La República de El Salvador atraviesa un período de reestructuración estatal e institucional profundo, caracterizado por una transición acelerada hacia la digitalización de sus servicios públicos y la adopción de tecnologías de frontera. Para comprender la magnitud de esta transformación y la viabilidad de la implementación de arquitecturas de aprendizaje profundo (Deep Learning) en el aparato gubernamental, es imperativo analizar el contexto macroeconómico y sociopolítico reciente. Históricamente, en el período de posguerra y prepandemia (1993-2022), El Salvador experimentó un crecimiento económico moderado, con una tasa promedio anual de apenas el 2,4%.1 Este crecimiento anémico estuvo intrínsecamente ligado a una polarización política que limitó la capacidad de formular políticas públicas a largo plazo y a una crisis de seguridad pública sin precedentes.1 La falta de integración social y empleo formal, en una economía con una tasa de informalidad cercana al 70%, fomentó la proliferación de pandillas, elevando el costo de la violencia hasta un estimado de 12.500 millones de dólares en 2022, equivalente al 15% del Producto Interno Bruto (PIB) del país.1
No obstante, el paradigma de seguridad y gobernabilidad ha experimentado un giro radical. Bajo la administración del presidente Nayib Bukele, la implementación de políticas de control territorial y regímenes de excepción logró reducir la tasa de homicidios a 2,3 por cada 100.000 habitantes en el año 2023, posicionando estadísticamente a El Salvador como uno de los países más seguros del hemisferio occidental, a pesar de las observaciones y controversias planteadas por diversas organizaciones internacionales de derechos humanos.1 Este nuevo entorno de seguridad ciudadana catalizó una reconfiguración política, evidenciada en las elecciones de 2024, donde el partido gobernante obtuvo el 84,6% de los votos presidenciales y aseguró 58 de los 60 escaños en la recién reestructurada Asamblea Legislativa.1 Esta mayoría absoluta proporciona un nivel de estabilidad legislativa inédito que facilita la aprobación y ejecución expedita de agendas tecnológicas de Estado a largo plazo.
En este contexto de pacificación social y consolidación política, el gobierno ha redirigido su enfoque hacia la competitividad económica y el desarrollo humano inclusivo. Documentos estratégicos, como los elaborados por la Corporación Andina de Fomento (CAF), subrayan la necesidad de mejorar la calidad de la infraestructura, el acceso a servicios básicos y la resiliencia climática.2 A pesar de los avances, persisten brechas estructurales significativas; por ejemplo, la pandemia de COVID-19 provocó un repunte en la pobreza extrema, situándola en un 8,6% en 2022, aunque departamentos como Cabañas y Cuscatlán han mostrado reducciones históricas.1 Para superar estas barreras y optimizar la provisión de bienestar social, el Estado ha diseñado la Agenda Digital 2020-2030, coordinada por la Secretaría de Innovación, la cual establece la identidad digital, la modernización del Estado, la educación tecnológica y la gobernanza digital como los ejes transversales para la próxima década.4
El presente informe técnico desarrolla una investigación exhaustiva sobre la infraestructura de datos del gobierno de El Salvador, evaluando la información proveniente de múltiples ministerios y entidades autónomas. El objetivo central es proponer, justificar y delinear arquitecturas de redes neuronales artificiales (Artificial Neural Networks) que resuelvan desafíos operativos específicos en las áreas de recaudación fiscal, salud pública, educación, agricultura y seguridad ciudadana, maximizando el retorno de inversión tecnológica del Estado.
El desarrollo y entrenamiento de redes neuronales profundas requiere de una capacidad de procesamiento computacional masiva (clústeres de GPUs/TPUs), almacenamiento escalable para Data Lakes y un ancho de banda de alta disponibilidad. Reconociendo que la adquisición y mantenimiento de esta infraestructura física (on-premise) resulta financieramente prohibitiva e ineficiente para un Estado en vías de desarrollo, el gobierno salvadoreño ha optado por un modelo de adopción de nube a gran escala.
El hito fundamental de esta estrategia es el acuerdo ratificado por la Asamblea Legislativa entre el Gobierno de El Salvador y Google Cloud.6 Esta alianza estratégica, valorada en 500 millones de dólares y con una duración estipulada de siete años, busca modernizar integralmente los servicios gubernamentales, impactando directamente en la salud, la educación y la administración digital.7 A través de este pacto, El Salvador se convierte en el primer gobierno de América Latina en beneficiarse de la tecnología Google Distributed Cloud (GDC).7
La arquitectura de Google Distributed Cloud es particularmente crítica para la viabilidad de los proyectos de inteligencia artificial propuestos en este documento. GDC consiste en un portafolio de soluciones de hardware y software que extiende la infraestructura de Google Cloud directamente a los centros de datos del cliente o en el perímetro (edge), garantizando el cumplimiento estricto de los requisitos regulatorios de soberanía de datos y latencia que exige un Estado soberano.8 Esto significa que El Salvador puede entrenar modelos de aprendizaje automático con datos altamente sensibles, como historiales médicos o declaraciones de impuestos, utilizando las unidades de procesamiento tensorial (TPU) y las plataformas como servicio (PaaS) de Google (e.g., Vertex AI, TensorFlow, BigQuery), sin que la información confidencial de los ciudadanos abandone la jurisdicción nacional.8
Adicionalmente, la conectividad internacional del país se verá drásticamente potenciada por la inversión de Google en cables submarinos, como el proyecto Firmina, que conectará la costa este de los Estados Unidos con Sudamérica, asegurando una redundancia y velocidad de transmisión de datos indispensables para operaciones de telemedicina y videovigilancia en tiempo real.7 Estas fundaciones de Infraestructura como Servicio (IaaS) y Software como Servicio (SaaS) habilitan un entorno de despliegue algorítmico maduro.9
La implementación de sistemas automatizados que toman decisiones sobre la vida, las finanzas o la salud de los ciudadanos conlleva riesgos éticos, legales y de sesgo algorítmico ineludibles. Para mitigar estos riesgos y fomentar la innovación, la Asamblea Legislativa aprobó en 2025 la Ley de Fomento a la Inteligencia Artificial y Tecnologías mediante el Decreto 234, posteriormente reformado por el Decreto 363 para otorgar mayor autonomía administrativa y presupuestaria a su órgano rector.10
Esta legislación posiciona a El Salvador como uno de los primeros países de América Central en poseer un marco jurídico específico para el aprendizaje automático. La ley estipula la creación de la Agencia Nacional de Inteligencia Artificial (ANIA), una institución descentralizada con autonomía técnica, adscrita a la Presidencia de la República.10 Entre las atribuciones más destacadas de la ANIA, establecidas en el Artículo 8, se encuentra la conformación y administración del Registro Nacional de Desarrollo, Innovación y Aplicación de IA, y la coordinación de programas de asistencia técnica para que las instituciones públicas incorporen estas tecnologías en sus servicios.13
Desde el punto de vista del desarrollo de los proyectos propuestos, la ley introduce mecanismos regulatorios avanzados que facilitan la experimentación. Específicamente, promueve la creación de entornos de prueba controlados (sandboxes regulatorios), los cuales son espacios seguros donde las instituciones gubernamentales y los desarrolladores privados pueden entrenar e iterar modelos de machine learning utilizando datos reales sin enfrentar responsabilidades legales punitivas en caso de fallos tempranos, siempre y cuando se respeten los principios rectores de equidad, transparencia, inclusión, no discriminación y consentimiento informado.15
Asimismo, la legislación aborda directamente el problema de las "cajas negras" algorítmicas. El marco integral de evaluación de riesgos estipula que, cuando un sistema de inteligencia artificial tome decisiones que afecten el acceso a derechos ciudadanos, se debe informar al usuario que la decisión fue impulsada por IA, garantizando mecanismos de impugnación y explicabilidad.13 Esta disposición es un requerimiento sine qua non para el despliegue de redes neuronales en los Ministerios de Hacienda o Salud. La ley también asegura que toda propiedad intelectual resultante de la innovación en IA en territorio salvadoreño pertenece a la entidad desarrolladora, incentivando así asociaciones público-privadas.16 Finalmente, la protección de los datos personales utilizados para entrenar estas redes queda bajo la estricta supervisión conjunta de la ANIA y la Agencia de Ciberseguridad del Estado (ACE).13
Las redes neuronales artificiales son, fundamentalmente, aproximadores de funciones universales que requieren vastos volúmenes de datos estructurados o no estructurados para optimizar sus hiperparámetros. Una revisión pormenorizada del ecosistema digital salvadoreño revela la existencia de múltiples plataformas y portales de datos abiertos que pueden actuar como materia prima para el modelado predictivo.
El Ministerio de Hacienda opera el Portal de Transparencia Fiscal, una de las plataformas de datos abiertos más robustas de la región. En su sección de descargas, provee bases de datos históricas en formato .CSV, acompañadas de diccionarios de datos técnicos para su correcta exégesis.17 Los conjuntos disponibles abarcan la ejecución del gasto por clasificación presupuestaria y económica desde el año 2007 hasta proyecciones de 2026, la contabilidad y ejecución de ingresos de las 262 municipalidades históricas (ahora consolidadas en 44 distritos) desde 2010 a 2025, el detalle histórico de ingresos por impuestos desde 2010 hasta 2026, y un registro exhaustivo de importaciones y exportaciones aduaneras de 2013 a 2025\.17
Por su parte, el Ministerio de Medio Ambiente y Recursos Naturales (MARN) centraliza la telemetría climática y geológica a través del Servicio Nacional de Estudios Territoriales (SNET) y su Observatorio de Amenazas.18 Esto incluye registros de la Red Nacional de Estaciones Meteorológicas, pluviometría acumulada, imágenes satelitales, mapas de susceptibilidad a deslizamientos y monitoreo de la calidad del aire.18 Estos datos geoespaciales y de series temporales son invaluables para el entrenamiento de modelos preventivos de desastres.