LLMs Robustos para la Eliminación de la Pobreza
Jul 8, 2026
En esta sesión, Robert Krueger y Esther Mao, de Worcester Polytechnic Institute, presentaron una investigación orientada a desarrollar modelos de lenguaje capaces de comprender mejor la pobreza multidimensional y apoyar a familias, trabajadores de primera línea y responsables de políticas públicas.
La pregunta central fue si es posible mejorar los modelos generativos actuales mediante datos específicamente relacionados con pobreza, programas de desarrollo, inversiones internacionales y, especialmente, información definida por las propias familias a través del Poverty Stoplight.
Cómo aprenden los modelos de lenguaje
Los modelos de lenguaje de gran escala, conocidos como LLMs, son un tipo de inteligencia artificial que comprende y genera textos. Su funcionamiento básico consiste en predecir cuál es la palabra más probable dentro de una secuencia.
Para aprender, utilizan grandes cantidades de información digital, como libros, artículos académicos, noticias, blogs, videos, informes gubernamentales y repositorios de programación.
La cantidad de datos es importante, pero también su calidad. Los modelos aprenden los patrones, asociaciones y sesgos presentes en la información con la que fueron entrenados.
"La calidad y la cantidad de los datos pueden determinar el desempeño de un modelo."
Si el conocimiento disponible es incompleto o representa únicamente algunas perspectivas, las respuestas producidas también tendrán limitaciones.
Por qué los modelos actuales no comprenden suficientemente la pobreza
Robert explicó que los modelos generativos dependen del conocimiento que fue escrito, digitalizado y publicado.
Esto deja fuera una gran cantidad de experiencias comunitarias, conocimientos transmitidos oralmente y soluciones desarrolladas localmente. Como ejemplo, señaló que al preguntar sobre la historia de la ciencia y la tecnología en África subsahariana, un modelo puede comenzar su relato con la llegada de los europeos, ignorando siglos de conocimientos anteriores.
Algo similar sucede con la pobreza. Gran parte de los datos disponibles fue producida por investigadores, funcionarios, organizaciones y financiadores. Las familias rara vez participan directamente en la definición de lo que significa vivir en pobreza o de cuáles deberían ser sus prioridades.
Los modelos pueden responder dónde existe pobreza o cuáles son sus causas según los expertos, pero tienen mayores dificultades para comprender:
● Qué consideran prioritario las familias.
● Cómo se relacionan las diferentes privaciones.
● Qué recursos ya existen en una comunidad.
● Qué soluciones son viables en cada territorio.
● Qué intervenciones funcionaron o fracasaron anteriormente.
También pueden reproducir estereotipos. Por ejemplo, algunos sistemas representan la pobreza en Estados Unidos principalmente mediante personas afroamericanas.
"Si el contexto utilizado para entrenar el modelo es incorrecto, las respuestas también pueden serlo."
Una visión multidimensional y definida por las familias
Las evaluaciones tradicionales suelen analizar dimensiones específicas, como ingresos, vivienda, salud o educación. Sin embargo, la pobreza es multidimensional y sus distintos componentes se afectan entre sí.
Robert mencionó el caso de evaluadores que consideraban la vivienda como una necesidad prioritaria para familias de Ruanda. Al observar la información del Poverty Stoplight, encontraron que las propias familias no necesariamente la colocaban entre sus prioridades inmediatas.
Esto no significa que la vivienda carezca de importancia. Significa que una intervención efectiva debe reconocer las decisiones, capacidades y circunstancias de cada familia.
La investigación busca incorporar esa perspectiva mediante datos creados y definidos directamente por las personas.
Fuentes utilizadas para entrenar el modelo
El equipo combinó cuatro fuentes principales de información:
● Encuestas DHS y MICS: Estas bases reúnen información de millones de hogares y personas sobre salud, educación, vivienda, servicios básicos y otros indicadores utilizados para medir pobreza multidimensional.
● Development Experience Clearinghouse: Esta base contiene documentación de proyectos de USAID desde 1961, incluyendo problemas identificados, intervenciones, resultados y aprendizajes.
● Datos de inversión internacional: El equipo incorporó información sobre recursos destinados a programas de desarrollo por parte de Estados Unidos, Reino Unido, Banco Mundial y Fondo Monetario Internacional.
● Poverty Stoplight: La incorporación más innovadora fue la de datos del Poverty Stoplight. Estos registros reflejan evaluaciones realizadas por las propias familias y organizadas mediante indicadores rojos, amarillos y verdes.
"Para comprender mejor la pobreza, necesitamos escuchar a las personas que la viven."
Entrenamiento y pruebas iniciales
El equipo comenzó con un modelo básico, sin conocimientos especializados sobre pobreza. Luego lo ajustó utilizando los diferentes conjuntos de datos.
Durante el entrenamiento, el modelo recibió aproximadamente el 80 % de cada base para aprender patrones. Posteriormente, se utilizó el 20 % restante para evaluar si podía aplicar lo aprendido a situaciones nuevas.
● Con los datos de pobreza multidimensional: recibió descripciones de familias y debía clasificarlas como muy pobres, pobres o no pobres.
● Con los documentos de USAID: debía analizar una situación de desarrollo y sugerir una intervención. La respuesta se comparaba con la acción que USAID había implementado realmente.
● Con los datos del Poverty Stoplight: el modelo debía predecir si una familia se encontraba en rojo, amarillo o verde en un indicador específico, utilizando sus demás indicadores y características.
Resultados preliminares
En las pruebas con proyectos de USAID en Filipinas, el modelo logró reconocer la orientación general de las intervenciones. Sin embargo, sus respuestas todavía carecían de parte del detalle y la sensibilidad presentes en los proyectos originales.
El equipo aclaró que utilizó una cantidad reducida de documentos. Espera que el modelo mejore cuando sea entrenado con una base más amplia.
Con los datos del Poverty Stoplight, el modelo consiguió identificar relaciones entre las características familiares y los diferentes indicadores. También pudo predecir con cierto éxito el color de un indicador utilizando la información de los demás.
Esto podría ayudar a reconocer patrones difíciles de observar manualmente dentro de bases de datos muy extensas.
Los investigadores enfatizaron que estos resultados son todavía exploratorios. No constituyen una validación definitiva y se necesita más información, pruebas estadísticas y evaluación antes de utilizar el modelo para decisiones relevantes.
Posibles aplicaciones
Un modelo especializado podría apoyar distintos niveles del proceso de eliminación de la pobreza:
Para las familias
Una familia podría consultar qué hicieron otras personas con condiciones y prioridades similares, o qué acciones suelen facilitar avances en varios indicadores.
También podría recibir información sobre la secuencia en que otras familias resolvieron determinadas privaciones.
La herramienta no debería decidir por la persona, sino ofrecer opciones para apoyar su reflexión.
Para trabajadores de primera línea
Los facilitadores y trabajadores sociales podrían utilizar el modelo para resumir conversaciones, identificar patrones y sugerir preguntas adicionales.
Esto podría ser especialmente útil para profesionales que manejan numerosos casos y trabajan bajo presión. Sin embargo, cualquier recomendación tendría que ser revisada, ya que el sistema puede equivocarse.
Para organizaciones y gobiernos
El modelo podría comparar las necesidades expresadas por las comunidades con las intervenciones que reciben financiamiento.
Robert presentó el ejemplo de una institución que decide construir un puente para impulsar una economía local, aunque la comunidad ya utiliza un servicio de bote y considera más urgente acceder a electricidad o agua potable.
Una herramienta conectada con las prioridades familiares podría ayudar a detectar estas diferencias antes de invertir los recursos.
Modelos adaptados a cada territorio
Los participantes destacaron que un único modelo global podría no comprender correctamente los idiomas, expresiones, condiciones y prioridades de cada comunidad.
Esther explicó que es posible desarrollar modelos adaptados a regiones específicas, siempre que exista suficiente información local de buena calidad.
El primer paso sería definir qué preguntas debe responder el modelo y qué datos se necesitan. Una organización en Hawái, por ejemplo, podría construir una herramienta basada en las realidades particulares de sus islas y comunidades.
Una vez implementado, el sistema podría continuar aprendiendo mediante la retroalimentación de sus usuarios. Sin embargo, sus respuestas nunca deberían considerarse verdades absolutas.
Una herramienta dentro de un proceso humano
La sesión enfatizó que la IA puede sugerir patrones, preguntas o alternativas, pero no debe sustituir las decisiones humanas.
Los modelos predictivos pueden cometer errores y reproducir desigualdades. Esto resulta especialmente delicado cuando se trabaja con servicios sociales, poblaciones vulnerables o decisiones que afectan directamente la vida de las personas.
La herramienta debe utilizarse con transparencia y permitir que familias, trabajadores sociales y organizaciones cuestionen o rechacen sus recomendaciones.
"La tecnología es una herramienta, no una autoridad."
Preguntas y respuestas
¿Cómo se evaluó estadísticamente el desempeño del modelo?
Un participante preguntó qué método estadístico se utilizó para afirmar que las intervenciones sugeridas se parecían a las reales.
Esther explicó que, en la prueba con proyectos de Filipinas, no se aplicó todavía una evaluación estadística rigurosa. La muestra incluía alrededor de 50 documentos y los resultados fueron revisados cualitativamente por el equipo.
Reconoció que será necesario ampliar la muestra y desarrollar métodos más sólidos para medir el desempeño del modelo.
¿Cómo podría ayudar concretamente a una familia?
Se planteó el ejemplo de una familia con ingresos limitados que debe decidir entre comprar ropa o atender una necesidad dental.
Robert explicó que el modelo podría analizar lo que hicieron otras familias con condiciones similares y mostrar qué decisiones estuvieron asociadas con posteriores avances.
También podría considerar el orden en que determinadas acciones facilitaron mejoras en otros indicadores. La decisión final continuaría en manos de la familia.
¿Puede apoyar a trabajadores sociales con grandes cargas de casos?
Una participante preguntó si el modelo podría analizar conversaciones de acompañamiento y detectar necesidades que un trabajador social no observó.
Robert señaló que podría resumir varias interacciones, identificar patrones y sugerir nuevas preguntas. Esto podría ayudar a profesionales que trabajan con urgencias constantes y grandes volúmenes de información.
Sin embargo, las sugerencias tendrían que revisarse cuidadosamente porque el modelo podría interpretar incorrectamente una conversación.
¿Es posible construir modelos verdaderamente locales?
Participantes de Hawái y Paraguay preguntaron si un LLM podría comprender las diferencias entre territorios, idiomas y culturas.
Esther respondió que es técnicamente posible, pero depende de contar con datos locales suficientes y de buena calidad. También es necesario determinar claramente qué problema se quiere resolver.
Los modelos locales podrían aprender con la retroalimentación de sus usuarios, pero su desarrollo requeriría colaboración entre organizaciones, comunidades y especialistas técnicos.
¿Cómo evitar que las personas confíen demasiado en sus respuestas?
Ante una pregunta sobre verdad, empatía y responsabilidad, Esther señaló que los usuarios deben comprender que la IA es solamente una herramienta dentro de un conjunto más amplio de recursos.
Las organizaciones deben explicar sus limitaciones y evitar presentarla como una fuente absoluta. Su función debería ser generar nuevas preguntas y opciones, no reemplazar el criterio de las personas.
Participa
¿Te interesa participar en futuros eventos virtuales y presenciales de la Red Global de Poverty Stoplight?
👉 Suscríbete al boletín mensual.
También puedes conocer más sobre el próximo Cerrito Forum 2026, el encuentro internacional anual sobre desarrollo global que reunirá, del 12 al 16 de octubre, a actores de todo el mundo comprometidos con la eliminación de la pobreza.
Back to all webinars