Transparencia algorítmica: una guía completa para la IA responsable en los servicios públicos

febrero 10 2026, por Paul Waite
26 Tiempo mínimo de lectura

La transparencia algorítmica se refiere a la divulgación pública y comprensible de cómo los algoritmos influyen en las decisiones en áreas como la asistencia social, la policía, la atención médica y el reclutamiento. Significa visibilizar los procesos, normalmente ocultos, que influyen en si una persona recibe prestaciones sociales, es detectada por las fuerzas policiales o pasa los controles de inmigración.

A partir de aproximadamente 2015, los gobiernos del Reino Unido y de Europa comenzaron a implementar sistemas de aprendizaje automático para la toma de decisiones de alto impacto. El sistema neerlandés SyRI de detección de fraudes en la asistencia social, los algoritmos de visados del Reino Unido y los proyectos piloto de vigilancia policial predictiva generaron una gran preocupación pública sobre cómo los sistemas automatizados estaban afectando la vida de las personas sin una supervisión adecuada.

En esencia, la transparencia algorítmica consiste en que las personas sepan cuándo se utiliza un sistema automatizado, en qué datos se basa, quién es responsable y cómo cuestionar o apelar sus resultados. Este artículo aborda el panorama actual de los algoritmos en los servicios públicos, el problema del sesgo y la opacidad, los marcos legales y de políticas, el Estándar de Transparencia Algorítmica del Reino Unido y el ATRS, las directrices de implementación y las futuras orientaciones.

Las partes interesadas involucradas abarcan departamentos del gobierno central, autoridades locales, reguladores como la ICO y la CMA, organizaciones de la sociedad civil, periodistas, académicos y las propias comunidades afectadas.

Algoritmos en la toma de decisiones del sector público: panorama actual

Desde aproximadamente 2010, los sistemas algorítmicos se han integrado en la administración pública de toda Europa, con una notable aceleración a partir de 2018 gracias a los avances en aprendizaje automático y a una mayor disponibilidad de datos administrativos. Lo que comenzó como una simple puntuación basada en reglas ha evolucionado hasta convertirse en sofisticados modelos predictivos que influyen en millones de decisiones cada año.

Estas herramientas algorítmicas operan en numerosos dominios:

Dominio	Ejemplos de aplicaciones
Protección infantil	Evaluaciones de riesgos en las autoridades locales
Aplicación de la ley	Herramientas de vigilancia predictiva, asignación de recursos
Bienestar	Puntuación de elegibilidad, sistemas de detección de fraude
Cuidado de la salud	Algoritmos de triaje, apoyo diagnóstico
Reclutamiento	Selección de CV en la contratación de funcionarios públicos
Inmigración	Calificación de riesgo en control fronterizo y tramitación de visados

Estos sistemas abarcan desde simples hojas de cálculo de puntuación basadas en reglas hasta complejos modelos de redes neuronales, a veces integrados en servicios digitales más amplios, en lugar de herramientas de IA independientes. Comprender cómo funcionan las herramientas algorítmicas en servicios públicos más amplios es esencial para una transparencia significativa.

Muchas de estas herramientas influyen en la libertad y las oportunidades de vida. Un algoritmo que señala a alguien para una investigación por fraude a la asistencia social, recomienda que un niño sea puesto bajo tutela o califica a un solicitante de visa como de alto riesgo puede alterar fundamentalmente la trayectoria de esa persona. Por eso la transparencia es un derecho democrático y no una cuestión puramente técnica.

Los gobiernos suelen adquirir estas herramientas de proveedores externos, lo que genera tensiones entre la confidencialidad comercial y el derecho del público a saber cómo funcionan los procesos de toma de decisiones. Esta realidad en materia de adquisiciones influye en gran medida en el desafío de la transparencia.

Sesgo algorítmico, discriminación y opacidad

Los algoritmos pueden reproducir o amplificar los sesgos sociales existentes al entrenarse con datos históricos. Al combinarse con la falta de transparencia, estos patrones dañinos se vuelven casi imposibles de detectar hasta que se ha producido un daño significativo.

Los ejemplos del mundo real lo ilustran claramente:

Históricamente, los motores de búsqueda mostraban anuncios de trabajo estereotipados según el género, lo que reforzaba la segregación ocupacional.
El sistema holandés SyRI fue declarado ilegal por un tribunal en 2020, en parte debido a preocupaciones sobre opacidad y discriminación: se dirigía desproporcionadamente a barrios de bajos ingresos e inmigrantes.
Se ha demostrado que las herramientas de vigilancia predictiva se centran excesivamente en las comunidades minoritarias porque están diseñadas con datos históricos delictivos sesgados que reflejan patrones policiales en lugar de tasas de delincuencia reales.

Los conjuntos de datos sesgados o incompletos generan desventajas sistemáticas. Cuando ciertos grupos étnicos, áreas geográficas o poblaciones socioeconómicas están subrepresentados en los datos de entrenamiento, los modelos resultantes tienen un rendimiento deficiente para dichos grupos. Si a esto le sumamos modelos propietarios y opacos, tenemos la receta perfecta para daños irresponsables.

Cuando los organismos del sector público no pueden explicar la lógica de un algoritmo:

Los ciudadanos tienen dificultades para impugnar los resultados
Los abogados no pueden impugnar decisiones de forma significativa
Los organismos de supervisión tienen una capacidad limitada para investigar
Los patrones de discriminación pasan desapercibidos

La transparencia es fundamental para detectar la discriminación, realizar auditorías externas y diseñar estrategias de mitigación eficaces. Sin visibilidad sobre el funcionamiento de la toma de decisiones algorítmica, no es posible implementar adecuadamente las restricciones de equidad, el reequilibrio de datos ni la supervisión humana.

Elementos fundamentales de una transparencia significativa

El término "transparencia" se utiliza a menudo de forma imprecisa en los debates sobre políticas. ¿Qué información deberían divulgar los organismos públicos para que la supervisión sea significativa? Esta sección especifica los componentes relevantes.

Finalidad y titularidad

Los registros de transparencia deben documentar:

El propósito de la herramienta y el problema que pretende resolver
Decisiones específicas que apoya o influye
La población afectada (solicitantes, reclamantes, residentes, etc.)
El propietario de la organización y los funcionarios responsables
Cómo el personal de primera línea utiliza los resultados en la práctica

Datos e información técnica

La transparencia significativa se extiende a la gobernanza de datos:

Fuentes de datos (bases de datos administrativas, datos de sensores, conjuntos de datos externos)
Controles de calidad de datos y procesos de validación
Cualquier uso de atributos sensibles o protegidos (etnia, discapacidad, estatus migratorio)
Tratamiento de los proxies que podrían correlacionarse con características protegidas

Los aspectos técnicos deben comunicarse en dos niveles:

Nivel	Audiencia	Nivel de contenido
Nivel 1	Público general	Resúmenes en lenguaje sencillo, breve explicación del propósito y uso.
Nivel 2	Especialistas	Tipo de modelo, métricas de rendimiento, especificaciones técnicas, limitaciones conocidas

Supervisión humana y apelaciones

De manera crítica, los registros de transparencia deben documentar:

Si las decisiones están totalmente automatizadas o respaldadas por trabajadores sociales humanos
Procesos de apelación y revisión disponibles para las personas afectadas
Cómo pueden las personas obtener una explicación de las decisiones asistidas por algoritmos
Puntos de contacto para solicitar revisión humana

Impulsores políticos y legales de la transparencia algorítmica

Desde aproximadamente 2019, muchos gobiernos nacionales y organismos internacionales han adoptado principios y normas que exigen explícitamente la transparencia algorítmica en el sector público. Esto no es una práctica recomendada voluntaria, sino un requisito legal cada vez más extendido.

Los instrumentos y marcos clave incluyen:

Principios de IA de la OCDE (2019) : Enfatizar la transparencia y la rendición de cuentas algorítmica como requisitos fundamentales
Ley de IA de la UE (acuerdo político de 2023) : introduce obligaciones de transparencia para los sistemas de IA de alto riesgo, que afectan a todo, desde la identificación biométrica hasta la administración del bienestar.
Leyes de protección de datos : Tanto el RGPD del Reino Unido como el RGPD de la UE exigen información y garantías en torno a la toma de decisiones automatizada, incluidos los derechos de explicación en virtud del Artículo 22.
Ley de Servicios Digitales de la UE : Crea requisitos de transparencia para los resultados de búsqueda y los sistemas de recomendación de contenido

En el Reino Unido, la Oficina Central de Datos y Digitalización ha desarrollado estándares que incluyen el Estándar de Transparencia Algorítmica y el Estándar de Registro de Transparencia Algorítmica para poner en práctica estos principios de alto nivel para los departamentos gubernamentales y los organismos públicos.

Los reguladores sectoriales refuerzan este panorama. La Oficina del Comisionado de Información ha publicado una guía sobre IA explicable, evaluaciones de riesgos y documentación. Estas expectativas regulatorias generan presión práctica para implementar prácticas de transparencia estructuradas.

Las conversaciones globales involucran a la sociedad civil, el mundo académico y organismos multilaterales, explorando cómo la transparencia puede coexistir con las preocupaciones legítimas sobre la seguridad nacional y la propiedad intelectual. La Unión Europea ha sido particularmente activa en el desarrollo de marcos que equilibren estos intereses.

El Estándar de Transparencia Algorítmica del Reino Unido: propósito y estructura

El Estándar de Transparencia Algorítmica del Reino Unido es una iniciativa del gobierno del Reino Unido, coordinada por la Oficina Central de Datos y Digitales, diseñada para ayudar a las organizaciones del sector público a publicar información consistente y clara sobre las herramientas algorítmicas que utilizan.

El enfoque de dos niveles

El estándar utiliza dos niveles para atender a diferentes públicos:

El Nivel 1 ofrece una explicación breve y accesible para el público general. Considérelo un resumen rápido que responde a preguntas básicas: ¿Qué hace esta herramienta? ¿Por qué se utiliza? ¿Cómo me afecta?

El nivel 2 ofrece información detallada para especialistas (investigadores, periodistas, grupos de la sociedad civil y auditores técnicos) que necesitan examinar cómo funcionan realmente los sistemas algorítmicos.

Categorías cubiertas

La Norma generalmente cubre cinco categorías de información:

Propiedad y responsabilidad : ¿Quién lo construyó, quién lo opera, quién es responsable?
Descripción y fundamento de la herramienta : qué hace y por qué se introdujo
Contexto de implementación : dónde y cómo se utiliza la herramienta en la práctica
Especificaciones de datos y modelos : detalles técnicos sobre entradas, arquitectura y rendimiento
Riesgos, mitigaciones y evaluaciones de impacto : ¿Qué podría salir mal y cómo se está gestionando?

Este marco promueve la rendición de cuentas, el aprendizaje y el intercambio de conocimientos en toda la administración pública. Los departamentos y las autoridades locales pueden observar cómo otros diseñan y gestionan sus herramientas, lo que facilita el intercambio de conocimientos y la difusión de buenas prácticas.

Las primeras versiones se han probado en varios organismos públicos del Reino Unido, con la expectativa de que la Norma continúe evolucionando en función de los comentarios y los cambios en los requisitos regulatorios.

Estándar de Registro de Transparencia Algorítmica (ATRS): poner la transparencia en práctica

El Estándar de Registro de Transparencia Algorítmica proporciona una plantilla y un esquema concretos para que las organizaciones del sector público registren y publiquen los detalles de sus herramientas algorítmicas en plataformas como GOV.UK. Convierte los principios en registros prácticos y publicables.

¿Qué está dentro del alcance?

ATRS define lo que se considera una “herramienta algorítmica”:

Sistemas que utilizan inteligencia artificial o aprendizaje automático
Modelado estadístico que influye en las decisiones individuales
Algoritmos complejos que afectan a los servicios de primera línea o al procesamiento automatizado

Las hojas de cálculo sencillas o las simulaciones generales de políticas suelen quedar fuera del enfoque principal. El estándar se centra en herramientas con impacto directo en las personas.

Pasos de implementación

ATRS espera que las organizaciones sigan un proceso estructurado:

Asignar un responsable : designar un único punto de contacto responsable del registro de transparencia
Recopilar información : recopilar información relevante de equipos internos y proveedores externos
Complete ambos niveles : Borrador de las secciones de Nivel 1 y Nivel 2 utilizando las plantillas proporcionadas
Obtener autorización : asegurar la aprobación interna antes de la publicación
Publicar y mantener : hacer que los registros sean accesibles y mantenerlos actualizados

Áreas de contenido

Los registros ATRS cubren:

Información resumida para el público
Detalles de propiedad y responsabilidad
Descripción detallada y justificación
Contexto de implementación y casos de uso
Especificaciones técnicas con niveles de detalle adecuados
Información sobre datos de desarrollo y operaciones
Evaluaciones de riesgos e impacto realizadas
Fechas de publicación y procesos de actualización

El ATRS se está implementando como requisito obligatorio para los departamentos gubernamentales del Reino Unido y organismos independientes que prestan servicios públicos o de primera línea. Esto convierte la transparencia algorítmica en una práctica estándar, en lugar de un requisito voluntario.

Diseño de buenos registros de transparencia: claridad, accesibilidad y alcance

Los registros de transparencia deben ser útiles tanto para los no expertos como para los especialistas. Esto implica evitar la jerga y, al mismo tiempo, ofrecer suficiente contenido para un escrutinio público riguroso.

Pautas de contenido de nivel 1

Para contenido general dirigido al público:

Utilice frases cortas y claras
Evite los términos técnicos siempre que sea posible (o explíquelos)
Concéntrese en lo que hace la herramienta, por qué se utiliza y cómo afecta a las personas.
Incluir información práctica sobre apelaciones y revisión humana

Una buena prueba: ¿podría alguien sin conocimientos técnicos entender esta explicación? Intenta leerla a un compañero fuera de tu equipo.

Pautas de contenido de nivel 2

Para público especializado:

Mantenga la legibilidad mientras agrega detalles técnicos
Incluya tipos de modelos, métricas de rendimiento y resúmenes de arquitectura
Fuentes de datos de documentos y acuerdos de gobernanza
Escriba de manera que los analistas, investigadores y periodistas puedan interpretar la información accesible.

Manejo de redacciones

Cierta información no puede publicarse por razones de seguridad nacional o propiedad intelectual. Cuando esto sucede:

Sea explícito sobre lo que se retiene y por qué
Utilice la redacción con moderación y con una justificación clara.
No retenga registros completos cuando sea posible una divulgación parcial
Documentar el proceso de toma de decisiones para redacciones

Probar las explicaciones preliminares con colegas sin conocimientos técnicos o con grupos de participación pública ayuda a confirmar que las descripciones sean realmente comprensibles. Lo que parece obvio para el equipo de desarrollo a menudo confunde a los lectores externos.

Trabajar con proveedores y gestionar las preocupaciones de confidencialidad

Muchos algoritmos del sector público son desarrollados o alojados por empresas privadas. Esto genera una tensión real entre la confidencialidad comercial y los requisitos de transparencia, pero es una tensión que se puede gestionar.

Adquisiciones y contratos

La clave es crear expectativas de transparencia en las relaciones desde el principio:

Incluir requisitos de transparencia en los documentos de contratación
Redactar contratos que requieran que los proveedores proporcionen descripciones de alto nivel
Especificar que los proveedores de las partes deben respaldar la creación de registros de transparencia
Establezca expectativas antes de firmar, no después del despliegue

¿Qué pueden compartir los proveedores?

Las plantillas ATRS están diseñadas para evitar solicitar el código fuente o la configuración exacta de los parámetros. En su lugar, se centran en:

Finalidad y uso previsto
Flujos de datos y categorías de entrada
Características de rendimiento
Controles de gobernanza y mecanismos de supervisión humana

La mayor parte de esto se puede compartir sin comprometer la propiedad intelectual. El objetivo es la transparencia sobre la función de un sistema y su gestión, sin revelar detalles de implementación patentados.

Tranquilizar a los proveedores

Los organismos públicos pueden señalar:

Políticas existentes que protegen la información confidencial
Procedimientos de redacción de material verdaderamente sensible
Exenciones por riesgos de seguridad o comerciales
Procesos claros para resolver desacuerdos sobre la divulgación

Establecer canales de comunicación claros con los equipos técnicos y legales de los proveedores ayuda a resolver dudas sobre el nivel de detalle adecuado para la publicación. La mayoría de los proveedores, una vez que comprenden los requisitos, pueden proporcionar la información adecuada.

Datos, rendimiento y riesgo: qué revelar sobre los modelos en uso

La transparencia no se limita a indicar la existencia de un algoritmo. Requiere describir los datos que utiliza, su rendimiento y los riesgos identificados.

Arquitectura y diseño

Las organizaciones deben proporcionar una descripción de alto nivel de:

Arquitectura del sistema (sin detalles de implementación propietarios)
Entradas y salidas principales
API externas o modelos entrenados previamente en uso
Cómo se integra el sistema con servicios digitales más amplios

Datos de desarrollo y operativos

La información que debe compartirse incluye:

Categoría	Qué revelar
Orígenes de los conjuntos de datos	De dónde provienen los datos de entrenamiento
Períodos de tiempo	¿Qué período cubren los datos?
Tamaño y alcance	Tamaño aproximado del conjunto de datos
Calidad de los datos	Tratamiento de datos faltantes o incorrectos
Atributos sensibles	Uso de características protegidas o proxies

Rendimiento y equidad

Los informes de rendimiento deben utilizar métricas apropiadas para la tarea:

Precisión, recuperación y puntuaciones F1 para sistemas de clasificación
Medidas de calibración para puntuaciones de riesgo
Desempeño desagregado entre diferentes grupos de población

Las evaluaciones de imparcialidad o sesgo deben describirse en términos generales, junto con las medidas de mitigación adoptadas. Si el sistema funciona de manera diferente para distintos grupos, esto debe reconocerse, junto con las medidas para abordarlo.

Documentación de riesgos

Los registros deben hacer referencia a evaluaciones de impacto pertinentes:

Evaluaciones de impacto sobre la protección de datos (EIPD)
Evaluaciones de impacto en la igualdad
Revisiones éticas realizadas interna o externamente
Evaluaciones de seguridad

Enumere las principales categorías de riesgo identificadas (legales, éticos, operativos y de seguridad), incluso cuando los documentos completos estén enlazados en otro lugar. Esto crea un punto de partida útil para cualquier persona que investigue el sistema.

Apelaciones, rendición de cuentas y escrutinio público

La transparencia algorítmica solo tiene un impacto real cuando las personas pueden actuar con base en la información: comprender las decisiones, solicitar la revisión humana y cuestionar los resultados injustos. La información sin acción es solo documentación.

Claridad sobre la automatización

Los registros de transparencia deben indicar claramente:

Si una decisión está totalmente automatizada o respaldada por trabajadores sociales humanos
El papel del algoritmo en el proceso general de toma de decisiones
¿Qué medidas pueden tomar los ciudadanos si creen que una decisión asistida por algoritmo es errónea?
Plazos y procedimientos para las apelaciones

Según el artículo 22 del RGPD del Reino Unido, las personas tienen derechos específicos relacionados con la toma de decisiones automatizada. Los documentos de transparencia pueden servir como guía práctica para ejercer los derechos fundamentales, explicando no solo la función del sistema, sino también qué pueden hacer las personas afectadas al respecto.

Escrutinio externo

Los registros de transparencia publicados permiten que los actores externos desempeñen su papel de rendición de cuentas:

Los periodistas pueden investigar los sistemas e identificar problemas de forma temprana
Las organizaciones de la sociedad civil pueden defender a las comunidades afectadas
Los investigadores académicos pueden realizar análisis independientes
Los auditores pueden evaluar el cumplimiento de los requisitos legales

Los organismos públicos deben planificar sus comunicaciones en torno a la publicación de los registros de transparencia. Las preguntas frecuentes o las entradas de blog ayudan a contextualizar las herramientas sensibles y a gestionar las expectativas del público. La comunicación proactiva es mejor que el control de daños reactivo.

Implementar y mantener la transparencia a lo largo del tiempo

La transparencia algorítmica es un proceso continuo, no una divulgación puntual en el lanzamiento. Los sistemas cambian, los datos se transforman y la comprensión evoluciona.

Prácticas del ciclo de vida

Escenario	Acción de transparencia
Piloto	Crear registro inicial, anotar estado experimental
Producción	Actualización con detalles operativos completos
Cambios importantes	Revisar cuando cambian los modelos, las fuentes de datos o los casos de uso
Jubilación	Registro de desmantelamiento con explicación de lo que reemplazó a la herramienta

Acuerdos de gobernanza

La gobernanza interna debe:

Asignar una propiedad clara (propietario responsable superior y líderes operativos)
Establecer puntos de revisión regulares (trimestrales o semestrales)
Asegúrese de que los registros reflejen el uso en el mundo real, no solo las intenciones de diseño
Incorpore actualizaciones de transparencia en los procesos de gestión de cambios

Desencadenantes de actualizaciones

Es posible que se necesiten actualizaciones cuando:

Se detecta una desviación del rendimiento
Surgen nuevos hallazgos de sesgo a partir del monitoreo
Los requisitos legales o de políticas cambian
Se implementan cambios sustanciales de diseño
Los comentarios de los usuarios o del público resaltan los problemas

Cada actualización debe pasar por aprobación interna antes de su republicación. Trate los registros de transparencia como documentos vivos que registran la evolución de la herramienta y las lecciones aprendidas, en lugar de meros artefactos de cumplimiento.

Perspectivas internacionales y gobernanza colaborativa

El enfoque del Reino Unido se enmarca en un movimiento internacional más amplio. Varios gobiernos nacionales han experimentado con inventarios, registros y evaluaciones de impacto de IA desde finales de la década de 2010.

Enfoques comparativos

Jurisdicción	Acercarse
Canadá	Requisito de evaluación de impacto algorítmico
Países Bajos	Registros de algoritmos a nivel municipal
Ciudades de EE. UU.	Registros locales de IA y prohibiciones de usos específicos
unión Europea	Ley de IA con requisitos de transparencia basados en el riesgo

Organizaciones y redes internacionales —la OCDE, la Comisión Europea y los observatorios de gobierno digital— promueven el aprendizaje compartido sobre el aumento de las prácticas de transparencia algorítmica en todos los países. El Reino Unido participa en estos foros y desarrolla sus propios estándares.

Gobernanza colaborativa

Una gobernanza eficaz normalmente implica a múltiples actores:

Gobiernos nacionales y reguladores
Proveedores y suministradores de tecnología
Grupos de la sociedad civil y organizaciones de defensa
Universidades e instituciones de investigación
Comunidades afectadas y sus representantes

Este modelo colaborativo reconoce que ningún actor tiene pleno conocimiento ni autoridad. Los mecanismos de transparencia del alcance funcionan mejor cuando se basan en diversas perspectivas.

Direcciones futuras

La colaboración transfronteriza es especialmente importante para los modelos y plataformas de uso generalizado, donde las decisiones de un país influyen en las herramientas implementadas en otros lugares. Los avances futuros podrían incluir:

Estándares de transparencia interoperables entre jurisdicciones
Esquemas comunes para registros de algoritmos
Repositorios compartidos de estudios de caso
Enfoques coordinados para auditar sistemas globales

El objetivo es facilitar el aprendizaje transfronterizo respetando los diferentes contextos jurídicos y políticos.

Conclusión: hacia unos servicios públicos fiables asistidos por algoritmos

La transparencia algorítmica es ahora un requisito fundamental para el uso legítimo y fiable de la inteligencia artificial y los algoritmos complejos en la toma de decisiones del sector público. No es un añadido voluntario ni un capricho: es fundamental para el funcionamiento del gobierno en una sociedad democrática.

Los temas clave son claros:

Los servicios públicos dependen cada vez más de herramientas algorítmicas para tomar decisiones de mayor impacto en materia de bienestar, policía, atención sanitaria y más.
La transparencia es esencial para detectar sesgos, proteger los derechos fundamentales y permitir la rendición de cuentas.
Normas como el Estándar de Transparencia Algorítmica del Reino Unido y el estándar de registro de transparencia algorítmica traducen los principios a la práctica.
La implementación requiere un compromiso continuo, no una divulgación única

La transparencia debe ser significativa (clara, exhaustiva y actualizada) y estar acompañada de una gobernanza sólida, auditorías externas y vías de apelación para aumentar la transparencia de manera que realmente genere confianza pública. Publicar información que nadie puede comprender ni aplicar es completamente irrelevante.

A medida que los sistemas automatizados se generalicen después de 2025, las organizaciones que inviertan en prácticas sólidas de transparencia estarán mejor posicionadas para innovar responsablemente y mantener la rendición de cuentas democrática. La primera versión de su enfoque de transparencia no será perfecta, pero comenzar ahora —recopilar retroalimentación, perfeccionar los registros y desarrollar la capacidad interna— las posiciona para el éxito a medida que los requisitos se endurecen y las expectativas del público aumentan.

Ha llegado el momento de integrar la transparencia algorítmica en las prácticas de su organización. Revise sus ejemplos actuales de herramientas algorítmicas, evalúelas según los requisitos de ATRS y comience a desarrollar la documentación y las estructuras de gobernanza que respaldarán una toma de decisiones asistida por algoritmos transparente y responsable en los próximos años.