Inteligencia artificial: impactos y desafíos en las contrataciones públicas. Revisión sistemática
Notice bibliographique
Résumé
La inteligencia artificial (IA) ha generado diversos impactos y desafíos en los procesos de las contrataciones públicas, siendo fundamentales su aplicación para el desarrollo económico e inclusión social. Se justifica por la persistencia de la corrupción, barreras regulatorias y falta de sostenibilidad del estado. El objetivo consistió en analizar factores que afectan la eficiencia, transparencia, inclusión, sostenibilidad, innovación tecnológica, normativas y el desarrollo económico interno. La metodología aplicó una revisión sistemática basada en artículos indexados en Scopus, utilizando filtros temáticos, geográficos y de idioma. alcanzando 50 estudios relevantes de países como Brasil, Estados Unidos, Canadá, Perú, México y otros. Los resultados revelaron que la IA identifico la centralización de competencias limita la transparencia y la eficiencia del gasto público. La corrupción fue un problema estructural en América Latina, mientras que, en EE.UU., demostró transparencia y sostenibilidad de costos logrando iniciativas exitosas. La IA, como parte de la innovación tecnológica mejoró la eficiencia, aunque enfrentó desafíos de implementación logrando obtener la conclusión en fundamentos para el desarrollo, reduciendo obstáculos regulatorios que limitaron su efectividad en la gestión pública.//Artificial Intelligence (AI) has generated diverse impacts and challenges in public procurement processes, with its application being fundamental for economic development and social inclusion. This is justified by the persistence of corruption, regulatory barriers, and the lack of state sustainability. The objective was to analyze factors that affect efficiency, transparency, inclusion, sustainability, technological innovation, regulations, and internal economic development. The methodology applied a systematic review based on articles indexed in Scopus, using thematic, geographic, and language filters, reaching 50 relevant studies from countries such as Brazil, the United States, Canada, Peru, Mexico, and others. The results revealed that AI identified the centralization of powers that limits the transparency and efficiency of public spending. Corruption was a structural problem in Latin America, while in the US, it demonstrated transparency and cost sustainability, achieving successful initiatives. AI, as part of technological innovation, improved efficiency, although it faced implementation challenges, managing to reach the conclusion, on the grounds for development, reducing regulatory obstacles that limited its effectiveness in public management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».