, el análisis de canales sigue siendo una tarea eminentemente humana.

4.4 Condiciones de compra y sofisticación del comprador (Factor 4)

La IA puede identificar indicios lingüísticos sobre el tipo de comprador (por ejemplo, frases como "distribuidores autorizados" o "alto rendimiento"), pero cuando no existen esas señales, el sistema tendería a asumir, por defecto, el estándar del consumidor menos sofisticado, en línea con la práctica habitual de los examinadores.

4.5 Fama de la marca anterior (Factor 5)

Aquí el informe es particularmente cauteloso: la fama exigida por la ley es un estándar probatorio elevado, y ni las menciones en internet ni las valoraciones comerciales de marca constituyen evidencia oficial en un examen ex parte. La IA podría actuar como herramienta de triaje —ayudando a priorizar qué marcas podrían merecer un análisis más profundo de notoriedad—, pero la determinación final continúa dependiendo de pruebas presentadas por las partes interesadas.

4.6 Número y naturaleza de marcas similares en uso (Factor 6)

La IA puede rastrear bases de registro, sitios web comerciales y plataformas publicitarias para localizar ejemplos de coexistencia de marcas similares, ayudando a determinar si el mercado está "saturado" al punto de que los consumidores están acostumbrados a distinguir entre signos con diferencias menores. No obstante, corresponde al examinador evaluar la relevancia real de esas coincidencias (por ejemplo, si se trata de solicitudes de intención de uso sin fuerza probatoria real).

4.7 Evidencia de confusión real (Factor 7)

Dado que la evidencia de confusión real suele ser escasa en las primeras etapas del registro, la IA puede ayudar a evaluar la plausibilidad de declaraciones sobre coexistencia sin confusión, por ejemplo, verificando la duración del uso de una marca a través de registros de tramitación. Aun así, el estándar legal sigue siendo preventivo: se puede negar un registro por riesgo de confusión incluso en ausencia total de evidencia de confusión real.

4.8 Otros factores

Para los factores restantes —variedad de productos que llevan la marca, relaciones comerciales entre las partes, alcance del derecho a excluir a terceros, extensión del potencial de confusión y otros hechos probatorios— el informe reconoce que se trata de elementos altamente contextuales, más propios del litigio que del examen rutinario, donde la contribución de la IA se limita principalmente a la recuperación y organización de información, sin capacidad de sustituir la interpretación jurídica.

5. IA en búsquedas y clasificación de marcas

Más allá del análisis de riesgo de confusión propiamente dicho, el informe destaca dos áreas donde la IA ya se está implementando de forma más madura:

5.1 Búsquedas de marcas

Los sistemas tradicionales de búsqueda dependen de reglas predefinidas: coincidencia de palabras clave, operadores booleanos y comparación de cadenas de texto. La IA, en cambio, puede detectar relaciones no programadas explícitamente, procesar datos multimodales a gran escala y asignar puntuaciones de similitud que ayuden a priorizar los resultados más relevantes. Oficinas como la Canadiense de Propiedad Intelectual (CIPO), la de Nueva Zelanda (IPONZ) y la de Australia ya ofrecen herramientas de búsqueda de marcas visualmente similares basadas en IA.

5.2 Clasificación de productos, servicios y elementos figurativos

La OMPI ha desarrollado un explorador global de términos de productos y servicios que utiliza búsqueda semántica basada en redes neuronales para ayudar a identificar los términos y clases de Niza adecuados. De forma similar, el Asistente de Clasificación de Viena de la OMPI emplea visión por computadora para sugerir automáticamente los códigos correspondientes a elementos figurativos a partir de una imagen cargada por el usuario. La Oficina de Propiedad Intelectual de Corea (KIPO) introdujo una herramienta equivalente en 2023.

6. El desafío del "consumidor promedio"

Uno de los pasajes más reflexivos del informe aborda la dificultad de traducir a un sistema algorítmico un concepto jurídico deliberadamente ambiguo: el del consumidor promedio. Esta ambigüedad, que permite a jueces y examinadores aplicar sabiduría contextual y comprensión social, se convierte en un obstáculo considerable cuando se intenta entrenar sistemas de IA que requieren parámetros concretos y medibles.

Entre las técnicas exploradas para aproximar este estándar destacan las encuestas de consumidores a gran escala, que ofrecen datos empíricos sobre cómo los compradores reales perciben y diferencian marcas, y el estudio de patrones de comportamiento digital (por ejemplo, cómo los usuarios interactúan con buscadores o anuncios que incluyen marcas como palabras clave).

Sin embargo, el informe advierte sobre un riesgo estructural: el entrenamiento de estos sistemas incorpora inevitablemente los sesgos de quienes diseñan los conjuntos de datos. Un sistema entrenado principalmente con poblaciones urbanas y con alto nivel educativo podría desarrollar un estándar de "consumidor razonable" distinto al de un sistema entrenado con muestras demográficas más diversas. Asimismo, si el entrenamiento se concentra en economías occidentales de gran tamaño, podría generar decisiones desalineadas con la realidad de mercados emergentes.

7. Riesgos y límites de la inteligencia artificial

El informe dedica un capítulo completo a advertir sobre los riesgos que deben gestionarse activamente antes y durante la implementación de estos sistemas.

7.1 El principio "basura entra, basura sale"

La calidad de un sistema de IA depende directamente de la calidad y consistencia de los datos con que fue entrenado. Estudios sobre tareas de etiquetado muestran que el acuerdo entre anotadores humanos suele situarse solo entre el 60% y el 80%, dependiendo de la complejidad de la tarea. Esta inconsistencia afecta tanto el entrenamiento (el modelo recibe señales contradictorias) como la evaluación (resulta difícil medir el desempeño de forma fiable). Mitigar este riesgo exige guías de anotación detalladas, ejercicios de alineación entre revisores y, en casos de desacuerdo persistente, múltiples revisiones del mismo dato.

7.2 Sesgo algorítmico frente a sesgo humano

Los sistemas de IA no son neutrales por defecto: pueden reproducir e incluso amplificar los sesgos presentes en los datos de entrenamiento. El informe cita evidencia de estudios que documentan sesgos de género en modelos de lenguaje de gran escala, así como disparidades de desempeño según el idioma (con mejores resultados en inglés que en lenguas menos representadas en los conjuntos de datos) y sesgos demográficos en sistemas de visión por computadora. Trasladado al contexto marcario, esto podría traducirse en sistemas que privilegien a ciertos solicitantes según su contexto lingüístico o cultural. La mitigación requiere conjuntos de entrenamiento representativos, procesos de control de calidad diseñados específicamente para detectar sesgos conocidos, y supervisión humana continua.

7.3 Métricas de desempeño y deriva del modelo

Elegir la métrica equivocada puede generar una falsa sensación de fiabilidad. El informe pone como ejemplo un sistema de comparación de logotipos en el que los casos de similitud confusa representen apenas el 1% de todos los pares evaluados: un modelo que simplemente prediga "no similar" en todos los casos alcanzaría un 99% de precisión sin aportar ningún valor real. Por ello se recomienda el uso de métricas más robustas frente a conjuntos de datos desbalanceados, como precisión, exhaustividad (recall) y la puntuación F1.

Además, los modelos pueden sufrir "deriva de datos" (cuando cambian las propiedades estadísticas de la información de entrada, por ejemplo, ante nuevas tendencias de diseño) o "deriva de concepto" (cuando cambia la relación entre las entradas y las salidas esperadas, por ejemplo, si evoluciona la percepción social de similitud). Frente a esto, el monitoreo continuo, el reentrenamiento periódico y la retroalimentación de los propios examinadores resultan esenciales.

7.4 La permanencia del criterio humano

El principio rector que atraviesa todo el informe puede resumirse en una frase: la IA aporta evidencia, no decisiones. Su contribución más valiosa reside en tareas como el rastreo de grandes volúmenes de datos, la identificación de candidatos potencialmente relevantes o la generación de evidencia estructurada, pero la responsabilidad final de la decisión debe permanecer en manos del examinador humano, quien aporta el criterio legal, el conocimiento contextual y la experiencia profesional que ningún modelo puede replicar por completo.

El enfoque recomendado es el de "humano en el bucle" (human-in-the-loop): la IA identifica marcas potencialmente conflictivas y presenta las características que motivaron esa señal; el examinador revisa ese resultado y decide si aceptarlo, rechazarlo o modificarlo; y esa decisión, a su vez, retroalimenta al sistema para mejorar su calibración futura.

8. Consideraciones operativas para la implementación

Más allá de los aspectos técnicos y jurídicos, el informe subraya que la adopción exitosa de la IA en las oficinas de propiedad intelectual depende, sobre todo, de factores organizativos y humanos.

8.1 Gestión del cambio

La incorporación de IA no debe presentarse como una amenaza a la profesión, sino como una relación complementaria: la IA se especializaría en el análisis cuantitativo de grandes volúmenes de datos, mientras que los examinadores conservarían la responsabilidad de las dimensiones cualitativas del juicio jurídico. La resistencia al cambio es esperable, especialmente ante tecnologías percibidas como opacas, y debe entenderse como una señal diagnóstica valiosa —no como simple obstruccionismo— que revela vacíos de formación, fallos de integración o preocupaciones legítimas sobre la identidad profesional.

8.2 Formación y actualización de competencias

La capacitación no debe limitarse a enseñar el manejo operativo de las herramientas, sino desarrollar una comprensión funcional de cómo y por qué funcionan. Sin una estrategia de formación robusta y continua, incluso los sistemas más avanzados corren el riesgo de ser subutilizados, mal aplicados o directamente rechazados por profesionales que los perciben como poco fiables.

8.3 Comprensión de las salidas y limitaciones de la IA

Los examinadores deben desarrollar una disciplina interpretativa estructurada, formulando preguntas como: ¿qué datos utilizó el sistema para llegar a esta conclusión?, ¿qué dimensiones de similitud o distintividad priorizó?, ¿qué factores podrían estar ausentes debido a limitaciones del modelo o sesgos del conjunto de datos? El informe distingue, además, entre "interpretabilidad" (el grado en que puede comprenderse directamente el funcionamiento interno de un modelo) y "explicabilidad" (el grado en que el proceso de decisión puede hacerse inteligible para las personas), señalando que ambas son necesarias para un despliegue responsable.

8.4 Integración en los flujos de trabajo

La integración de la IA no debe imponerse como una capa externa y disruptiva, sino diseñarse en armonía con los marcos metodológicos ya establecidos, como los factores DuPont u otros marcos jurisdiccionales equivalentes. Se recomienda una implementación gradual, comenzando con programas piloto sobre tareas acotadas y bien definidas, seguidos de ciclos iterativos de prueba, evaluación y ajuste antes de una implementación a mayor escala.