La ONU se asocia con Google para hacer que las estadísticas globales sean utilizables por agentes de IA
La ONU está construyendo con Google una plataforma de estadísticas preparada para IA, con búsqueda en lenguaje natural, procedencia y acceso MCP tras la baja precisión de los modelos.
Las Naciones Unidas están trabajando con Google para reconstruir la forma en que sus datos estadísticos pueden ser encontrados y utilizados por personas y sistemas de IA. El nuevo UN System Data Commons reemplaza el antiguo portal UNData con búsqueda en lenguaje natural y acceso directo por máquina a través del Model Context Protocol, o MCP.
El proyecto responde a un problema práctico: los modelos de IA de uso general a menudo no logran recuperar estadísticas básicas de desarrollo de forma precisa o consistente. Una prueba de UNICEF con seis modelos líderes encontró una tasa media de precisión del 21,2 % en más de 133.000 respuestas, según João Pedro Azevedo, el estadístico jefe de UNICEF.
Para los desarrolladores de IA y los equipos de datos empresariales, la iniciativa es notable porque se dirige a la capa por debajo del modelo. En lugar de pedirle a un sistema de IA que dependa de datos de entrenamiento o de búsquedas abiertas en la web, la ONU está creando una fuente estructurada que los agentes pueden consultar, inspeccionar y citar.
De UNData al UN System Data Commons
El UN System Data Commons se basa en la plataforma de código abierto Data Commons de Google, que Google lanzó en 2018 para organizar conjuntos de datos públicos de distintos proveedores dentro de un marco común. La versión de la ONU reúne estadísticas de múltiples agencias de la ONU en un entorno único y قابل de búsqueda.
El portal anterior UNData obligaba a los usuarios a explorar y buscar mediante una interfaz de base de datos más convencional. El nuevo sistema permite hacer preguntas en lenguaje natural y encontrar estadísticas en las distintas agencias participantes. También registra el origen de cada estadística, lo que permite a un usuario —o a una aplicación de IA— rastrear una respuesta hasta su fuente subyacente de la ONU.
La ONU dijo que 26 entidades se han comprometido con la plataforma, con datos de casi 20 disponibles en el lanzamiento. Su objetivo es llevar el 80 % de los conjuntos de datos estadísticos del sistema de la ONU a la plataforma para 2027. Esas cifras describen compromisos y objetivos, no una migración completada, y la evidencia no especifica cuánto dato ya está estandarizado entre agencias.
Google.org aportó 2 millones de dólares en financiación para desarrollo de capacidades y apoyo técnico para la infraestructura central de la plataforma. El equipo de Data Commons de Google dijo a TechCrunch que el sistema está alojado en una instancia gobernada por la ONU y que la intención es que, con el tiempo, sea mantenido, operado y escalado de forma independiente por la ONU.
Por qué importa el benchmark de IA
La asociación sigue a un documento de trabajo de UNICEF que expuso debilidades en el acceso a datos de desarrollo asistido por IA. La prueba cubrió GPT-4o y GPT-4o-mini de OpenAI, Claude Sonnet 4.5 y Haiku 4.5 de Anthropic, y Gemini 2.5 Flash y Gemini 2.0 Flash de Google.
Azevedo dijo que aproximadamente tres de cada cinco respuestas no ofrecieron una cifra utilizable, a menudo porque los modelos se mostraban evasivos en lugar de responder. Cuando las mismas preguntas se ejecutaron de nuevo en las mismas versiones de los modelos unos dos días después, los modelos que dieron una cifra en ambas ocasiones devolvieron la misma cifra solo aproximadamente la mitad de las veces.
Los resultados deben tratarse con cautela. UNICEF aún no ha publicado la metodología, el código ni los datos de prueba, y el documento de trabajo no ha sido revisado por pares. Por tanto, los hallazgos son una advertencia temprana sobre la fiabilidad de la recuperación de información por IA, no una clasificación definitiva de los modelos probados.
UNICEF también informó de un fuerte aumento del tráfico procedente de asistentes generativos de IA. Las referencias desde respuestas de ChatGPT al sitio web de UNICEF aumentaron un 67 % interanual entre el 1 de enero y el 14 de septiembre, según Azevedo. Esas referencias representaron el 6,4 % de todas las sesiones, mientras que UNICEF estimó que los asistentes de IA representaron aproximadamente una de cada diez visitas en total. Estas son cifras de tráfico informadas por la agencia y no muestran si los visitantes confiaron en las respuestas recibidas o actuaron en consecuencia.
MCP convierte las estadísticas en un flujo de trabajo de agente
El soporte de la plataforma para el Model Context Protocol es central para su uso previsto. MCP proporciona a las aplicaciones de IA una forma estándar de conectarse a herramientas y fuentes de datos externas. Google añadió soporte MCP a Data Commons el año pasado, permitiendo que agentes de IA consulten estadísticas y recuperen directamente sus fuentes.
Eso cambia el flujo de trabajo de una simple respuesta a preguntas a la construcción de datos. En una demostración de Google, un sistema de IA conectado a los datos de la ONU mediante MCP identificó estadísticas relacionadas con el impacto del Plan de Emergencia del Presidente de Estados Unidos para el Alivio del SIDA en África. Combinó indicadores como infecciones por VIH, mortalidad por sida y esperanza de vida para producir una infografía.
Para los equipos de producto, la diferencia importante es entre recuperar un único valor verificado y generar un análisis a partir de varios valores. Un sistema conectado puede crear paneles, gráficos o informes escritos sin que el usuario tenga que localizar y combinar manualmente conjuntos de datos. Sin embargo, la calidad del resultado sigue dependiendo de si el agente elige indicadores adecuados, entiende sus definiciones y conserva las diferencias de geografía, periodo temporal y metodología.
La demostración de Google es un ejemplo de proveedor, no una evaluación independiente del rendimiento en producción. El acceso a datos autorizados puede reducir una fuente de error, pero no impide que un modelo de IA interprete mal los datos o saque una conclusión sin fundamento.
Implicaciones para desarrolladores e instituciones
El proyecto de la ONU apunta hacia una arquitectura más controlada para aplicaciones de IA que responden preguntas sobre política pública, salud, desarrollo y economía. Los desarrolladores pueden usar una fuente de datos gobernada con procedencia en lugar de tratar a un modelo de lenguaje como si fuera la propia base de datos. Eso podría facilitar la auditoría de respuestas, la actualización de cifras y la identificación de la fuente detrás de un gráfico generado.
También eleva los requisitos de implementación. Una interfaz útil para agentes debe exponer más que un número: debe conservar el conjunto de datos, el editor, la definición, la unidad, el alcance geográfico y el periodo de informe. Sin ese contexto, una estadística técnicamente correcta aún puede usarse de forma incorrecta. Por ello, la decisión de la ONU de rastrear la cadena de origen es tan importante como su interfaz en lenguaje natural.
Los compradores empresariales no deberían interpretar el lanzamiento como prueba de que el análisis generado por IA está listo para publicarse sin supervisión. Prem Ramaswami, de Google, dijo que la revisión humana debe seguir presente porque los modelos pueden malinterpretar matices. Esa advertencia es especialmente relevante para las estadísticas oficiales, donde pequeñas diferencias de definición pueden cambiar materialmente una conclusión.
El proyecto también otorga a Google un papel en la infraestructura utilizada para acceder a datos del sector público, aunque el destino declarado sea un sistema gobernado por la ONU y operado de forma independiente. Su importancia a largo plazo dependerá de si la ONU puede mantener esquemas coherentes, calendarios de actualización, controles de acceso y calidad de las fuentes en decenas de agencias.
Qué observar a continuación
La primera señal será la publicación por parte de UNICEF de su metodología, código y datos. Ese material debería aclarar cómo el benchmark definió la precisión, qué preguntas se hicieron y si las diferencias de modelo informadas se mantienen bajo revisión independiente.
La segunda es la adopción real del UN System Data Commons. El progreso hacia el objetivo de 2027, el número de conjuntos de datos migrados y la coherencia de los metadatos entre agencias revelarán si la plataforma se está convirtiendo en infraestructura operativa o si sigue siendo una capa de demostración.
Los desarrolladores de IA también deberían vigilar integraciones MCP más allá de los ejemplos de Google, incluidas herramientas independientes que prueben la precisión de las citas, la frescura de las actualizaciones y el comportamiento del agente cuando las fuentes de datos discrepan. Para las instituciones, la pregunta clave es si los resultados generados pueden auditarse con suficiente fiabilidad para investigación, análisis de políticas y comunicación pública.
Perspectiva de Creati.ai
La iniciativa de la ONU aborda una parte descuidada de la pila de IA: el acceso fiable a información estructurada y autorizada. Los mejores modelos por sí solos probablemente no resolverán el problema mostrado por la prueba de UNICEF si la vía de recuperación subyacente es ambigua o difícil de verificar.
La prueba más dura será la gobernanza, no la demostración. Si la ONU puede mantener coherentes las definiciones, la procedencia y las actualizaciones mientras abre sus datos a los agentes, la plataforma podría convertirse en una arquitectura de referencia práctica para la IA del sector público. Si no puede, MCP podría simplemente hacer más rápido recuperar datos inconsistentes y convertirlos en análisis pulido pero engañoso.
