El desafío de medir la pobreza en tiempo real: entre la inteligencia artificial y la realidad económica peruana

Por Mg. Aldo Hernán Zanabria Gálvez

Docente investigador, Universidad Nacional del Altiplano – Puno

En un país donde las brechas sociales y económicas siguen marcando la vida cotidiana, el conocimiento oportuno sobre la pobreza es más que un indicador: es una herramienta para la justicia social. El reciente estudio publicado por Castillo y Guillén (2025) en la revista Moneda del Banco Central de Reserva del Perú (BCRP) abre un debate crucial sobre cómo las nuevas tecnologías, en particular el machine learning y las microsimulaciones, pueden transformar la forma en que entendemos la pobreza monetaria en el Perú.

Durante décadas, los diagnósticos sobre pobreza han llegado tarde. El Instituto Nacional de Estadística e Informática (INEI) publica sus cifras con varios meses de retraso, dificultando que los tomadores de decisiones implementen políticas ágiles frente a las crisis. Esa demora burocrática tiene un costo humano: cada punto porcentual que no se corrige a tiempo representa familias que siguen viviendo en condiciones precarias. En ese contexto, la propuesta de “nowcasting” presentada por los especialistas del BCRP no solo es una innovación técnica, sino una apuesta por la eficiencia y la sensibilidad social.

El uso del machine learning para predecir la condición de pobreza de los hogares representa un salto metodológico. Los algoritmos —como la regresión logística o el random forest— aprenden de los patrones históricos y pueden anticipar resultados con una exactitud cercana al 91 %. Sin embargo, más allá de las métricas, lo relevante es el cambio de paradigma: pasamos de depender de encuestas estáticas a confiar en modelos dinámicos, alimentados por datos económicos, educativos y sociales. Esta transición tecnológica, correctamente implementada, permitiría diseñar políticas públicas con una base empírica más sólida y en tiempo casi real.

Por otra parte, el método de microsimulaciones, también analizado por el estudio, complementa esta visión desde una perspectiva más estructural. Al simular los efectos de variaciones en el empleo, la inflación y el ingreso, se logra una aproximación más realista del comportamiento económico de los hogares. Este enfoque es particularmente valioso para regiones como Puno o Ayacucho, donde los cambios en el mercado laboral y el costo de vida pueden alterar significativamente las condiciones de pobreza en cuestión de meses.

Sin embargo, la incorporación de estas herramientas tecnológicas plantea desafíos éticos y metodológicos. Los modelos predictivos, por precisos que sean, no deben reemplazar la mirada humana sobre la realidad social. La pobreza no es solo un número: es una experiencia multidimensional que involucra acceso, dignidad y oportunidades. Si los modelos se convierten en sustitutos de la observación directa, corremos el riesgo de caer en una “tecnocracia de la pobreza”, donde los algoritmos definen políticas sin comprender del todo las vidas que representan.

El reto, por tanto, es integrar la ciencia de datos con la sensibilidad social. El BCRP ha dado un paso importante al proponer alternativas al rezago estadístico, pero la verdadera innovación ocurrirá cuando estas herramientas sean parte de un ecosistema más amplio: universidades, gobiernos regionales y organizaciones sociales que validen los resultados en territorio. Solo así la inteligencia artificial podrá convertirse en inteligencia social.

En conclusión, el nowcasting de la pobreza no debe ser visto solo como una técnica, sino como una oportunidad histórica. El Perú necesita combinar precisión con empatía, algoritmos con humanidad. Porque medir la pobreza con mayor frecuencia no es suficiente: lo esencial es reducirla.

Referencias

Castillo, L. E., & Guillén, S. (2025). Evaluación de modelos de nowcasting de la tasa de pobreza monetaria. Revista Moneda, (202), 71–77. Banco Central de Reserva del Perú. Disponible en: https://www.bcrp.gob.pe/publicaciones/revista-moneda.html

Instituto Nacional de Estadística e Informática (INEI). (2024). Medición de la pobreza monetaria 2023. Lima: INEI.
Disponible en: https://www.inei.gob.pe/

Banco Mundial. (2023). Perú: Pobreza y equidad. Washington D.C.: World Bank Data Portal.
Disponible en: https://data.worldbank.org/country/peru