Gobernanza de datos para la implementación de sistemas de IA en el sector público peruano

I. INTRODUCCIÓN

La reciente aprobación del Reglamento de la Ley que promueve el uso de la Inteligencia Artificial (IA) en el Perú representa un hito normativo ambicioso en la agenda de transformación digital de la región. No obstante, este avance regulatorio enfrenta una barrera: la precariedad en la gobernanza de los datos, los cuales constituyen el insumo básico sobre el cual se apoyan los sistemas de IA. Mientras el marco legal nacional establece salvaguardas avanzadas para mitigar riesgos, auditar algoritmos y garantizar la transparencia algorítmica de sistemas de IA públicos, el Estado cuenta con un ecosistema de datos fragmentado.

Este artículo sostiene que la eficacia de cualquier marco regulatorio sobre IA depende, entre otros factores, de la existencia de una infraestructura de datos suficientemente desarrollada. Desde el enfoque interdisciplinario de la Infraestructura Pública Digital (DPI) y los Bienes Públicos Digitales (DPG), se argumenta que los datos cumplen una función habilitante para la implementación de sistemas de IA confiables en el sector público. En ese sentido, la regulación de la IA no puede evaluarse de manera aislada, sino en relación con las condiciones materiales, técnicas e institucionales que permiten su aplicación.

II. METODOLOGÍA

El presente artículo emplea una metodología cualitativa, de carácter jurídico-documental y analítico. Su objetivo es examinar si el marco institucional y normativo que regula el despliegue de la Inteligencia Artificial (IA) en el sector público peruano cuenta con condiciones habilitantes suficientes para la implementación efectiva de sus obligaciones, desde una perspectiva de gobernanza de datos. El caso peruano resulta especialmente pertinente porque, en los últimos años, el país ha desarrollado de manera paralela instrumentos orientados a regular la IA y a fortalecer la gobernanza de datos y la transformación digital. Esta convergencia permite observar si las capacidades institucionales necesarias para sostener sistemas de IA avanzan al mismo ritmo que las exigencias regulatorias.

El análisis se desarrolla en tres niveles. En primer lugar, se realiza una revisión conceptual de la Infraestructura Pública Digital (DPI), los Bienes Públicos Digitales (DPG), la gobernanza de datos y los principios aplicables a la inteligencia artificial, con especial atención al rol de los datos como insumo crítico para el funcionamiento de estos sistemas. Asimismo, se incorpora literatura crítica que cuestiona la apertura de datos y examina las relaciones de poder asociadas a su producción, circulación y explotación.

En segundo lugar, se analizan instrumentos internacionales relevantes para la regulación y gobernanza de la IA y los datos. La selección se centró en documentos con alcance normativo o técnico que desarrollan principios aplicables al ciclo de vida de los sistemas de IA, incluidos marcos elaborados por organismos multilaterales y espacios de cooperación internacional.

En tercer lugar, se examina el caso peruano mediante revisión documental de legislación vigente, instrumentos de política pública y documentos oficiales vinculados con la transformación digital, el gobierno de datos y la IA. Además, se consideran indicadores institucionales contenidos en diagnósticos estatales y reportes de seguimiento, con el fin de identificar brechas entre las obligaciones regulatorias y el nivel actual de madurez de la gobernanza de datos en el país.

A partir de este recorrido, el artículo busca determinar si existe coherencia entre el nivel de desarrollo regulatorio de la inteligencia artificial y las capacidades institucionales necesarias para sostenerlo desde una perspectiva de gobernanza de datos orientada al interés público.

III. MARCO TEÓRICO

Este apartado desarrolla el marco conceptual utilizado para analizar la relación entre gobernanza de datos e implementación regulatoria de sistemas de inteligencia artificial. Para ello, se exploran dos ideas: (i) en primer lugar, que los datos constituyen bienes públicos cruciales para la consolidación de una infraestructura pública digital (DPI); y (ii) en segundo lugar, que los datos cumplen un rol valioso para la satisfacción de principios y estándares de derechos humanos en el ciclo de vida de la IA, siempre que se contemplen salvaguardas que eviten asimetrías de poder asociadas a su extracción. 

3.1. Los bienes públicos digitales (DPG)

En 1954, Paul A. Samuelson definió los “bienes de consumo colectivo” —en contraposición a los de consumo privado— como aquellos que todas las personas disfrutan en común, en el sentido de que el consumo de tales bienes por una persona no reduce la disponibilidad para las demás (Samuelson, 1954). Este planteamiento sentó las bases de la teoría moderna sobre los “bienes públicos”, aunque Samuelson los denominaría de otra forma, y ha sustentado buena parte de las visiones contemporáneas de la microeconomía y de la economía pública (Pickhardt, 2006). 

Estos bienes presentan dos características principales: la no excluibilidad y la no rivalidad. La primera implica que resulta imposible o muy costoso excluir a otros del uso del bien. La segunda significa que una persona puede consumirlo sin que ello reduzca su disponibilidad para los demás (Mazzucato, Eaves & Vasconcellos, 2024). 

El avance tecnológico, al expandir las posibilidades de (no) excluibilidad y (no) rivalidad, renovó la discusión sobre los límites de este marco teórico. Así, frente a los enclosure movements en el ecosistema de la información, diversos autores y activistas advirtieron que la información pertenece al dominio público y que las ideas tienen un carácter no rival y no exclusivo, pues lo contrario podría afectar, entre otros bienes jurídicos, la libertad de expresión (Benkler, 1999). 

Tomando el caso de la información como paradigmático (Hess y Ostrom, 2003), eventualmente el ámbito digital en su conjunto requirió que la discusión sobre los bienes públicos se trasladara a este plano. Así, surge de manera independiente la idea de “bienes públicos digitales”. 

Como señala el Secretario General de las Naciones Unidas en su Hoja de Ruta para la Cooperación Digital, estos bienes abarcan los softwares de fuente abierta, datos abiertos, modelos abiertos de IA, estándares abiertos y contenido abierto que se adhieran a la privacidad y otros estándares y buenas prácticas de no dañar (Naciones Unidas, 2020). 

Actualmente, los DPG son parte crucial de la agenda de las Naciones Unidas. Un apartado completo del Objetivo 1 del Pacto Digital Global, por ejemplo, destaca el rol que los DPG (y la DPI) tienen para empoderar a las sociedades y personas, en tanto ofrecen la posibilidad de que las tecnologías se orienten a las necesidades de desarrollo existentes (Naciones Unidas, 2024). En él, los Estados asumen compromisos relacionados, precisamente, con los estándares de apertura inherentes a esta concepción. Resalta el primer compromiso:

“Desarrollar, difundir y mantener, mediante la cooperación de múltiples partes interesadas, programas informáticos de código abierto, datos abiertos, modelos de inteligencia artificial abiertos y normas abiertas que sean seguros y beneficien a la sociedad en su conjunto” (Naciones Unidas, 2024).

 

En los últimos años, además, se han impulsado diversos esfuerzos por desarrollar y documentar soluciones tecnológicas basadas en DPG para contribuir con el desarrollo sostenible (UNDP, G20, 2023) y con la acción climática (UNDP, 2025), bajo el nombre de Infraestructura Pública Digital (DPI). Dado su potencial, los DPG son, ahora, indesligables de la Agenda 2030 y los Objetivos de Desarrollo Sostenible.

En línea con esta agenda, la Digital Public Goods Alliance ha desarrollado un estándar que operacionaliza la definición de DPG de Naciones Unidas. Así, plantea 9 indicadores que deben ser satisfechos para que una tecnología o data sea considerada bien público (Digital Public Goods Alliance, 2022):

Tabla 1: lista de indicadores de los DPG

Indicador	Descripción
Relevancia para los ODS	Deben permitir el avance y logro de los ODS
Uso de licencias abiertas aprobadas	Deben emplear licencias abiertas como Creative Commons para el contenido, u Open Data Commons para los datos.
Propiedad clara	La propiedad de los activos generados debe ser clara y estar documentada.
Documentación	Deben contar con documentación sobre el código fuente, casos de uso y/o requisitos funcionales. En el caso de los datos, esto implica describir todos los campos y proporcionar contexto sobre cómo se recopiló el conjunto de datos y cómo debe interpretarse.
Mecanismo de extracción de datos	No deben contener información de identificación personal (PII), y deben estar diseñados para permitir la extracción o importación de datos y contenidos no PII del sistema en un formato no propietario.
Adherencia a leyes de privacidad y otras aplicables	Deben ser diseñados y desarrollados para cumplir con la legislación de privacidad y otras normas aplicables.
Adherencia a estándares y buenas prácticas	Su diseño y desarrollo debe alinearse con estándares, buenas prácticas y principios relevantes.
No-dañar desde el diseño	Deben ser diseñados para anticipar, prevenir y no-dañar. Esto incluye la seguridad e integridad de los datos, la capacidad de identificación, reporte y remoción de contenido ilegal, y la posibilidad de que los usuarios se protejan durante el uso.

                                                            Fuente: adaptación de Digital Public Goods Alliance, 2022.

La relevancia de los DPG es que constituyen los “ladrillos” que permiten la “construcción” de infraestructuras públicas digitales. De manera general, una infraestructura es un “medio compartido para diversos fines [a shared mean to many ends]” (Frischmann, 2012), destacándose su uso comunitario y las numerosas posibilidades que ofrece para bienes y servicios privados, sociales y públicos. Zuckerman añade, además, que, aunque normalmente se dan por sentadas sin reparar mucho en ellas: las infraestructuras sostienen y dan soporte a otros sistemas más visibles. En consecuencia, no son construidas como fines en sí mismas, sino para que puedan construirse otros sistemas.

Aterrizando esta reflexión al plano digital, encontramos que, más allá de las infraestructuras típicas asociadas a Internet —protocolos, cableado o servidores—, diversas soluciones o sistemas tecnológicos de DPI permiten la prestación de funciones y servicios esenciales para toda la sociedad a través de diversos sectores (Task Force 2, 2023; The World Bank, 2022). Estas infraestructuras se caracterizan por tres dimensiones relevantes. En primer lugar, respecto a sus atributos técnicos, destacan la interoperabilidad, el empleo de “bloques” de construcción reutilizables, el uso de licencias de software o código abierto, entre otros, los cuales tienen valores implícitos como el escalamiento o la eficiencia (Mazzucato, Eaves y Vasconcellos, 2024). 

Por otro lado, en cuanto a sus funciones, resalta su capacidad de ayudar a formar la vida en comunidad —y no solo a nivel individual—, al permitir el involucramiento ciudadano en la vida cívica en entornos digitales (Zuckerman 2020). Esta es una característica importante de las infraestructuras en general, que generan valor social al promover relaciones intra e intercomunitarias. La DPI, además, tiene un rol importante en el desarrollo y crecimiento económicos. Todo ello tiene efectos en la mejora de la calidad de vida, con el consecuente impacto en el ejercicio pleno de los derechos      humanos. 

En tercer lugar, en cuanto a sus principales manifestaciones o core layers, la literatura reconoce tres: la identidad digital, los pagos digitales y los sistemas de intercambio de datos (UNDP; G20, 2023; World Bank 2022). Otros marcos teóricos reconocen, además, cómo la IA, que constituye una tecnología de propósito general, puede integrarse en diversos sistemas de DPI (Nagar y Eaves 2025).

3.2. Datos para el bien público

Como se abordó en el anterior apartado, los bienes públicos que sostienen la DPI abarcan sistemas de IA abiertos, software de fuente abierta, datos abiertos y colecciones de contenido abiertas. En esta sección, se prestará particular atención      a los datos y al rol que cumplen para el bien público.

Con anterioridad a la aparición de la DPI y los DPG en el debate diplomático y académico, la doctrina del gobierno abierto ya recogía el estándar de apertura en diversos aspectos transversales: la transparencia, la participación pública, la colaboración y las tecnologías de la información (Solis Ribeiro, 2017). Para garantizar ello y lograr una mejor transformación gubernamental y social, es crucial que la ciudadanía cuente con información disponible —y también forme parte del proceso por el cual se genera esa data— (Montero, 2017). 

Esta información debe estar respaldada y provenir de conjuntos de datos. Por supuesto, existen muchos tipos de datos. Por ejemplo, los datos estadísticos oficiales son considerados bienes públicos en la literatura (desde 1990), por cumplir tanto con la definición económica previamente revisada —no-excluibles y no-rivales— como una más coloquial: son producidos por los Estados para la ciudadanía (Nickson, 2024). Las Naciones Unidas destacan su papel indispensable en los sistemas informacionales democráticos, al permitir que el gobierno, la economía y las personas cuenten con datos sobre cuestiones económicas, sociales, ambientales y demográficas (Asamblea General de las Naciones Unidas, 2014).

Este papel es, en mayor o menor medida, extensible a diversos tipos de datos. Se trata de herramientas que permiten no solo diagnosticar o describir una situación actual para documentarla, sino producir estimaciones, proyecciones o evidencia que sustenten la implementación de políticas públicas. El paradigma de gobierno abierto plantea como principio la apertura por defecto —que también constituye uno de los atributos técnicos de la DPI—. Según este principio, se debe generar infraestructura y procesos que permitan la liberación constante y sistemática de datos para promover transparencia, reutilización y rendición de cuentas (Muente-Kunigami & Serale, 2018). Desde esta perspectiva, la apertura busca evitar la concentración del poder informacional, reducir asimetrías y ampliar las posibilidades de escrutinio público.

Sin embargo, la apertura de datos no debe asumirse como un valor intrínsecamente positivo ni neutral. Las relaciones de poder que atraviesan la producción, circulación y explotación de los datos también deben formar parte del análisis (Ricaurte, 2019). Así, autores como Couldry y Mejías advierten que el modelo económico actual ha dado lugar a nuevas formas de extracción y apropiación continua de datos provenientes de la vida cotidiana para generar valor económico y consolidar desigualdades globales: el colonialismo de datos (2019).

Bajo esta lógica, procesos que suelen presentarse como inevitables o beneficiosos —como la conectividad, la personalización de servicios o el desarrollo de IA—, en la práctica, son esquemas donde los principales beneficiarios son quienes controlan plataformas, infraestructura computacional y modelos de IA, antes que quienes producen socialmente dichos datos (Couldry & Mejias, 2024).

En el centro de este proceso colonialista se encuentra la desposesión, a través de la “privatización de los bienes comunes” —lo que antes fuera la tierra, ahora son los datos— (Mejías, 2024). Desde este punto de vista, el debate sobre datos como DPG no está cerrado. Si bien los datos poseen las características de los bienes públicos —especialmente por su potencial no rival y por el valor social que generan cuando son reutilizados—, no todos los regímenes de acceso o reutilización producen beneficios para la colectividad.

En esa línea, el colonialismo de datos puede entenderse como una nueva forma de cercamiento de bienes comunes: recursos generados socialmente que terminan siendo apropiados, concentrados o explotados por actores privados bajo condiciones que limitan el retorno social del valor producido colectivamente (Mejías, 2024; Gutiérrez, 2024). En consecuencia, la idea de apertura resulta problemática cuando los datos públicos o comunitarios terminan alimentando infraestructuras privadas de alto valor económico.

En adición, también es necesario problematizar sobre la supuesta neutralidad de los datos en sí mismos (más allá de su valor económico). Como plantea Crawford (2021), los conjuntos de datos no constituyen representaciones neutrales de la realidad. En consecuencia, toda decisión sobre qué recolectar, cómo clasificar, qué etiquetas utilizar o qué variables excluir constituye una intervención política y no únicamente una decisión técnica.

Por ello, una política de gobernanza de datos orientada al interés público no debería limitarse a promover apertura, interoperabilidad o reutilización. También requiere establecer condiciones sobre cómo se obtienen y categorizan los datos, quién accede a ellos, con qué fines, bajo qué mecanismos de control y con qué salvaguardas frente a procesos de concentración o explotación (Couldry & Mejias, 2024; Ricaurte, 2019). En esa línea, estándares como protección de datos personales, evaluación de impacto en derechos humanos, transparencia sobre procesos de clasificación, diversidad en equipos de diseño y mecanismos de supervisión pública adquieren especial relevancia.

En consecuencia, además de la mera apertura, el valor público de los datos requiere de arreglos institucionales que permitan convertirlos en infraestructura al servicio del interés general. El desafío consiste en construir modelos de gobernanza que permitan que interoperabilidad, calidad y acceso contribuyan efectivamente al desarrollo de sistemas de IA compatibles con estándares democráticos y de derechos fundamentales.

3.3. Gobernanza de datos y principios de la IA

En el contexto actual, muchos Estados buscan desarrollar o incorporar soluciones tecnológicas basadas en IA para proveer servicios públicos. Es decir, debido a su gran potencial, la IA constituye una tecnología con la cual se está por construir la DPI de diversos países (Nagar & Eaves, 2025). Para el entrenamiento de los sistemas de IA, incluyendo LLMs y SLMs, se requieren amplios conjuntos de datos recogidos de diversas fuentes (desde páginas públicas hasta fuentes diversas de las que no se tiene siempre claridad sobre la propiedad, consentimiento o precisión) (Center for Digital Public Infrastructure     , 2026). 

En ese sentido, para que se diseñen y empleen sistemas de IA confiables que mitiguen riesgos como el sesgo algorítmico, es imprescindible contar con datos que satisfagan características previamente revisadas (apertura, accesibilidad, estructura, interoperabilidad, etc.). Esto no implica que contar con conjuntos de datos robustos sea lo único necesario para mitigar riesgos: para empezar, es necesario considerar medidas como las descritas en la sección anterior que permitan mitigar el desbalance político que produce la automatización. Algunas de ellas deben atender a todo el proceso de desarrollo del sistema, considerando que las fuentes del sesgo no sólo residen en los datos (Fazelpour & Danks, 2021) sino también en el diseño del modelo (Hooker, 2021). 

La relación entre los datos y el despliegue de sistemas de IA es tan estrecha que, en los últimos años, los países miembros del sistema interamericano han trabajado en un Marco de Gobernanza de Datos e Inteligencia Artificial (Organización de los Estados Americanos, 2023). En el marco de esta iniciativa, se han desarrollado lineamientos que proponen compromisos a nivel de gobernanza de datos, infraestructura, alianzas y gestión de datos (OEA, 2024).

Además, diversos principios sobre el ciclo de vida de la IA están relacionados o pueden ser realmente satisfechos desde una mirada de datos. En la siguiente tabla se identifican tres principios clave que pueden hallarse, en común, en cuatro siguientes marcos internacionales de principios:      

(i) la Recomendación de Unesco para la Ética de la IA (2021); 

(ii) el FaAccT Framework; 

(iii) el Comité Ad-Hoc en Inteligencia Artificial del Consejo de Europa (2021);

(iv) los Principios de la OCDE sobre IA (2019).

Al lado, se señalan los atributos o indicadores de DPG que los datos deberían cumplir para satisfacerlos.

Tabla 2: Principios para la IA e indicadores de los datos

Principios para la IA	Indicadores de DPG
Protección de los derechos humanos y no discriminación	No dañar por diseño: Contemplar desde la fase inicial el no causar daño a las personas. Asimismo, esto se relaciona con estándares de representatividad y diversidad en los datos.
Transparencia y explicabilidad	Documentación: Se requiere trazabilidad e información sobre el origen, casos de uso, formas de recolección de los datos.
Rendición de cuentas	Licencias abiertas. Documentación y trazabilidad. La existencia de metadatos y otros registros asociados hace más auditable el sistema.

                                                                                    Fuente: Elaboración propia.

Como puede observarse, varios indicadores de DPG, aplicados a los datos empleados para entrenamiento o implementación de IA, podrían ser útiles para determinar si se están cumpliendo los principios que la regulan.

IV. el caso peruano: ia sin datos

Como se revisó en el marco teórico, la IA está siendo incorporada por los Estados para ofrecer nuevas formas de servicios públicos, dando forma a la DPI. Sin embargo, para ello, requiere emplear bloques reutilizables, escalables e intercambiables: DPG. Entre ellos, los datos desempeñan un papel crucial. De hecho, si los datos que respaldan los sistemas de IA cumplen los indicadores del marco de DPG, los principios establecidos en múltiples instrumentos en relación con la IA podrían ser más fácilmente satisfechos.  A continuación, se situarán estas ideas en un contexto específico: el de la regulación y la gobernanza de datos en el Perú.

4.1. Gobernanza de datos en el Perú

En el Perú, la normativa reconoce que los datos son un activo estratégico (Presidencia de la República, 2020). En esa línea, algunos Ministerios, como el de Salud (2025) o el de Justicia y Derechos Humanos (2022), han incorporado dentro de la lista de activos estratégicos a los centros de datos —aunque ningún conjunto de datos integra dichas listas—.

Por su parte, la Secretaría de Gobierno y Transformación Digital (SGTD) de la Presidencia del Consejo de Ministros (PCM), ente rector en la materia, aprobó en 2023 la Política Nacional de Transformación Digital. Para sustentar metodológicamente la política, desarrolló un modelo conceptual de la transformación digital en el que la gobernanza de datos es concebida como un habilitador sobre el cual se sostienen dinamizadores como la IA. A pesar de ello, las entidades públicas muestran un retraso considerable en la recolección, producción, almacenamiento, sistematización, interoperabilidad y publicación de datos. 

Según el diagnóstico de la Estrategia Nacional de Gobierno de Datos 2026-2030 (ENGD), la madurez del Estado en el gobierno y la gestión de datos alcanza un promedio agregado de 1.57 en una escala del 1 al 5 (a través de 8 dimensiones), lo que ubica al país entre una etapa inicial de madurez (Secretaría de Gobierno y Transformación Digital, 2026). El documento también señala que la dimensión “calidad de datos” muestra bajos puntajes de manera consistente, debido a la ausencia de programas formales, estándares universales, métricas y mecanismos de monitoreo y auditoría de calidad de datos a nivel institucional.

Por otro lado, los resultados 2025 de la Encuesta Nacional de Activos Digitales (ENAD), muestran otras métricas de preocupación: solo el 11% de los ministerios cuenta con un Oficial de Gobierno de Datos, apenas el 32% desarrolla o planifica analítica, 37% no publica datasets, y 79% no consume datos abiertos (con indicadores aún más críticos en el caso de organismos autónomos).

Tabla 3: Gestión de datos en organismos públicos según ENAD 2025

	Ministerios	Organismos autónomos
Cuenta con un Oficial de Gobierno de Datos	11%	30%
Desarrollan o planifican analítica	32%	30%
Publican datasets (conjuntos de datos)	37%	60%
Consumen datos abiertos	79%	90%

            Fuente: ENAD 2025, citado en la ENIA. Elaboración propia.

Estas deficiencias no son solo institucionales: tienen un componente técnico que impacta en las posibilidades de emplear los datos. La ENGD enfatiza que las inconsistencias en la forma de identificar, clasificar y documentar metadatos o taxonomías impiden construir un lenguaje común y una visión integral de los activos de datos. Como consecuencia, la información queda aislada en silos, limitando la colaboración entre instituciones.

Según el Reglamento de la Ley de Gobierno Digital (Presidencia del Consejo de Ministros , 2021), las entidades deben publicar datos gubernamentales en formatos abiertos en la Plataforma Nacional de Datos Abiertos (PNDA), priorizando aquellos de interés nacional o estratégicos para la implementación de políticas de Estado y políticas de gobierno. Lamentablemente, según la ENGD, esta Plataforma opera con tecnología obsoleta y carece de automatización y metadatos consistentes. A esto se suma que la mayoría de los archivos se publican en formatos como XLSX o CSV, con muy poca presencia de formatos realmente procesables por máquina, como JSON o XML, como también identifica la medición de preparación para la IA (Readiness Assessment Methodology) de la UNESCO (2025). Asimismo, el cumplimiento tampoco es generalizado: a julio de 2025, 96 de las 378 entidades ni siquiera habían creado una cuenta en la plataforma, de acuerdo con el reporte publicado por la SGTD (Presidencia del Consejo de Ministros, 2025). 

Tampoco existe claridad sobre la dimensión total del problema. Hacen falta datos sobre el propio contexto de datos. Así, aunque la SGTD es la entidad rectora en la materia, los resultados sistematizados de la ENAD no se encuentran disponibles públicamente, ni en el Portal Nacional de Indicadores de transformación digital ni en ninguna otra entrada. Sin embargo, se sabe que estos datos sí han sido procesados: hay resultados parciales incluidos en el proyecto de ENIA y en la Exposición de Motivos del Reglamento de IA (Presidencia del Consejo de Ministros, 2025).

A ello se suma que la PCM no cuenta con datasets publicados en la Plataforma Nacional de Datos Abiertos (PNDA) —ni siquiera figura como entidad dentro de ella—, por lo que la única forma de acceder a la información de esta institución es a través de gob.pe. Con esto se defrauda la buena práctica de integrar datos en la PNDA con diccionarios de datos y formatos interoperables.

A pesar de esta falta de información sistematizada, es posible encontrar mayores luces en la Política Nacional de Transformación Digital (2023), la cual contiene 82 servicios públicos a través de 6 objetivos prioritarios. Algunos de estos servicios públicos están relacionados con datos, y es posible conocer su avance revisando el Reporte de Seguimiento de la Política (2024), el cual fue publicado en junio de 2025 (Presidencia del Consejo de Ministros, 2025). El siguiente cuadro resume dichos avances y muestra que la mayoría de los objetivos relacionados con datos no se están cumpliendo.

Tabla 4: Avance de indicadores de cumplimiento de servicios públicos de la PNTD relacionados con datos a 2024

Servicios públicos de la PNTD relacionados con datos	Indicadores	Seguimiento 2024 (comparación de línea base, logro esperado al formular la PNTD, logro alcanzado y % de avance)
S.1.4.2 Plataforma Nacional de Gobierno de Datos integrada de manera automática en beneficio de los integrantes del Sistema Nacional de Transformación Digital	Porcentaje de datasets o capas de información cuya provisión y actualización se encuentran automatizadas en la Plataforma Nacional de Gobierno de Datos	Línea base 2022: 0 Logro esperado a 2024: 7 Logro alcanzado 2024: 22.46 Avance meta 2024: 320.9 %
	Porcentaje de entidades públicas que publican información de manera automatizada en la Plataforma Nacional de Gobierno de Datos	Línea de base 2022: 0 Logro esperado a 2024: 30 Logro alcanzado 2024: 11.9 Avance meta 2024: 39.7%
S3.2.1 Programa de Gobierno de Datos implementado de manera continua para los integrantes del Sistema Nacional de Transformación Digital con énfasis en las entidades públicas	Porcentaje de entidades públicas que reciben acompañamiento y asesoramiento para la actualización e intercambio de datos en el marco de la implementación de la Estrategia Nacional del Gobierno de Datos de manera continua.	Línea de base 2022: 0 Logro esperado 2024: 30 Logro alcanzado 2024: ND (no determinado)
S3.2.14 Datos publicados en formatos abiertos de manera fiable en beneficio de los integrantes del Sistema Nacional de Transformación Digital, con énfasis en las entidades públicas (N)	Porcentaje de datos abiertos publicados que cumplen con los criterios previstos en la Guía de Datos Abiertos para la Sociedad y sus actualizaciones	Línea de base 2022: 0 Logro esperado 2024: 20 Logro alcanzado 2024: ND
S3.2.17 Plataforma Nacional Geo Perú desplegada de manera accesible y fiable para integrantes del Sistema Nacional de Transformación Digital, con énfasis en gobiernos regionales y locales	Porcentaje de capas de información publicadas en la Plataforma Nacional de Datos Georreferenciados Geo Perú que fueron actualizadas anualmente	Línea de base 2022: 56 Logro esperado 2024: 70 Logro alcanzado 2024: 60 Avance meta 2024: 85.7%
	Porcentaje de gobiernos regionales y locales que se han integrado a la Plataforma Nacional de Datos Georreferenciados Geo Perú	Línea de base 2022: 5.8 Logro esperado 2024: 10.2 Logro alcanzado 2024: 7 Avance meta 2024: 68.6%
S6.2.3. Centro Nacional de Datos con enfoque de analítica avanzada de manera permanente a los integrantes del Sistema Nacional de Transformación Digital, con énfasis en la ciudadanía	Porcentaje de conjuntos de datos en los cuales se aplica analítica avanzada de forma automatizada para su procesamiento en el Centro Nacional de Datos	Línea de base 2022: 0 Logro esperado 2024: 20 Logro alcanzado 2024: ND

                                                                            Fuente: PNTD y Reporte de seguimiento al 2024. Elaboración propia.

 

Como se observa, solo un indicador ha cumplido la meta establecida; en los demás, el avance es insuficiente —con metas por debajo, incluso, del logro esperado al 2023— o ni siquiera ha podido medirse porque el servicio aún no se ha puesto en marcha. Ejemplos claros son el Programa de Gobierno de Datos (S3.2.1) o la publicación de datos en formato abierto (S3.2.14), ambos pendientes de la aprobación de la Estrategia de Gobierno de Datos (ENGD) para ejecutarse (instrumento que se publicó finalmente en febrero de 2026).

4.2. La presencia de la agenda de datos en la regulación de la IA

En julio de 2023, junto con la PNTD, se aprobó la Ley de IA en el Perú. Aunque fue una promulgación ampliamente mediatizada, se trató de una ley con poco alcance práctico: más allá de reconocer el valor de la IA para el beneficio social y económico del país, no había disposiciones concretas además de la obligación de la SGTD de reglamentar dicha norma.

Por más de dos años, se desplegó un proceso participativo para elaborar dicho reglamento. Este contó con dos borradores, los cuales tuvieron modificaciones importantes entre sí respecto a las prohibiciones y usos no permitidos de la IA (Gaspar, Rubiela; León, Lucía, 2025). Finalmente, en septiembre de 2025 se aprobó el Reglamento, el cual sigue muy de cerca el modelo europeo de enfoque de riesgos. Además, ciertas disposiciones del Reglamento se relacionan con la gestión de los datos (o, incluso, requieren de ellos para poder ser cumplidas):

• Gobernanza: El Reglamento reconoce, dentro de los actores para la gobernanza (art. 9), al Oficial de Gobierno de Datos, quien promueve la calidad y el intercambio de los datos a fin de evitar sesgos y asegurar la precisión y representatividad de los datos utilizados en el entrenamiento, validación y uso de los sistemas basados en IA. Además, resalta la relevancia de la ENIA, la ENGD y el Centro Nacional de Datos (CND), entre otros, como instrumentos para la promoción, desarrollo e implementación de la IA (art. 10).
• Infraestructura tecnológica: La SGTD podrá habilitar los recursos de computación en la nube pública para el desarrollo, implementación y uso de la IA, en la solución de problemas públicos con base en datos (art. 19).
• Apertura y transparencia: El Reglamento promueve el principio de apertura por diseño, al incentivar que los desarrolladores liberen de manera voluntaria códigos fuente, modelos de IA, o conjunto de datos en forma abierta (art. 21). Además, en el caso de las entidades públicas, se establece que deben publicar el código fuente de los sistemas basados en IA financiados con fondos públicos con licencia libre o abierta en la Plataforma Nacional de Software Público Peruano (art. 28.8).
• Obligaciones de las entidades públicas y privadas: Las entidades públicas tienen la obligación de generar, recolectar, consolidar y obtener datos y evidencias de los problemas públicos para desarrollar casos de uso a evaluar que requieran de un sistema basado en IA (art. 28.4). Además, deben distribuir y poner a disposición de los desarrolladores datos de alto valor, a través del CND (art. 28.7). Por otro lado, en el caso de sistemas de riesgo alto, tanto las entidades públicas (art. 30) como privadas (art. 32) deben desplegar medidas tales como la mejora en la calidad de los datos y mecanismos de supervisión humana.

Algunas de estas disposiciones refuerzan normativa previa (en particular, la Ley de Gobierno Digital). Otras plantean mandatos de optimización (es decir, principios), pero sin asignar obligaciones específicas en relación con ellos. Otras crean obligaciones para las entidades —lo que constituye la principal innovación del Reglamento—. Sin embargo, requieren un nivel de madurez de datos alto previo para su cumplimiento.

4.3. De la norma a la estrategia

El Reglamento de IA recoge principios relacionados con el marco de DPG: por ejemplo, la apertura (art. 21) y el uso de licencias libres (art. 28.8). Así también, se reconoce la relevancia de los datos para el desarrollo sostenible, al obligar a las entidades a generar, recolectar y obtener evidencia de problemas públicos para evaluar futuros sistemas de IA a incorporar (art. 28.4).

Sin embargo, además del marco normativo, se requieren políticas claras, inversión en infraestructura de datos y mecanismos de incentivos y sanciones que permitan operacionalizar y cumplir las obligaciones reglamentarias. Por ejemplo, mientras el Reglamento establece que la SGTD tiene a su cargo promover comunidades de código abierto en IA, esto solo será ejecutable mediante la planificación y desarrollo de programas específicos.

En ese sentido, dos instrumentos tienen particular relevancia: (i) la Estrategia Nacional de Gobierno de Datos 2026-2030 (ENGD), concebida para ofrecer un marco integral de gestión y aprovechamiento de los datos públicos y fomentar una cultura de datos sólida; y (ii) la Estrategia Nacional de Inteligencia Artificial 2026-2030 (ENIA). Los proyectos de estos documentos fueron difundidos para la recepción de comentarios en septiembre de 2025, y se aprobaron en febrero y mayo de 2026, respectivamente. 

En primer lugar, la ENGD está orientada a implementar un marco de gobernanza de datos unificado y robusto en el sector público, que garantice la gestión integral, la protección, la calidad y la interoperabilidad de los datos. Con ello, se busca habilitar la toma de decisiones basadas en evidencia y crear valor público para la ciudadanía.

Para ello, establece seis objetivos estratégicos, entre los que destacan los dos primeros: (i) fortalecer el marco normativo para asegurar la gestión estratégica de los datos; y (ii) garantizar la fiabilidad, precisión y trazabilidad de los activos de datos del Estado mediante la estandarización, así como establecer un marco ético que salvaguarde la privacidad y seguridad. 

Para el primer objetivo (marco normativo), se prevén acciones estratégicas, en su mayoría, compuestas por la formulación o actualización de lineamientos. Aunque, en general, es una práctica común en la normativa de transformación digital posponer acciones relevantes en futuras directivas, lineamientos o normas, la ENGD identifica brechas legislativas importantes, e incorpora principios que deben ser considerados en su formulación. Por ejemplo, plantea la relevancia de la interoperabilidad y portabilidad de datos, así como la seguridad de la información y la protección de datos personales. Además, hace énfasis en la institucionalidad requerida para hacer cumplir estas acciones, al proponer el fortalecimiento de mecanismos de monitoreo y sanción.

Por su parte, el segundo objetivo atiende a la necesidad de contar con datos de calidad, debidamente anonimizados y con medidas de seguridad (incluyendo cifrado), bajo la implementación de principios de privacidad desde el diseño y seguridad desde el diseño.

Además, la ENGD distingue entre tipos de datos, priorizando aquellos de alto valor para la ciudadanía y el desarrollo social y económico: ambiente, justicia, cambio climático, transparencia, anticorrupción, entre otros. 

En segundo lugar, la ENIA tiene por objetivo estratégico el desarrollo y fortalecimiento del gobierno y la gestión de la inteligencia artificial a nivel nacional, para lo cual promueve su uso inclusivo, seguro y ético que impulse la innovación digital, fortalezca las capacidades humanas y promueva la eficiencia y eficacia en el sector público, privado, académico y la sociedad civil, garantizando el respeto de los derechos humanos. 

En algunas acciones estratégicas de la ENIA, puede notarse la presencia de la agenda de datos. Así, por ejemplo, contempla el registro obligatorio de datasets, código, métricas y otras cuestiones en un Catálogo de IA que garantice la explicabilidad, la rendición de cuentas y la supervisión de riesgos conforme a Ley. También contempla la certificación en normas técnicas conexas a la Norma Técnica de IA; en particular, las de gestión de riesgos, calidad de datos y evaluación de impacto. Finalmente, se propone la elaboración de normas y lineamientos para asegurar atributos como la interoperabilidad, seguridad y gobernanza de datos, entre otros.

Algunas de estas acciones se relacionan con los indicadores de los DGP que permitirían el cumplimiento o la satisfacción de los principios para la IA, como se estableció en la Tabla 2. Sin embargo, al estar organizadas en función de sus líneas estratégicas y no como optimización de principios, es muy difícil aislarlos analíticamente. Además, algunas acciones como “aprobar lineamientos de uso ético” tienen una naturaleza más transversal.

Tabla 5: Relación de las acciones estratégicas con el cumplimiento de indicadores de DPG y de los principios para la IA

Principios para la IA	Indicadores de DPG	Acciones de la ENGD	Acciones de la ENIA
Protección de los derechos humanos y no discriminación	No dañar por diseño: Contemplar desde la fase inicial el no causar daño a las personas. Asimismo, esto se relaciona con estándares de representatividad y diversidad en los datos.	Varias acciones están referidas a la calidad de los datos (A.3.1.2; A.3.2.2.), aunque no se menciona “representatividad” o “diversidad” como estándar.	No hay acciones previstas que tengan como indicador o meta específica el diseño respetuoso de derechos.
Transparencia y explicabilidad	Documentación: Se requiere trazabilidad e información sobre el origen, casos de uso, formas de recolección de los datos.	A.2.2.5. Esquema de certificación de calidad de datos que asegure su trazabilidad y fiabilidad.	Acción 2.3: Catálogo de IA para el registro de datasets, código, métricas de sesgo, explicabilidad, entre otros. 2.3.3.: Módulo de Transparencia Algorítmica
Rendición de cuentas	Licencias abiertas. Documentación y trazabilidad. La existencia de metadatos y otros registros asociados hace más auditable el sistema.	A.1.1.4. Fortalecer los mecanismos de fiscalización, monitoreo y sanción. A.5.2.1 Aprobar e implementar un Modelo de Uso Ético de Datos buscando garantizar la gestión ética de los datos	Acción 3.3.: Incentivar la certificación en la NTP, que contiene estándares en materia de trazabilidad, calidad de datos, entre otras. Acción 2.3: Catálogo de IA para la rendición de cuentas.

                                                                                                            Fuente: Elaboración propia

En conjunto, ambos instrumentos atienden al mismo problema público: la “Incipiente cultura de innovación digital y gestión ética e inteligente de los datos, las tecnologías digitales y la Inteligencia Artificial” (cuyo origen reside en la PNTD). Esta coincidencia revela la conexión ineludible entre ambas agendas, que se demuestra en la tabla previa. Además, en particular en el caso de la ENIA, se observa que algunas acciones han sido planificadas para que se relacionen con las disposiciones del Reglamento de IA.

No obstante, a pesar de las intersecciones programáticas entre ambas estrategias, ninguna de ellas contempla acciones articuladas. Por ejemplo, en la elaboración normativa de la ENIA, se prevé aprobar lineamientos para asegurar la gobernanza de datos en soluciones basadas en IA. Sin embargo, no queda claro si serán lineamientos que paralelicen el despliegue normativo del objetivo estratégico 2 de la ENGD, o si se están pensando como acciones aisladas, lo cual implicaría una fragmentación normativa en adición a la fragmentación operativa que a la fecha subsiste.

A estos retos se suma, además, la ausencia de un calendario definido y de indicadores y metas específicos. La ENIA carece de un calendario programático, pero sí cuenta con indicadores y metas específicas para cada año. La ENGD, por su parte, cuenta con un calendario básico (que divide las acciones estratégicas entre aquellas de corto, mediano y largo plazo), pero no establece metas específicas para cada indicador, lo cual dificultará su eventual monitoreo y evaluación de cumplimiento.

V. CONCLUSIÓN

El análisis normativo, documental e institucional desarrollado a lo largo de este artículo permite sostener que el Perú intenta reglamentar los resultados de una tecnología compleja sin haber consolidado aún la gobernanza de sus insumos fundamentales. El Reglamento de IA establece obligaciones —mitigación de sesgos, transparencia, rendición de cuentas— que presuponen niveles de madurez institucional en la gestión de datos que el propio diagnóstico estatal reconoce como insuficientes. Un promedio de madurez de 1.57 sobre 5, un 11% de ministerios con Oficial de Gobierno de Datos, indicadores aún no medidos y plataformas con limitaciones técnicas configuran un escenario que dificulta la implementación efectiva de las ambiciones regulatorias existentes.

No obstante, existen oportunidades más allá de este diagnóstico. La aprobación simultánea de la Estrategia Nacional de Gobierno de Datos 2026-2030 y la Estrategia Nacional de Inteligencia Artificial 2026-2030 abre una ventana de oportunidad. Ambos instrumentos convergen en atender el mismo problema público y contemplan acciones que, si se articulan adecuadamente, podrían contribuir a que las entidades públicas estén en condiciones de cumplir las obligaciones del Reglamento. La implementación de estas estrategias —con indicadores claros, presupuesto asignado y mecanismos de sanción efectivos— puede ser determinante para que la regulación de IA deje de ser declarativa y se convierta en operativa.

Sin embargo, dos condiciones adicionales resultan imprescindibles para que este camino sea viable. La primera es institucional: la articulación entre la ENGD y la ENIA no puede quedar librada a la coincidencia temática. Requiere mecanismos explícitos de coordinación que eviten una fragmentación normativa. La segunda es política: la apertura de datos requiere de consideraciones que eviten asimetrías de poder y la apropiación privada de bienes públicos. Por ello, la gobernanza de datos que el Perú requiere no es simplemente más apertura, sino apertura con condiciones: con estándares de calidad, mecanismos de supervisión, protección de datos personales y salvaguardas frente a la concentración.

En ese sentido, el caso peruano ofrece una lección que trasciende el ámbito nacional: la regulación de la IA en el sector público difícilmente puede aplicarse de manera efectiva si no contempla la construcción de capacidades de gobernanza de datos que la hagan posible. Sin embargo, fortalecer dicha gobernanza tampoco debe entenderse como una agenda orientada exclusivamente a maximizar la disponibilidad o reutilización de información. Como se ha mostrado a lo largo del artículo, los datos son recursos atravesados por relaciones de poder y su apertura no garantiza automáticamente resultados socialmente deseables.

Por ello, el desafío para el Perú no consiste únicamente en producir más datos ni en acelerar el desarrollo de soluciones basadas en IA, sino en construir arreglos institucionales que permitan generar valor público bajo condiciones de calidad, interoperabilidad, transparencia, protección de datos personales y supervisión democrática.

VI. REFERENCIAS

Asamblea de las Naciones Unidas. (2020). Declaración sobre la conmemoración del 75º aniversario de las Naciones Unidas (A/RES/75/1). Obtenido de https://docs.un.org/es/A/RES/75/1

Asamblea General de las Naciones Unidas. (2014). Fundamental principles of official statistics (A/RES/68/261). United Nations Economic and Social Council. Obtenido de https://unstats.un.org/unsd/dnss/gp/fundprinciples.aspx

Benkler, Y. (1999). Free as the air to common use: first amendment constraints on enclosure of the public domain. New York University Law Review, 354-446. Obtenido de https://www.nyulawreview.org/wp-content/uploads/2018/08/NYULawReview-74-2-Benkler.pdf

Center for Digital Public Infraestructure. (2026). Vision paper on Building AI-Ready Nations through Digital Public Infraestructure. Obtenido de https://digitalpublicinfrastructure.ai/

Couldry, N., & Mejias, U. A. (2019). Th e costs of connection : how data is colonizing human life and appropriating it for capitalism. Stanford: Stanford University Press.

Couldry, N., & Mejias, U. A. (2024). Data grab: the new colonialism of big tech and how to fight back. Chicago: The University of Chicago Press.

Crawford, K. (2021). Atlas of AI. New Haven – Londres: Yale University Press.

Digital Public Goods Alliance. (2022). Digital Public Goods. Obtenido de https://www.digitalpublicgoods.net/digital-public-goods

Fazelpour, S., & Danks, D. (2021). Algorithmic bias: Senses, sources, solutions. Philosophy Compass, 16(8), e12760. Obtenido de https://compass.onlinelibrary.wiley.com/doi/10.1111/phc3.12760

Frischmann, B. (2012). Infrastructure: The social value of shared resources. Oxford University Press.

Gaspar, Rubiela; León, Lucía. (2025). Hacia dónde vamos con la justicIA: análisis del uso de IA en el Poder Judicial peruano. Lima: Hiperderecho. Obtenido de https://hiperderecho.org/wp-content/uploads/2025/12/Hacia-donde-vamos-con-la-JusticIA-Peru-Hiperderecho.pdf

Gutiérrez, C. (2024). Colonialismo de datos. Computación en Latinoamérica, 69-76. doi:https://doi.org/10.71904/bits.vi26.15259

Hess, C., & Ostrom, E. (2003). Ideas, Artifacts, and Facilities: Information as a Common-Pool Resource. Law and Contemporary Problems, 66, 111-145. Obtenido de https://www.jstor.org/stable/20059174

Hooker, S. (2021). Moving beyond “algorithmic bias is a data problem”. Patterns. Obtenido de https://www.cell.com/action/showPdf?pii=S2666-3899%2821%2900061-1

León, L. (3 de octubre de 2024). Qué sigue después del Pacto Digital Global de Naciones Unidas. Obtenido de Hiperderecho: https://hiperderecho.org/2024/10/que-sigue-despues-del-pacto-digital-global-de-naciones-unidas/

Mazzucato, M., Eaves, D., & Vasconcellos, B. (2024). Digital Public Infrastructure and Public Value: What is ‘public’ about DPI? UCL Institute for Innovation and Public Purpose. Obtenido de https://www.ucl.ac.uk/bartlett/public-purpose/wp2024-05

Mejías, U. A. (29 de Febrero de 2024). La Vanguardia. Obtenido de “El extractivismo de datos es el nuevo colonialismo” : https://www.lavanguardia.com/internacional/vanguardia-dossier/revista/20240229/9509092/extractivismo-datos-nuevo-colonialismo.html

Ministerio de Justicia y Derechos Humanos. (2022). Listado de Activos Estratégicos vinculados a la Unidad Productora “Sede de Defensa Pública y Acceso a la Justicia”. . 

Ministerio de Salud. (2025). Proyectos de Inversión: Programa Multianual de Inversiones Sector Salud. Listado de activos estratégicos del sector salud. 

Montero, G. (2017). Del gobierno abierto al Estado abierto: la mirada del Centro Latinoamericano de Administración para el Desarrollo. En CEPAL, Desde el gobierno abierto al Estado abierto en América Latina y el Caribe (págs. 53-82).

Muente-Kunigami, A., & Serale, F. (2018). Los datos abiertos en América Latina y el Caribe. Nueva York: Banco Interamericano de Desarrollo.

Naciones Unidas. (2020). Report of the Secretary-General: Roadmap for Digital Cooperation. Obtenido de https://www.un.org/en/content/digital-cooperation-roadmap/assets/pdf/Roadmap_for_Digital_Cooperation_EN.pdf

Naciones Unidas. (2024). Pacto del Futuro y Pacto Digital Global. Summit of the Future. Nueva York. Obtenido de https://docs.un.org/es/A/RES/79/1

Nagar, S., & Eaves, D. (2025). Interactions Between Artificial Intelligence and Digital Public Infrastructure: Concepts, Benefits, and Challenges. 

Nickson, S. (2024). Statistics for the public good: What it means and why it matters. Statistical Journal of the IAOS, 40(3), 501-509. doi:https://doi.org/10.3233/SJI-230116

OEA. (2024). Lineamientos interamericanos de gobernanza de datos e inteligencia artificial. Obtenido de https://www.oas.org/ext/DesktopModules/MVC/OASDnnModules/Views/Item/Download.aspx?type=1&id=1080&lang=2

OECD. (2019). The Path to Becoming a Data-Driven Public Sector. OECD Digital Government Studies. París: OECD Publishing. doi:https://doi.org/10.1787/059814a7-en

Organización de los Estados Americanos. (2023). Marco Interamericano de Gobernanza de Datos e Inteligencia Artificial (MIGDIA). Obtenido de OEA: https://www.oas.org/ext/es/democracia/marco-interamericano-de-gobernanza-de-datos-e-inteligencia-artificial-migdia

Pickhardt, M. (2006). Fifty Years after Samuelson’s “The Pure Theory of Public Expenditure”: What are we Left With? Journal of the History of Economic Thought, 28(4), 439-460. doi:10.1017/S105383720000941X

Presidencia de la República. (2020). Marco de Confianza Digital. Decreto de Urgencia 007-2020. Lima.

Presidencia del Consejo de Ministros . (2021). Decreto Supremo 029-2021-PCM: Decreto Supremo que aprueba el Reglamento del Decreto Legislativo N° 1412. 

Presidencia del Consejo de Ministros. (2025). Exposición de motivos del Reglamento de IA. 

Presidencia del Consejo de Ministros. (2025). Listado de entidades que iniciaron el proceso de publicación de Datos Abiertos en la Plataforma Nacional de Datos Abiertos al 31 de julio de 2025. Obtenido de https://www.gob.pe/institucion/pcm/informes-publicaciones/7135918-reporte-sobre-entidades-que-iniciaron-el-proceso-de-publicacion-de-datos-abiertos-en-la-plataforma-nacional-de-datos-abiertos-al-31-de-julio-del-2025

Presidencia del Consejo de Ministros. (2025). Reporte de Seguimiento de la Política Nacional de Transformación Digital al 2030 – Ejercicio 2024. Obtenido de https://www.gob.pe/institucion/pcm/informes-publicaciones/6860706-reporte-de-seguimiento-de-la-pntd-ejercicio-2024

Ricaurte, P. (2019). Data Epistemologies, Coloniality of Power, and Resistance. Television & New Media, 1-16. doi:10.1177/1527476419831640

Samuelson, P. A. (1954). The Pure Theory of Public Expenditure. The Review of Economics and Statistics, 36(4), 387-389. doi:https://doi.org/10.2307/1925895

Secretaría de Gobierno y Transformación Digital. (2026). Estrategia Nacional de Gobernanza de Datos 2026-2030. 

Solis Ribeiro, R. (2017). ¿En qué consiste un gobierno abierto? En CEPAL, Del gobierno abierto al Estado abierto en América Latina y el Caribe (págs. 85-99).

Task Force 2. (2023). Defining the Digital Public Infrastructure Approach. Policy Brief. T20. Obtenido de https://www.global-solutions-initiative.org/wp-content/uploads/2025/03/T20_PB_TF2_2_Defining_the_Digital_Public_Infrastructure_Approach.pdf

Taylor, L. (2016). The ethics of big data as a public good: which public? Whose good? Philos Trans A Math Phys Eng Sci, 374(2083). doi:10.1098/rsta.2016.0126

The World Bank. (2022). A Digital Stack for Transforming Service Delivery ID-Payments and Data Sharing. Washington, DC. Obtenido de https://documents1.worldbank.org/curated/en/099755004072288910/pdf/P1715920edb5990d60b83e037f756213782.pdf

UNDP. (2025). The case for Nature ID: How Digital Public Infrastructure can catalyze nature and climate action. New York.

UNDP, G20. (2023). Accelerating The SDGs Through Digital Public Infrastructure: A Compendium of The Potential of Digital Public Infrastructure. New York: United Nations. Obtenido de https://www.undp.org/publications/accelerating-sdgs-through-digital-public-infrastructure-compendium-potential-digital-public-infrastructure

UNDP; G20. (2023). The DPI Approach. New York. Obtenido de https://www.undp.org/publications/dpi-approach-playbook

Unesco. (2025). Perú: evaluación del estadio de preparación de la inteligencia artificial. 

XVII Conferencia Iberoamericana de Ministras y Ministros de Administración Pública y Reforma del Estado. (2016). Carta Iberoamericana de Gobierno Abierto. Bogotá: CLAD. Obtenido de https://www.funcionpublica.gov.co/eva/admon/files/empresas/ZW1wcmVzYV83Ng==/archivos/1470417708_350c543cc190276e5a10618fd50a3245.pdf

Zuckerman, E. (2020). What is Digital Public Infrastructure? Center for Journalism & Liberty.