Una revisión sobre la inteligencia artificial como herramienta para la sustentabilidad en México
Barra lateral del artículo
Contenido principal del artículo
Resumen
La Inteligencia Artificial (IA) emerge como una herramienta estratégica para abordar los desafíos de la sustentabilidad en México. El presente trabajo tiene como objetivo evaluar el estado actual de la investigación sobre IA aplicada a la sostenibilidad en el país, identificar patrones de impacto y señalar áreas de oportunidad críticas. Mediante una revisión metodológica de literatura científica reciente en repositorios clave , seleccionando 11 estudios posteriores a 2020 , el análisis revela una marcada dicotomía de “dos IA’s”. Por un lado, una IA verde, enfocada en el monitoreo ambiental y la conservación de ecosistemas, demostrando una madurez creciente y resultados exitosos, que se atribuyen al fuerte respaldo institucional y a la disponibilidad de datos satelitales públicos. Por otro lado, una IA marrón, destinada a problemas urbanos e industriales como la gestión de residuos, la cual se determina como incipiente, teórica y la cual enfrenta fracasos prácticos. Se concluye que esta divergencia se debe fundamentalmente a los tipos y la disponibilidad de datos, donde, por un lado la IA verde prospera con datos públicos abundantes, la “IA marrón” se ve frenada por la escasez de datos granulares y de alta calidad. Además, el estudio identifica brechas significativas en áreas como energías renovables, planificación urbana y economía circular , proponiendo estrategias de adaptación pragmáticas para superar la barrera de los datos como paso inicial hacia futuras innovaciones específicas del contexto en México.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
[1] D. Panteli et al., “Artificial intelligence in public health: promises, challenges, and an agenda for policy makers and public health institutions,” The Lancet Public Health, vol. 10, no. 5, pp. e428–e432, 2025, doi: 10.1016/S2468-2667(25)00036-2.
[2] M. L. S. da Silva, J. P. Lopes, T. Amadeu, and C. T. Mesquita, “Use of Artificial Intelligence in Scientific Publications,” Int. J. Cardiovasc. Sci., vol. 38, p. e20240198, 2025, doi: 10.36660/ijcs.20240198.
[3] J. L. Uc Castillo et al., “A systematic review of Machine Learning and Deep Learning approaches in Mexico: challenges and opportunities,” Front. Artif. Intell., vol. 7, p. 1479855, 2025, doi: 10.3389/frai.2024.1479855.
[4] D. Bergmann, “What is machine learning?,” IBM Think, 2025. [En línea]. Disponible: https://www.ibm.com/think/topics/machine-learning.
[5] D. Bergmann, “What is deep learning?,” IBM Think, 2025. [En línea]. Disponible: https://www.ibm.com/think/topics/deep-learning.
[6] M. Faiyazuddin et al., “The impact of artificial intelligence on healthcare: A comprehensive review of advancements in diagnostics, treatment, and operational efficiency,” Health Sci. Rep., vol. 8, p. e70312, 2025, doi: 10.1002/hsr2.70312.
[7] V.-A. Melo-López, A. Basantes-Andrade, C.-B. Gudiño-Mejía, and E. Hernández-Martínez, “The Impact of Artificial Intelligence on Inclusive Education: A Systematic Review,” Educ. Sci., vol. 15, no. 5, p. 539, 2025, doi: 10.3390/educsci15050539.
[8] M. C.-T. Tai, “The impact of artificial intelligence on human society and bioethics,” Tzu Chi Med. J., vol. 32, no. 4, pp. 339–343, 2020, doi: 10.4103/tcmj.tcmj_71_20.
[9] A. M. Porcelli, “La inteligencia artificial y la robótica: sus dilemas sociales, éticos y jurídicos,” Derecho Global. Estudios sobre Derecho y Justicia, vol. 6, no. 16, pp. 49–105, 2020, doi: 10.32870/dgedj.v6i16.286.
[10] V. Baños González, “La inteligencia artificial, estudio de su evolución y aplicación en México,” Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, vol. 12, no. Especial 4, pp. 250–260, 2024, doi: 10.29057/icbi.v12iEspecial4.13338.
[11] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.
[12] E. Kavlakoglu, “What is random forest?,” IBM Think, 2025. [En línea]. Disponible: https://www.ibm.com/think/topics/random-forest.
[13] L. Breiman, “Random forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
[14] C. Troche-Souza et al., “Spatial distribution of mangrove forest carbon stocks in Marismas Nacionales, Mexico: Contributions to climate change adaptation and mitigation,” Forests, vol. 16, no. 8, p. 1224, 2025, doi: 10.3390/f16081224.
[15] E. Monterrubio-Martínez, R. Trujillo-Acatitla, J. Tuxpan-Vargas, and P. Moreno-Casasola, “An approach for accurate identification and monitoring of species in mangrove forests based on multi-source spectral data and deep learning,” Ecol. Inform., vol. 102, p. 102961, 2025, doi: 10.1016/j.ecoinf.2024.102961.
[16] L. Valderrama-Landeros et al., “An assessment of mangrove forest in northwestern Mexico using the Google Earth Engine cloud computing platform,” PLOS ONE, vol. 19, no. 12, p. e0315181, 2024, doi: 10.1371/journal.pone.0315181.
[17] J. Aviña Hernández, A. J. Sánchez, and R. Rodríguez, “Evaluación del rendimiento predictivo del algoritmo Random Forest en la identificación de especies de manglares en ambientes áridos,” Ecol. Inform., vol. 75, p. 102040, 2023, doi: 10.1016/j.ecoinf.2023.102040.
[18] M. T. Rodríguez-Zúñiga et al., “Development and Structural Organization of Mexico’s Mangrove Monitoring System (SMMM) as a Foundation for Conservation and Restoration Initiatives: A Hierarchical Approach,” Forests, vol. 13, no. 4, p. 621, abr. 2022, doi: 10.3390/f13040621.
[19] L. Valderrama-Landeros et al., “Extrapolating canopy phenology information using Sentinel-2 data and the Google Earth Engine platform to identify the optimal dates for remotely sensed image acquisition of semiarid mangroves,” J. Environ. Manage., vol. 279, p. 111617, 2021, doi: 10.1016/j.jenvman.2020.111617.
[20] J. Gómez Maturano, J. D. Mendoza Santana, A. L. Aguilar García, and M. Serna Hernández, “Remote sensing of illegal dumps through supervised classification of satellite images: application in Oaxaca, Mexico,” Cuad. Investig. Geográfica, vol. 50, no. 2, pp. 157–171, 2024, doi: 10.18172/cig.6273.
[21] J. M. Sánchez Yáñez and L. Márquez Benavides, “Gestión de residuos sólidos y la inteligencia artificial en el contexto mexicano,” Cienc. Nicolaita, no. 90, 2024, doi: 10.35830/cn.vi90.722.
[22] F. J. López-Flores, X. G. Sánchez-Zarco, E. Rubio-Castro, and J. M. Ponce-Ortega, “A machine learning approach for optimizing the water-energy-food-ecosystem nexus: A resilience perspective for sustainability,” Environ. Dev. Sustain., vol. 27, no. 4, pp. 8863–8891, 2025, doi: 10.1007/s10668-023-04257-y.
[23] S. Y. Castillo Ortiz et al., “Optimización del sector agrícola mediante el análisis de datos para una gestión eficiente de los recursos naturales: una perspectiva para México,” Ciencia Latina Rev. Cient. Multidiscip., vol. 9, no. 2, pp. 241–257, 2025, doi: 10.37811/cl_rcm.v9i2.16816.
[24] S. G. Mengual Torres et al., “Analysis of Energy and Environmental Indicators for Sustainable Operation of Mexican Hotels in Tropical Climate Aided by Artificial Intelligence,” Buildings, vol. 12, no. 8, p. 1155, 2022, doi: 10.3390/buildings12081155.
[25] R. Vinuesa et al., “The role of artificial intelligence in achieving the Sustainable Development Goals,” Nat. Commun., vol. 11, p. 233, 2020, doi: 10.1038/s41467-019-14108-y.
[26] T. Amnuaylojaroen, “Advancements and challenges of artificial intelligence in climate modeling for sustainable urban planning,” Front. Artif. Intell., vol. 8, p. 1517986, 2025, doi: 10.3389/frai.2025.1517986.
[27] M. Despotović and M. Glatschke, “Challenges and Opportunities of Artificial Intelligence and Machine Learning in Circular Economy,” SocArXiv, 2024, doi: 10.31219/osf.io/6qmhf.
[28] M. Wilson, J. Paschen, and L. Pitt, “The circular economy meets artificial intelligence (AI): Understanding the opportunities of AI for reverse logistics,” Manage. Environ. Qual., vol. 33, no. 1, pp. 9–25, 2022, doi: 10.1108/MEQ-10-2020-0222.
[29] P. I. Ezekiel, N. Dienagha, W. N. Digitemie, E. C. Onukwulu, and O. T. Oladipo, “Artificial Intelligence (AI) in renewable energy forecasting and optimization,” World J. Adv. Eng. Technol. Sci., vol. 15, no. 2, pp. 1100–1112, 2025, doi: 10.30574/wjaets.2025.15.2.0300.
[30] F. Mortazavizadeh et al., “Advances in machine learning for agricultural water management: A review of techniques and applications,” J. Hydroinformatics, vol. 27, no. 3, pp. 474–492, 2025, doi: 10.2166/hydro.2025.258. [30] M. Wilson, J. Paschen, and L. Pitt, “The circular economy meets artificial intelligence (AI): Understanding the opportunities of AI for reverse logistics,” Management of Environmental Quality: An International Journal, vol. 33, no. 1, pp. 9–25, 2022. doi: 10.1108/MEQ-10-2020-0222
[31] R. Vinuesa, H. Azizpour, I. Leite, M. Balaam, V. Dignum, S. Domisch, et al., “The role of artificial intelligence in achieving the Sustainable Development Goals,” Nature Communications, vol. 11, p. 233, 2020. doi: 10.1038/s41467-019-14108-y