{"id":41312,"date":"2025-08-20T13:08:18","date_gmt":"2025-08-20T16:08:18","guid":{"rendered":"https:\/\/www.iri.edu.ar\/?p=41312"},"modified":"2025-08-20T13:47:32","modified_gmt":"2025-08-20T16:47:32","slug":"aplicacion-de-la-inteligencia-artificial-en-investigaciones-forenses-en-america-latina","status":"publish","type":"post","link":"https:\/\/www.iri.edu.ar\/index.php\/2025\/08\/20\/aplicacion-de-la-inteligencia-artificial-en-investigaciones-forenses-en-america-latina\/","title":{"rendered":"Aplicaci\u00f3n de la Inteligencia Artificial en Investigaciones Forenses en Am\u00e9rica Latina"},"content":{"rendered":"<h3><a name=\"_Toc206066137\"><\/a>Fernando Peyretti<a href=\"#_ftn1\" name=\"_ftnref1\"><strong>[1]<\/strong><\/a><\/h3>\n<h4>Introducci\u00f3n<\/h4>\n<p>La inteligencia artificial (IA) se ha convertido en una herramienta de gran valor en el campo de las investigaciones forenses, tanto en el \u00e1mbito corporativo como en el penal. Su capacidad para analizar grandes vol\u00famenes de datos y detectar patrones que podr\u00edan pasar desapercibidos para el ojo humano la hace especialmente \u00fatil para detectar fraudes, casos de corrupci\u00f3n, y otras conductas il\u00edcitas.\u00a0En una regi\u00f3n como Am\u00e9rica Latina, donde los casos de corrupci\u00f3n y fraude representan desaf\u00edos persistentes, la adopci\u00f3n de IA en las investigaciones forenses ofrece nuevas oportunidades para agilizar la detecci\u00f3n de delitos financieros y mejorar la eficacia de las indagaciones. Organismos internacionales ya est\u00e1n explorando activamente este potencial: por ejemplo, en el Foro Global de la OCDE contra la Corrupci\u00f3n 2025 se destac\u00f3 c\u00f3mo tecnolog\u00edas emergentes \u2013incluida la IA, el an\u00e1lisis de datos y la investigaci\u00f3n forense digital\u2013 pueden prevenir pr\u00e1cticas corruptas, fortalecer la integridad y mejorar la aplicaci\u00f3n de la ley.<\/p>\n<h4>Contexto regional: desaf\u00edos de integridad en Am\u00e9rica Latina<\/h4>\n<p>Am\u00e9rica Latina enfrenta retos importantes en materia de corrupci\u00f3n, fraude corporativo y criminalidad financiera, lo que ha impulsado la necesidad de fortalecer las capacidades forenses con nuevas tecnolog\u00edas.\u00a0Varios pa\u00edses de la regi\u00f3n obtienen puntajes bajos en el \u00cdndice de Percepci\u00f3n de la Corrupci\u00f3n de Transparencia Internacional (debajo de 50 sobre 100 puntos), se\u00f1al de problemas de corrupci\u00f3n serios y sist\u00e9micos. Por ejemplo, Venezuela obtuvo apenas 10 puntos en la edici\u00f3n m\u00e1s reciente de dicho \u00edndice (indicando corrupci\u00f3n end\u00e9mica), mientras que solo unas pocas naciones como Uruguay se destacan con niveles altos de transparencia. Estos indicadores reflejan entornos donde la impunidad y complejidad de los esquemas fraudulentos dificultan la investigaci\u00f3n tradicional, creando un terreno propicio para la adopci\u00f3n de soluciones innovadoras.<\/p>\n<p>A la par de estos desaf\u00edos, la regi\u00f3n muestra un creciente inter\u00e9s por modernizar sus mecanismos de investigaci\u00f3n y justicia mediante IA.\u00a0Instituciones gubernamentales y organismos de control en Am\u00e9rica Latina est\u00e1n reconociendo el valor de la anal\u00edtica de datos y la IA para reforzar la lucha contra delitos financieros y la corrupci\u00f3n. Por ejemplo, la Auditor\u00eda Superior de la Federaci\u00f3n (ASF) de M\u00e9xico ha incorporado dentro de su estrategia de transformaci\u00f3n digital el uso de datos y anal\u00edtica para identificar riesgos de integridad, como corrupci\u00f3n y fraude, en auditor\u00edas y fiscalizaciones. Del mismo modo, los sistemas judiciales de la regi\u00f3n exploran herramientas de IA para gestionar casos de forma m\u00e1s eficiente y reducir rezagos, siempre con las debidas precauciones \u00e9ticas y legales.<\/p>\n<p>No obstante, la adopci\u00f3n de IA en contextos forenses latinoamericanos ocurre en entornos con limitaciones de infraestructura tecnol\u00f3gica y brechas de capacitaci\u00f3n. Muchas agencias y empresas locales a\u00fan carecen de datos digitalizados de calidad o de personal especializado en ciencia de datos. Asimismo, marcos regulatorios claros para el uso de IA en la obtenci\u00f3n de pruebas y en procesos judiciales est\u00e1n en desarrollo en varios pa\u00edses.\u00a0Pese a ello, los gobiernos y el sector privado de la regi\u00f3n muestran indicios positivos: iniciativas piloto demuestran el potencial de la IA para abordar problem\u00e1ticas locales (como veremos en los casos de estudio) y foros internacionales enfatizan la importancia de que Am\u00e9rica Latina aproveche la IA de forma responsable para impulsar la integridad y la transparencia.\u00a0Este contexto sit\u00faa a la IA forense como una oportunidad clave para mejorar las investigaciones, siempre que se adapte a las realidades regionals, y se implemente con rigor t\u00e9cnico y \u00e9tico.<\/p>\n<h4>Aplicaciones actuales de la IA en investigaciones forenses<\/h4>\n<p>En la pr\u00e1ctica, la inteligencia artificial se est\u00e1 aplicando en diversas facetas de las investigaciones forenses, potenciando las capacidades de los investigadores para identificar evidencia de conductas irregulares.\u00a0A continuaci\u00f3n, se describen las aplicaciones m\u00e1s destacadas de IA forense, con relevancia particular para Am\u00e9rica Latina:<\/p>\n<ul>\n<li>Detecci\u00f3n de fraudes financieros y contables: Una de las utilizaciones m\u00e1s extendidas de la IA es en la identificaci\u00f3n de fraudes corporativos, delitos financieros y lavado de dinero.\u00a0Mediante algoritmos de machine learning, las organizaciones analizan grandes conjuntos de transacciones y registros contables para detectar anomal\u00edas o desviaciones significativas de los patrones normales de comportamiento.\u00a0Por ejemplo, modelos de aprendizaje supervisado pueden entrenarse con datos hist\u00f3ricos etiquetados para reconocer indicadores de fraude (facturas duplicadas, transacciones inusuales, etc.), mientras que t\u00e9cnicas no supervisadas analizan datos sin etiquetar para descubrir patrones at\u00edpicos que podr\u00edan sugerir actividades il\u00edcitas no antes vistas.\u00a0En el \u00e1mbito de la prevenci\u00f3n de lavado de dinero (AML), el uso de IA ya est\u00e1 transformando los procesos de monitoreo: los algoritmos ayudan a identificar operaciones sospechosas entre enormes vol\u00famenes de transacciones, detectando posibles casos de financiamiento il\u00edcito con mayor eficacia que los filtros tradicionales.\u00a0Reguladores a nivel global, conscientes de estos beneficios, incluso han empezado a alentar a las instituciones financieras a emplear IA para fortalecer sus sistemas antilavado. En Am\u00e9rica Latina \u2013donde los controles AML cobran especial importancia por el crimen organizado\u2013 estas soluciones est\u00e1n ayudando a bancos y empresas a acelerar las investigaciones de fraudes financieros, reduciendo falsos positivos y enfocando el trabajo humano en los casos verdaderamente riesgosos.<\/li>\n<li>An\u00e1lisis de comunicaciones y datos no estructurados: Las investigaciones forenses a menudo implican revisar ingentes cantidades de informaci\u00f3n no estructurada \u2013como correos electr\u00f3nicos, documentos de texto, mensajes o incluso audio y video\u2013 en busca de evidencias. La IA ha avanzado significativamente en su capacidad de interpretar y analizar texto no estructurado\u00a0mediante t\u00e9cnicas de Procesamiento de Lenguaje Natural (PLN). Esto permite, por ejemplo, emplear algoritmos que clasifican y priorizan correos electr\u00f3nicos relevantes en un caso de corrupci\u00f3n, o identificar menciones de t\u00e9rminos clave (como palabras asociadas a sobornos) dentro de millones de l\u00edneas de comunicaci\u00f3n interna. M\u00e1s recientemente, la IA generativa (como los modelos de lenguaje de \u00faltima generaci\u00f3n) se ha incorporado a estas labores a trav\u00e9s de agentes virtuales capaces de interactuar con los datos de forma conversacional. En investigaciones corporativas complejas, ya es posible utilizar agentes de IA generativa para examinar documentos, resumir su contenido y hasta responder consultas en lenguaje natural sobre la evidencia recopilada.\u00a0Deloitte, por ejemplo, reporta que la implementaci\u00f3n de IA generativa en sus procesos forenses ha permitido clasificar y etiquetar documentos con una precisi\u00f3n muy alta, ahorrando hasta un 90% del tiempo que antes demandaban estas tareas manualmente.\u00a0Este tipo de automatizaci\u00f3n inteligente acelera enormemente la etapa de e-discovery o descubrimiento electr\u00f3nico en litigios y auditor\u00edas forenses, permitiendo a los equipos enfocarse en el an\u00e1lisis cr\u00edtico de los hallazgos en lugar de en la mera criba de datos.<\/li>\n<li>Investigaci\u00f3n forense digital y ciberseguridad: En el \u00e1mbito de delitos inform\u00e1ticos y evidencia digital, la IA est\u00e1 potenciado las capacidades de los peritos forenses. Herramientas con algoritmos de visi\u00f3n por computadora y reconocimiento de patrones se utilizan para analizar im\u00e1genes, videos y archivos multimedia obtenidos en investigaciones criminales (por ejemplo, para identificar rostros en fotos, comparar huellas dactilares digitalizadas o reconocer autom\u00e1ticamente matr\u00edculas vehiculares en grabaciones de CCTV). Asimismo, la IA puede ayudar a reconstruir hechos a partir de logs o trazas digitales complejas: algoritmos de detecci\u00f3n de secuencias at\u00edpicas en registros de sistemas inform\u00e1ticos pueden se\u00f1alar intrusiones o manipulaciones de datos. Este tipo de forense digital asistido por IA resulta cr\u00edtico para casos de ciberfraude, espionaje corporativo o delitos tecnol\u00f3gicos, que van en aumento en la regi\u00f3n. Un ejemplo es el uso de IA para detectar deepfakes y falsificaciones digitales, una amenaza emergente que ha cobrado relevancia en fraudes bancarios y extorsiones. Dado que los delincuentes empiezan a aprovechar IA generativa para producir im\u00e1genes, voces o videos falsos dif\u00edciles de distinguir a simple vista, las instituciones financieras han debido responder con soluciones igualmente avanzadas. Estas soluciones analizan caracter\u00edsticas forenses en archivos multimedia (metadatos, inconsistencias de p\u00edxeles, etc.) para determinar su autenticidad, protegiendo as\u00ed a los bancos y clientes frente a intentos de fraude con identidades simuladas.\u00a0La banca en Am\u00e9rica Latina, consciente de este riesgo, est\u00e1 adoptando enfoques colaborativos y tecnol\u00f3gicos para frenar este tipo de fraude, combinando IA y machine learning con la inteligencia humana y la cooperaci\u00f3n interbancaria.<\/li>\n<li>Anal\u00edtica en investigaciones anticorrupci\u00f3n y cumplimiento: Otra aplicaci\u00f3n relevante de la IA en la regi\u00f3n es el an\u00e1lisis integrado de datos de distintas fuentes para investigar esquemas de corrupci\u00f3n, lavado de activos o incumplimientos normativos. Las herramientas de analytics potenciadas por IA permiten correlacionar bases de datos antes inconexas \u2013registros financieros, datos de contrataciones p\u00fablicas, declaraciones patrimoniales, redes sociales, etc.\u2013 para descubrir conexiones sospechosas. Por ejemplo, una unidad de cumplimiento podr\u00eda emplear IA para cruzar transacciones de proveedores con listas negras gubernamentales y detectar contrataciones con empresas fachada vinculadas a funcionarios.\u00a0En el \u00e1mbito p\u00fablico latinoamericano ya se promueve este enfoque: se buscan reducir los silos de informaci\u00f3n y lograr datos comparables, accesibles y reutilizables entre agencias, con apoyo de sistemas basados en IA. Esto es parte de los esfuerzos por crear plataformas integradas donde la IA facilita la identificaci\u00f3n proactiva de patrones de fraude y corrupci\u00f3n, que de otra forma quedar\u00edan ocultos entre millones de registros.\u00a0La anal\u00edtica forense apoyada por IA tambi\u00e9n juega un rol en evaluaciones de riesgos de integridad: algoritmos de machine learning pueden asignar puntajes de riesgo a entes gubernamentales o transacciones, ayudando a auditores y oficiales de cumplimiento a enfocar los recursos en las \u00e1reas m\u00e1s vulnerables a la corrupci\u00f3n.<\/li>\n<\/ul>\n<p>En resumen, la IA est\u00e1 siendo aplicada de forma transversal en las investigaciones forenses modernas: desde el Compliance Corporativo hasta la criminal\u00edstica digital, sus capacidades de aprendizaje autom\u00e1tico, PLN y reconocimiento de patrones est\u00e1n revolucionando la manera en que se recolecta, analiza y prioriza la evidencia.<\/p>\n<h4>Beneficios de la IA en las investigaciones forenses<\/h4>\n<p>La incorporaci\u00f3n de la inteligencia artificial en los procesos forenses aporta numerosos beneficios tangibles, que potencian la eficiencia y eficacia de las investigaciones.\u00a0Entre los principales beneficios cabe destacar:<\/p>\n<ul>\n<li>Mayor velocidad en la detecci\u00f3n y respuesta: La IA permite acortar dr\u00e1sticamente los tiempos necesarios para detectar irregularidades y encontrar evidencias clave.\u00a0Tradicionalmente, identificar un fraude dentro de una organizaci\u00f3n pod\u00eda tomar en promedio 18 meses, pero con herramientas de IA este \u201ctiempo de detecci\u00f3n\u201d puede reducirse de forma significativa. Por ejemplo, algoritmos de monitoreo continuo pueden se\u00f1alar transacciones sospechosas casi en tiempo real, en lugar de esperar a auditor\u00edas peri\u00f3dicas. En la misma l\u00ednea, tareas antes manuales y prolongadas \u2013como revisar miles de documentos\u2013 ahora pueden realizarse en cuesti\u00f3n de horas mediante sistemas automatizados de an\u00e1lisis documental.\u00a0Un caso ilustrativo es el uso de IA generativa en el an\u00e1lisis de contratos y correos, donde se report\u00f3 un ahorro de hasta 90% del tiempo invertido en revisi\u00f3n y clasificaci\u00f3n de documentos.\u00a0Esta aceleraci\u00f3n no solo reduce costos, sino que tambi\u00e9n permite reaccionar antes de que los perpetradores profundicen el da\u00f1o o borren rastros, mejorando la capacidad preventiva.<\/li>\n<li>Alcance y capacidad de an\u00e1lisis a gran escala: Los modelos de IA pueden procesar vol\u00famenes masivos de datos muy por encima de la capacidad humana, sin perder detalle.\u00a0Esto significa que en una investigaci\u00f3n es posible abarcar un universo de evidencia mucho m\u00e1s amplio (a\u00f1os de registros financieros, comunicaciones enteras de una empresa, redes completas de transacciones) sin omitir posibles pistas ocultas.\u00a0La IA puede conectar puntos entre conjuntos de datos dispares a una velocidad y profundidad inalcanzables manualmente. Este aumento del alcance conduce a investigaciones m\u00e1s completas y con mayor sustento estad\u00edstico.<\/li>\n<li>Mejora de la precisi\u00f3n y efectividad investigativa: Otro beneficio clave es la capacidad de detecci\u00f3n de patrones sutiles.\u00a0Los algoritmos avanzados de IA pueden identificar correlaciones y anomal\u00edas m\u00ednimas que podr\u00edan eludir el ojo humano, incrementando la tasa de acierto en la detecci\u00f3n de fraudes u otras irregularidades. Por ejemplo, en la lucha contra el lavado de dinero, se estima que la IA puede reducir los falsos positivos generados por los sistemas de alerta tradicionales, enfocando la atenci\u00f3n en verdaderas actividades sospechosas. Esto mejora tanto la eficiencia (menos tiempo perdido investigando se\u00f1ales falsas) como la efectividad (m\u00e1s casos il\u00edcitos descubiertos realmente). De igual forma, en an\u00e1lisis de documentos o im\u00e1genes, la IA mantiene consistencia en la aplicaci\u00f3n de criterios (no se cansa ni se distrae), lo que reduce errores y omisiones. Adem\u00e1s, algunos modelos pueden aprender de las correcciones que hacen los especialistas, refinando su desempe\u00f1o con el tiempo y adapt\u00e1ndose a nuevos patrones de fraude a medida que surgen.<\/li>\n<li>Ahorro de costos y optimizaci\u00f3n de recursos humanos: La automatizaci\u00f3n inteligente de tareas rutinarias con IA conlleva un importante ahorro de esfuerzos y costos. Al disminuir la carga de trabajo manual en revisi\u00f3n de datos, las organizaciones pueden gestionar grandes investigaciones sin necesidad de multiplicar sus equipos. Los profesionales forenses altamente calificados pueden enfocarse en las actividades de mayor valor (entrevistas, an\u00e1lisis estrat\u00e9gico, validaci\u00f3n de hallazgos) mientras la IA realiza el trabajo pesado de procesamiento de informaci\u00f3n. Esto no solo hace m\u00e1s rentable la funci\u00f3n forense, sino que tambi\u00e9n puede traducirse en mejores resultados: con los expertos dedicados a las fases cr\u00edticas de juicio experto, aumenta la calidad de las conclusiones. Asimismo, la capacidad de la IA para priorizar riesgos permite asignar recursos limitados a los casos m\u00e1s apremiantes. En el sector financiero, por ejemplo, bancos que adoptan IA reportan una optimizaci\u00f3n de sus equipos de cumplimiento, logrando cubrir regulatoriamente el mismo espectro con menos horas-hombre gracias a la eficiencia tecnol\u00f3gica.<\/li>\n<li>Detecci\u00f3n proactiva y prevenci\u00f3n temprana: Quiz\u00e1s uno de los beneficios m\u00e1s transformadores es que la IA habilita un enfoque m\u00e1s proactivo en las investigaciones. En lugar de reaccionar \u00fanicamente ante incidentes ya consumados, los sistemas inteligentes pueden vigilar en forma continua las operaciones y alertar tempranamente sobre patrones an\u00f3malos. Esto permite prevenir que ciertos fraudes se concreten o escalen. Por ejemplo, un algoritmo de IA implementado en sistemas de emergencia o denuncias (como veremos en un caso m\u00e1s adelante) puede identificar se\u00f1ales de violencia o fraude incipiente y activar respuestas inmediatas antes de que el da\u00f1o sea mayor. De igual modo, en auditor\u00edas financieras, la IA puede se\u00f1alar conductas sospechosas en sus inicios (p. ej., un proveedor recientemente incorporado que comienza a recibir pagos inusuales), dando oportunidad a intervenir a tiempo. Esta capacidad predictiva y preventiva es fundamental en entornos con recursos limitados para fiscalizaci\u00f3n, ya que enfoca la atenci\u00f3n en donde probablemente ocurrir\u00e1 un il\u00edcito, en lugar de solo explicar qu\u00e9 pas\u00f3 a posteriori.<\/li>\n<\/ul>\n<p>En s\u00edntesis, la IA ofrece velocidad, alcance, precisi\u00f3n, eficiencia y proactividad a las investigaciones forenses.\u00a0Bien utilizada, act\u00faa como un multiplicador de fuerzas para los equipos de auditor\u00eda, cumplimiento y judiciales, aumentando la probabilidad de descubrir la verdad detr\u00e1s de comportamientos irregulares y reduciendo la ventana de oportunidad para los defraudadores. No obstante, junto con estos beneficios surgen tambi\u00e9n desaf\u00edos significativos, los cuales se abordan en la siguiente secci\u00f3n.<\/p>\n<h4>Desaf\u00edos en la implementaci\u00f3n de IA forense<\/h4>\n<p>A pesar de su enorme potencial, la incorporaci\u00f3n de la inteligencia artificial en las investigaciones forenses presenta desaf\u00edos t\u00e9cnicos, \u00e9ticos y operativos que deben gestionarse cuidadosamente, especialmente en el contexto latinoamericano.\u00a0Entre los principales retos y consideraciones se encuentran:<\/p>\n<ul>\n<li>Disponibilidad y calidad de los datos: Los algoritmos de IA requieren datos abundantes y de buena calidad para entrenarse y funcionar con precisi\u00f3n.\u00a0En el \u00e1mbito forense, esto implica contar con hist\u00f3ricos de casos de fraude o corrupci\u00f3n suficientemente amplios, datos limpios y etiquetados correctamente, y acceso a diversas fuentes de informaci\u00f3n.\u00a0Sin embargo, muchos organismos en Am\u00e9rica Latina enfrentan limitaciones de datos, por lo que los modelos tienen dificultades para aprender patrones a partir de tan pocos ejemplos.\u00a0Adem\u00e1s, existen lagunas en la digitalizaci\u00f3n de registros en ciertas instituciones, lo que reduce el material disponible para an\u00e1lisis automatizado. La calidad de los datos es otra preocupaci\u00f3n: datos incompletos, err\u00f3neos o sesgados pueden llevar a conclusiones equivocadas por parte de la IA. Una respuesta emergente a este desaf\u00edo es el uso de datos sint\u00e9ticos generados por IA para complementar datos reales escasos.\u00a0Por ejemplo, la IA generativa puede crear transacciones ficticias con caracter\u00edsticas de fraude para ampliar el entrenamiento de los modelos.\u00a0No obstante, esto requiere expertise para asegurar que los datos sint\u00e9ticos sean realistas y no introduzcan sesgos adicionales.<\/li>\n<li>Opacidad y explicabilidad de los modelos (\u201ccaja negra\u201d): Muchos algoritmos avanzados de IA (en particular, los de aprendizaje profundo) operan como cajas negras, lo que significa que es dif\u00edcil para los humanos entender c\u00f3mo llegaron a una cierta conclusi\u00f3n o se\u00f1alamiento.\u00a0En contextos forenses y legales, esta falta de transparencia en la toma de decisiones se vuelve problem\u00e1tica.\u00a0Las conclusiones de una investigaci\u00f3n suelen tener que presentarse ante tribunales, reguladores o comit\u00e9s de auditor\u00eda, quienes exigir\u00e1n justificaciones claras. Si un modelo de IA identifica una transacci\u00f3n como fraudulenta pero los investigadores no pueden explicar el porqu\u00e9 (m\u00e1s all\u00e1 de \u201ces lo que arroj\u00f3 el algoritmo\u201d), la confianza en la evidencia generada disminuye.\u00a0Adem\u00e1s, desde un punto de vista de Compliance, las entidades reguladoras (superintendencias, fiscal\u00edas, etc.) podr\u00edan mostrarse reacias a aceptar resultados obtenidos con mecanismos no explicables.\u00a0Este desaf\u00edo impulsa la necesidad de IA explicable (XAI) en el campo forense: desarrollar modelos m\u00e1s interpretables o complementarlos con herramientas que destaquen los factores que contribuyeron a cada detecci\u00f3n.\u00a0Mientras estas soluciones maduran, una pr\u00e1ctica recomendada es mantener siempre el factor humano en el ciclo de an\u00e1lisis, de forma que expertos revisen y validen las salidas de la IA, aportando una capa de juicio y explicaci\u00f3n adicional antes de tomar decisiones.<\/li>\n<li>Riesgos de sesgo y consideraciones \u00e9ticas: La IA es tan imparcial como los datos con que se la entrena y las instrucciones que se le proporcionan. En investigaciones forenses, existe el riesgo de que los modelos reproduzcan sesgos existentes en las muestras de casos hist\u00f3ricos (por ejemplo, enfoc\u00e1ndose m\u00e1s en cierto perfil de empleado o transacci\u00f3n simplemente porque as\u00ed fue en el pasado, no porque inherentemente sean m\u00e1s fraudulentos). Esto puede llevar a discriminaciones o errores sistem\u00e1ticos, pasando por alto riesgos reales o, inversamente, se\u00f1alando irregularidades donde no las hay, en funci\u00f3n de prejuicios en los datos. Un ejemplo preocupante ser\u00eda un algoritmo que, para detectar corrupci\u00f3n, se base desproporcionadamente en ciertos factores que correlacionan con g\u00e9nero o etnia de los involucrados, debido a un sesgo en los casos usados para entrenar. Evitar que la automatizaci\u00f3n refuerce desigualdades existentes es un principio fundamental que debe guiar la aplicaci\u00f3n de IA en contextos de justicia. Por ello, es preciso implementar mecanismos de monitoreo de sesgos algor\u00edtmicos, validaciones constantes de los modelos y, de ser necesario, ajustes que corrijan tales sesgos. Organismos internacionales resaltan tambi\u00e9n la importancia de involucrar \u00e9tica y diversidad en el dise\u00f1o de estas herramientas, asegurando que la tecnolog\u00eda act\u00fae como aliada de los derechos humanos y no genere da\u00f1os colaterales. La anonimizaci\u00f3n de datos sensibles durante el an\u00e1lisis es otra pr\u00e1ctica obligada para proteger la privacidad de individuos no involucrados (por ejemplo, en el an\u00e1lisis de llamadas 911, se deben ocultar identidades mientras los algoritmos procesan el lenguaje).<\/li>\n<li>Privacidad y protecci\u00f3n de datos: Ligado a lo anterior, muchas aplicaciones de IA forense implican el procesamiento de informaci\u00f3n personal, ya sea de empleados, clientes o ciudadanos.\u00a0En Am\u00e9rica Latina, diversos pa\u00edses cuentan con leyes de protecci\u00f3n de datos (como la Ley GPDP en Brasil, las leyes de Habeas Data en varios otros) que imponen requisitos sobre c\u00f3mo se manejan los datos personales.\u00a0Al usar IA, existe el peligro de invadir la privacidad de terceros si no se establecen l\u00edmites claros. Por ejemplo, al utilizar algoritmos que rastrean comunicaciones o redes sociales en busca de fraudes, se podr\u00eda extralimitar el alcance de datos analizados m\u00e1s all\u00e1 de lo legalmente permitido. Adem\u00e1s, almacenar grandes vol\u00famenes de datos sensibles para analizarlos con IA implica la necesidad de robustecer la ciberseguridad, pues un breach en esa base de datos tendr\u00eda consecuencias graves. La regulaci\u00f3n en curso de la IA a nivel global tambi\u00e9n est\u00e1 poniendo \u00e9nfasis en el respeto a la privacidad: se espera que las organizaciones forenses cumplan con principios de minimizaci\u00f3n de datos (usar solo los datos necesarios), finalidades claras y consentimiento cuando aplique.\u00a0Un reto espec\u00edfico es que la legislaci\u00f3n muchas veces va rezagada respecto a la tecnolog\u00eda; \u201cel perpetrador\u201d no se detiene por consideraciones legales, mientras que las empresas y autoridades s\u00ed deben hacerlo.\u00a0Esto genera una tensi\u00f3n entre innovar en detecci\u00f3n y no vulnerar derechos, que debe manejarse con asesor\u00eda legal y pol\u00edticas internas estrictas sobre el uso de IA en investigaciones.<\/li>\n<li>Aceptaci\u00f3n legal y normativa de la evidencia generada por IA: Otro desaf\u00edo es c\u00f3mo encaja la evidencia derivada de algoritmos dentro de procesos legales tradicionales. En un juicio, un peritaje asistido por IA podr\u00eda ser impugnado por la defensa alegando falta de fiabilidad o de entendimiento de la metodolog\u00eda. Hace falta trabajar en est\u00e1ndares y protocolos que avalen la recolecci\u00f3n de evidencia con IA, asegurando su cadena de custodia y su reproducibilidad.\u00a0En algunos pa\u00edses, los poderes judiciales est\u00e1n empezando a estudiar la regulaci\u00f3n espec\u00edfica de herramientas de IA en su \u00e1mbito; por ejemplo, se discute a nivel internacional la clasificaci\u00f3n de ciertos sistemas de IA forense como de alto riesgo, exigiendo validaciones rigurosas antes de su empleo oficial.\u00a0La legitimidad de la IA ante los ojos de jueces y reguladores se ganar\u00e1 con transparencia metodol\u00f3gica (explicar c\u00f3mo se configur\u00f3 el algoritmo, qu\u00e9 tasa de error tiene, etc.) y con casos de \u00e9xito que demuestren su utilidad sin vulnerar garant\u00edas procesales. Mientras tanto, los investigadores forenses deben estar preparados para traducir los hallazgos de la IA a un lenguaje comprensible para no t\u00e9cnicos, apoy\u00e1ndose en informes periciales claros y, si es posible, en testimonios de expertos en anal\u00edtica que avalen dichos hallazgos.<\/li>\n<li>Limitaciones de talento y cultura organizacional: Implementar IA en investigaci\u00f3n forense no es solo adquirir software, sino tambi\u00e9n contar con personal capacitado que entienda tanto la anal\u00edtica avanzada como el contexto del fraude o delito investigado. Actualmente existe escasez de profesionales que combinen conocimiento en ciencia de datos con experiencia en auditor\u00eda, finanzas o criminolog\u00eda, y esta brecha puede ser m\u00e1s pronunciada en Am\u00e9rica Latina.\u00a0Es imprescindible invertir en la formaci\u00f3n de especialistas h\u00edbridos: por un lado, entrenar a auditores\/ investigadores en conceptos de IA para que sepan qu\u00e9 pedirle a la tecnolog\u00eda (y c\u00f3mo interpretarla); y por otro, sensibilizar a cient\u00edficos de datos en temas de riesgos, fraudes y regulaciones para que sus modelos se orienten correctamente. Sin ese insumo humano, la herramienta m\u00e1s avanzada podr\u00eda pasar por alto modus operandi sutiles.\u00a0Junto con la formaci\u00f3n, est\u00e1 el tema de la cultura organizacional: la adopci\u00f3n de IA suele encontrar resistencias, ya sea por temor a lo desconocido o por creer que la m\u00e1quina reemplazar\u00e1 al investigador.\u00a0Las firmas y agencias deben trabajar en crear una cultura de colaboraci\u00f3n hombre-m\u00e1quina, donde la IA se vea como apoyo y no amenaza, destacando que las decisiones finales seguir\u00e1n en manos de profesionales (tal como promueven las buenas pr\u00e1cticas: \u201cmantener al ser humano en el ciclo de revisi\u00f3n\u201d de la IA).<\/li>\n<li>Uso malicioso de la IA por adversarios: Finalmente, un desaf\u00edo emergente es que as\u00ed como la IA est\u00e1 a disposici\u00f3n de los investigadores, tambi\u00e9n lo est\u00e1 para quienes buscan burlar los controles. Los actores il\u00edcitos pueden utilizar herramientas de IA para esconder mejor sus huellas, generar documentos falsos convincentes, automatizar ataques o descubrir vulnerabilidades en sistemas antifraude. Un fen\u00f3meno reciente son los deepfakes en estafas y fraudes bancarios, donde se usan videos o audios falsificados (por ejemplo, haci\u00e9ndose pasar por un CEO pidiendo una transferencia) que ponen a prueba los protocolos de seguridad tradicionales. Las p\u00e9rdidas globales por fraudes potenciados con IA van en aumento: se estimaron en 12.300 millones de d\u00f3lares en el sector bancario apenas un a\u00f1o despu\u00e9s de la popularizaci\u00f3n de estas tecnolog\u00edas, y se proyecta que alcancen 40.000 millones para 2027. Esto obliga a las organizaciones a correr a la par de los avances tecnol\u00f3gicos para no quedar en desventaja frente al perpetrador. Como mencion\u00e1bamos, los criminales no enfrentan restricciones regulatorias ni escr\u00fapulos \u00e9ticos al usar IA, por lo que innovan r\u00e1pidamente en t\u00e1cticas de ataque. La contraparte forense debe, por tanto, actualizar continuamente sus herramientas, compartir inteligencia sobre nuevas amenazas y quiz\u00e1s apoyarse tambi\u00e9n en IA para contrarrestar IA (por ejemplo, utilizando redes neuronales para detectar im\u00e1genes generadas artificialmente). Esta es una carrera permanente de gato y rat\u00f3n, donde la colaboraci\u00f3n entre instituciones (bancos con bancos, agencias con agencias) tambi\u00e9n se vuelve clave para no luchar aislados contra adversarios tecnol\u00f3gicamente sofisticados.<\/li>\n<\/ul>\n<p>En suma, si bien la IA trae soluciones poderosas al \u00e1mbito de la investigaci\u00f3n forense, su implementaci\u00f3n exitosa requiere gestionar activamente estos desaf\u00edos.\u00a0Esto implica un enfoque multidisciplinario: ingenier\u00eda de datos, consideraciones legales, \u00e9tica y desarrollo de talento, todos integrados en la estrategia de adopci\u00f3n.<\/p>\n<h4>Recomendaciones pr\u00e1cticas<\/h4>\n<p>Al implementar soluciones de inteligencia artificial en investigaciones forenses, las organizaciones en Am\u00e9rica Latina deben seguir un enfoque estrat\u00e9gico y \u00e9tico. A modo de cierre, se proponen las siguientes recomendaciones pr\u00e1cticas para empresas, consultoras y agencias p\u00fablicas:<\/p>\n<ul>\n<li>Definir una estrategia de IA alineada al objetivo forense: Antes de adoptar cualquier herramienta, es fundamental delinear qu\u00e9 problemas espec\u00edficos se quieren resolver con IA (detecci\u00f3n de cierto tipo de fraude, aceleraci\u00f3n de revisi\u00f3n de evidencias, etc.) y asegurar que la iniciativa est\u00e9 respaldada desde la alta direcci\u00f3n. Una estrategia clara y transversal gu\u00eda la inversi\u00f3n en tecnolog\u00eda y talento, evitando implementaciones aisladas o desconectadas.\u00a0Se recomienda elaborar un roadmap que incluya casos de uso prioritarios, m\u00e9tricas de \u00e9xito (ej.: reducir en X% el tiempo de investigaci\u00f3n) y consideraciones de cumplimiento legal. La estrategia debe integrarse con los programas de integridad existentes y tener sponsorship de \u00e1reas clave (auditor\u00eda interna, cumplimiento, TI y legales).<\/li>\n<li>Invertir en infraestructura de datos y talento especializado: La base de una IA forense efectiva son datos robustos y personal competente. Es imperativo evaluar la calidad de los datos disponibles (financieros, operativos, de RR.HH., etc.) y emprender mejoras en su gesti\u00f3n: depuraci\u00f3n, integraci\u00f3n de fuentes, actualizaci\u00f3n de sistemas para captar datos relevantes. Paralelamente, se debe desarrollar o adquirir talento h\u00edbrido en anal\u00edtica y forense. Esto puede implicar formar a los actuales equipos de auditor\u00eda\/fraude en anal\u00edtica de datos, contratar cient\u00edficos de datos con noci\u00f3n de riesgos, o colaborar con universidades en capacitaci\u00f3n espec\u00edfica.\u00a0Tambi\u00e9n resulta \u00fatil conformar grupos de trabajo multidisciplinarios (analistas de datos + investigadores forenses) para que, trabajando juntos desde el dise\u00f1o de los modelos, se combinen conocimientos y se eviten brechas de entendimiento.\u00a0Una organizaci\u00f3n preparada en datos y talento podr\u00e1 extraer el m\u00e1ximo provecho de la tecnolog\u00eda y adaptarla a sus necesidades particulares.<\/li>\n<li>Comenzar con proyectos piloto y escalarlos gradualmente: Dado que la IA puede ser un terreno nuevo, es aconsejable iniciar con proyectos piloto acotados que permitan demostrar valor r\u00e1pidamente y aprender lecciones con bajo riesgo. Por ejemplo, seleccionar un subconjunto de datos (como una divisi\u00f3n de negocio o un tipo de transacci\u00f3n) y probar all\u00ed un modelo de detecci\u00f3n de anomal\u00edas, comparando sus resultados contra los m\u00e9todos tradicionales. Estos proyectos peque\u00f1os permiten afinar par\u00e1metros, calibrar tasas de falsos positivos y obtener quick wins que justifiquen la inversi\u00f3n. Una vez validada la efectividad en el piloto (idealmente con m\u00e9tricas como porcentaje de detecciones adicionales logradas, o reducci\u00f3n de horas-hombre), se puede escalar la soluci\u00f3n a nivel de toda la organizaci\u00f3n o a otros tipos de casos. Escalar gradualmente tambi\u00e9n implica preparar la infraestructura para mayor volumen de datos y quiz\u00e1s re-entrenar modelos con conjuntos m\u00e1s amplios. En este proceso iterativo, se recomienda documentar claramente los resultados y ajustes de cada fase, generando un repositorio de conocimiento interno sobre el uso de IA forense.<\/li>\n<li>Establecer controles \u00e9ticos y de gobierno de la IA: Desde el inicio, se deben integrar principios de \u00e9tica y cumplimiento en el ciclo de vida de las soluciones de IA. Esto involucra implementar un gobierno de IA que defina pol\u00edticas sobre qu\u00e9 datos pueden usarse (y con qu\u00e9 prop\u00f3sito), c\u00f3mo se resguarda la privacidad, y c\u00f3mo se mitigan posibles sesgos. Se recomienda conformar un comit\u00e9 \u00e9tico o de compliance tecnol\u00f3gico que revise los algoritmos y sus impactos. Pr\u00e1cticas como anonimizar datos sensibles antes del an\u00e1lisis, obtener asesor\u00eda legal sobre bases de datos transnacionales, y evaluar algoritmos en busca de sesgos (p. ej., mediante auditor\u00edas algor\u00edtmicas peri\u00f3dicas) deben volverse parte rutinaria del proyecto. Tambi\u00e9n es clave establecer l\u00edmites: por ejemplo, decidir que ciertas decisiones cr\u00edticas nunca ser\u00e1n automatizadas al 100%, sino que la IA solo recomendar\u00e1 y el humano dispone. Adicionalmente, conviene mantenerse al tanto de las regulaciones emergentes en la materia (tanto locales como internacionales, como las directrices de la OCDE o iniciativas legislativas sobre IA) para asegurar que las pr\u00e1cticas internas se ajusten a los est\u00e1ndares m\u00e1s exigentes de transparencia y responsabilidad.<\/li>\n<li>Mantener al ser humano en el bucle de decisi\u00f3n: Ninguna herramienta de IA deber\u00eda funcionar en piloto autom\u00e1tico sin supervisi\u00f3n cuando est\u00e1 en juego la determinaci\u00f3n de conductas fraudulentas o delictivas. Es indispensable dise\u00f1ar procesos donde los analistas forenses revisen, validen y contextualicen los hallazgos de la IA antes de tomar acciones. En la pr\u00e1ctica, esto significa que tras la detecci\u00f3n inicial automatizada, un especialista eval\u00faa las alertas o documentos marcados, descartando falsos positivos y confirmando cu\u00e1les ameritan investigaci\u00f3n profunda. Esta intervenci\u00f3n humana no solo previene errores costosos, sino que tambi\u00e9n facilita la explicabilidad (el experto puede traducir las conclusiones de la IA a un lenguaje entendible para ejecutivos o autoridades). Las organizaciones deben capacitar a sus equipos para trabajar con la IA como coequipero: entender sus salidas, saber ajustarla si es necesario y no caer en la trampa de confiar ciegamente en ella. La experiencia ha demostrado que los mejores resultados provienen de la simbiosis hombre-m\u00e1quina, donde la IA aporta velocidad y consistencia, y el humano aporta juicio, sentido com\u00fan y conocimiento del contexto.<\/li>\n<li>Fomentar la colaboraci\u00f3n y el intercambio de buenas pr\u00e1cticas: Dado que el uso de IA en forense es relativamente nuevo y evoluciona r\u00e1pidamente, las organizaciones pueden beneficiarse de colaborar entre s\u00ed y con organismos internacionales. Participar en foros sectoriales, mesas de trabajo o iniciativas p\u00fablico-privadas permite compartir experiencias sobre qu\u00e9 ha funcionado o no en distintos contextos.\u00a0En Am\u00e9rica Latina, organismos como la OCDE, el BID o la ONU (a trav\u00e9s de oficinas como UNODC) est\u00e1n promoviendo redes de intercambio en temas de integridad, donde la tecnolog\u00eda es un eje central. La integraci\u00f3n del sector privado como socio en esfuerzos anticorrupci\u00f3n ya ha sido destacada a nivel global , y en este sentido las firmas consultoras pueden jugar un rol articulador transfiriendo conocimiento global hacia las realidades locales de Latinoam\u00e9rica, asegurando siempre la confidencialidad y evitando conflictos de inter\u00e9s.<\/li>\n<li>Actualizar continuamente las herramientas y capacitar frente a nuevas amenazas: Finalmente, es importante asumir que la implementaci\u00f3n de IA forense no es un evento \u00fanico, sino un proceso continuo de mejora. Los modelos requieren re-entrenamiento peri\u00f3dico con datos recientes para no volverse obsoletos (los defraudadores cambian sus t\u00e1cticas, y la IA debe aprender las nuevas). Igualmente, surgen innovaciones tecnol\u00f3gicas (v.g., nuevos algoritmos m\u00e1s precisos o t\u00e9cnicas como deep learning en \u00e1reas que antes no se aplicaban) que conviene evaluar e incorporar cuando aporten ventajas. Las organizaciones deben destinar recursos para la investigaci\u00f3n y desarrollo interno en anal\u00edtica forense, o al menos para pruebas de concepto regulares con soluciones emergentes. Junto con ello, la capacitaci\u00f3n continua del personal es esencial: entrenar a los investigadores en el uso de nuevas versiones de las herramientas, en la interpretaci\u00f3n de dashboards de IA, y en comprender tendencias como los deepfakes, para que est\u00e9n alerta y preparados. Un programa de formaci\u00f3n anual en \u201cAnal\u00edtica Forense e IA\u201d puede mantener frescas las habilidades del equipo y posicionar a la organizaci\u00f3n un paso adelante de los riesgos emergentes.<\/li>\n<\/ul>\n<p>Aplicando estas recomendaciones, las organizaciones en Am\u00e9rica Latina podr\u00e1n integrar la inteligencia artificial de manera efectiva y responsable en sus investigaciones forenses, potenciando sus capacidades para descubrir fraudes y conductas il\u00edcitas, a la vez que mantienen la confianza de stakeholders y autoridades en la integridad del proceso.\u00a0En un entorno regional donde la demanda por mayor transparencia y cumplimiento es cada vez m\u00e1s fuerte, la combinaci\u00f3n de tecnolog\u00eda avanzada con un enfoque \u00e9tico y profesional puede marcar la diferencia en la construcci\u00f3n de instituciones y empresas m\u00e1s \u00edntegras.<\/p>\n<h4>Referencias:<\/h4>\n<ul>\n<li>Argentina. Oficina Anticorrupci\u00f3n. (2025). La OA particip\u00f3 de la Reuni\u00f3n del Grupo de Trabajo y del Foro sobre Integridad y Anticorrupci\u00f3n de la OCDE. Buenos Aires:\u00a0<u><a href=\"http:\/\/argentina.gob.ar\/\">Argentina.gob.ar<\/a><\/u>.<\/li>\n<li>Basani, M., Xamena, E., &amp; Minatta, A. (2024). Inteligencia Artificial (IA): Retornando el fraude a su caja de Pandora. Banco Interamericano de Desarrollo (Blog).<\/li>\n<li>Deloitte Spanish Latin America. (2024b). IA Generativa aplicada a detecci\u00f3n de fraudes y corrupci\u00f3n (Entrevista a A. Sarcuno, 02 oct 2024). Deloitte Sala de Prensa.<\/li>\n<li>Deloitte Spanish Latin America. (2025). IA Generativa: la amenaza oculta de deepfakes y fraudes en la banca (Entrevista a D. Bravo, 20 ene 2025). Deloitte Sala de Prensa.<\/li>\n<li>Transparency International. (2024). \u00cdndice de Percepci\u00f3n de la Corrupci\u00f3n 2024 \u2013 Resultados en Am\u00e9rica Latina. Berl\u00edn: TI. (Datos citados en Revista Mercado, 12 feb 2025)<\/li>\n<li>UNODC \u2013 Centro de Excelencia INEGI. (2025). Lenguaje y algoritmos: as\u00ed act\u00faa la IA para frenar la violencia de g\u00e9nero desde sus inicios \u2013 Experiencias internacionales. Centro de Excelencia UNODC-INEGI, Noticia 16 de junio de 2025<\/li>\n<li>World Economic Forum. (2019). How AI is transforming the fight against money laundering (E. Zimiles &amp; T. Mueller). Davos: WEF.<\/li>\n<\/ul>\n<p><a href=\"#_ftnref1\" name=\"_ftn1\">[1]<\/a> Socio de Forensics &amp; Financial Crime Deloitte Spanish Latam | Director AAEC | Profesor Universitario UCEMA UCES | Conferencista<\/p>\n","protected":false},"excerpt":{"rendered":"<p>por Fernando Peyretti<\/p>\n","protected":false},"author":5,"featured_media":23923,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[1],"tags":[1747],"uagb_featured_image_src":{"full":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"thumbnail":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT-150x150.png",150,150,true],"medium":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT-300x80.png",300,80,true],"medium_large":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"large":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"1536x1536":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"2048x2048":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"ocean-thumb-m":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",600,160,false],"ocean-thumb-ml":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"ocean-thumb-l":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false],"sow-carousel-default":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT-272x182.png",272,182,true],"sow-blog-portfolio":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",375,100,false],"sow-blog-grid":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",720,192,false],"sow-blog-alternate":["https:\/\/www.iri.edu.ar\/wp-content\/uploads\/2022\/09\/BO-oplac-FEAT.png",750,200,false]},"uagb_author_info":{"display_name":"Juana Alvarez Eiras","author_link":"https:\/\/www.iri.edu.ar\/index.php\/author\/juana-alvarez-eiras\/"},"uagb_comment_info":0,"uagb_excerpt":"por Fernando Peyretti","_links":{"self":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/41312"}],"collection":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/comments?post=41312"}],"version-history":[{"count":2,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/41312\/revisions"}],"predecessor-version":[{"id":41314,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/posts\/41312\/revisions\/41314"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/media\/23923"}],"wp:attachment":[{"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/media?parent=41312"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/categories?post=41312"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iri.edu.ar\/index.php\/wp-json\/wp\/v2\/tags?post=41312"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}