ONU se alía con Google tras detectar 21% de acierto en IA

La ONU lanza un Data Commons sobre Google para que los agentes IA consulten sus datos sin intermediarios

El 17 de septiembre, las Naciones Unidas presentaron el UN System Data Commons, una plataforma construida sobre el código abierto de Data Commons de Google que, por primera vez, conecta las estadísticas de sus organismos a través del Model Context Protocol (MCP). El nuevo sistema reemplaza al portal UNData, donde históricamente había que navegar manualmente bases de datos tradicionales, y permite consultas en lenguaje natural con trazabilidad hasta la fuente original.

De los 26 organismos del sistema ONU que se comprometieron con el proyecto, alrededor de 20 cuentan con datos ya disponibles en el lanzamiento, según anunció la División de Estadística de la ONU. El objetivo explícito, según su director interino Shantanu Mukherjee, es que el 80% de los conjuntos de datos estadísticos del sistema ONU estén en la plataforma en 2027.

Google.org aportó US$2 millones en financiación y asistencia técnica para establecer la infraestructura base, y el equipo interno de Google adoptó una estrategia de tipo «train-the-trainer» para que la ONU termine operando el sistema de forma autónoma, según explicó Prem Ramaswamy, responsable del equipo de Data Commons en Google, a TechCrunch. Google lanzó Data Commons originalmente en 2018 como un intento de organizar conjuntos de datos públicos en un marco común.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Por qué la ONU tuvo que hacerlo: solo 21,2% de acierto en seis LLMs

El detonante del proyecto fue un estudio de UNICEF que midió la precisión de los principales modelos de lenguaje al responder preguntas sobre indicadores de desarrollo global. João Pedro Azevedo, jefe de estadística de UNICEF, presentó los resultados: más de 133.000 respuestas generadas por seis LLMs arrojaron una tasa de acierto promedio del 21,2%.

Los modelos evaluados fueron GPT-4o y GPT-4o-mini (OpenAI), Claude Sonnet 4.5 y Claude Haiku 4.5 (Anthropic), y Gemini 2.5 Flash y Gemini 2.0 Flash (Google). Aproximadamente tres de cada cinco respuestas no ofrecieron un número utilizable, en muchos casos porque los modelos se cubrieron con respuestas vagas. Y cuando las mismas preguntas se repitieron dos días después sobre las mismas versiones de modelo, los sistemas que dieron una cifra en ambas ocasiones repitieron exactamente la misma cifra solo en la mitad de los casos.

UNICEF aclaró que el estudio es un working paper en preparación para revisión por pares y publicará metodología, código y datos junto al documento. El sitio de datos de UNICEF recibe más de seis millones de visitas al mes, y las visitas derivadas de respuestas de ChatGPT crecieron 67% interanual entre el 1 de enero y el 14 de septiembre, según Azevedo. Esas derivaciones representan el 6,4% de todas las sesiones, y UNICEF estima que los asistentes de IA en conjunto generan ya una de cada diez visitas.

El papel del Model Context Protocol (MCP): el estándar abierto que hace todo esto posible

El Model Context Protocol (MCP) es, en términos prácticos, el estándar que permite a un asistente de IA conectarse a una base de datos, un sistema de archivos o un servicio externo sin necesidad de que cada par modelo-fuente requiera una integración a medida. Según una guía técnica de Unite.AI, el protocolo usa una arquitectura host-cliente-servidor: la aplicación de IA (host) mantiene conexiones con servidores MCP que exponen capacidades (herramientas, recursos, prompts) en un formato descubrible, lo que elimina la proliferación de adaptadores específicos por cada combinación modelo-fuente.

Google añadió soporte para MCP en Data Commons en 2025, según reportó TechCrunch. En julio de 2026, TechCrunch documentó que la especificación de MCP estaba recibiendo una actualización significativa orientada a facilitar despliegues a gran escala: el estándar pasa de un modelo de sesiones con estado, donde cada servidor recuerda la conversación, a un enfoque sin estado más compatible con balanceadores de carga, similar al modelo HTTP que ya utiliza la mayoría de los sitios web. La cobertura de TechCrunch resumía el problema así: cuando un servidor MCP atiende a millones de usuarios detrás de un balanceador, mantener el recuerdo de cada sesión en una sola máquina se vuelve inviable.

Para la ONU, el valor de MCP es doble. Primero, hace que los datos estén disponibles para cualquier agente de IA que hable el protocolo, sin Google como intermediario permanente. Segundo, la plataforma conserva metadatos de procedencia: cada estadística puede rastrearse hasta su organismo original, atacando directamente la falta de atribución que caracteriza a la mayoría de las respuestas de los LLM actuales.

La demostración que mostró el potencial real del proyecto

La prueba que hizo tangible el proyecto fue una pregunta sobre el impacto del Plan de Emergencia del Presidente de Estados Unidos para el Alivio del SIDA (PEPFAR) en África. Un sistema de IA conectado a los datos de la ONU a través de MCP identificó estadísticas relevantes sobre infecciones por VIH, mortalidad por SIDA y esperanza de vida, y las usó para producir una infografía, según reportó TechCrunch. Nadie tuvo que buscar ni cruzar los conjuntos de datos manualmente.

La promesa: convertir horas de investigación en una conversación. La advertencia, repetida por Ramaswamy y Azevedo, es que entregarle a un modelo datos autoritativos no garantiza conclusiones autoritativas. «Porque los modelos pueden interpretar mal los matices, una persona debe revisar siempre los resultados antes de citarlos o publicarlos», dijo Ramaswamy.

¿Qué significa esto para tu startup?

Para los fundadores que construyen productos que dependen de datos de terceros — financieros, de salud, climáticos, logísticos — el 21,2% de acierto de los LLM sobre estadísticas oficiales es una señal de alerta directa. Si modelos como GPT-4o, Claude Sonnet 4.5 y Gemini 2.5 Flash ya fallan al citar las cifras de la ONU con precisión, es esperable que tus clientes encuentren problemas similares cuando pregunten a ChatGPT o Claude sobre los datos detrás de tu producto.

Tres acciones concretas que puedes aplicar esta semana:

Audita tu superficie de datos pública. Identifica las diez o veinte preguntas que tus clientes hacen con más frecuencia a asistentes de IA sobre tu categoría. Pásalas por GPT-4o, Claude Sonnet 4.5 y Gemini 2.5 Flash. Documenta los casos en que los modelos alucinan cifras, atribuyen mal las fuentes o fabrican indicadores. Esos huecos son los que la ONU intenta cerrar con su Data Commons, y existen en prácticamente todos los sectores.
Publica un servidor MCP para tus datos. El equipo de Data Commons de Google demostró que un endpoint compatible con MCP convierte datasets estáticos en recursos accesibles por agentes. Si tu producto o API expone datos que otros agentes deberían citar — benchmarks de precios, referencias regulatorias, métricas de mercado —, construir un servidor MCP te mueve de «citado por la IA» a «nativo para la IA». El protocolo es abierto, las especificaciones están simplificándose para escalar y la adopción intersectorial está en marcha.
Trata la procedencia como funcionalidad. La ONU rastrea de dónde sale cada estadística para que los usuarios de IA puedan llegar hasta la fuente original. Añadir metadatos de linaje similares a tus datos — fuentes versionadas, marcas de tiempo de recuperación, IDs de edición — convierte un producto de datos en un producto de datos verificable, y esa es exactamente la capa por la que las empresas pagarán prima a mediano plazo.

La alianza ONU-Google es además una señal estratégica: los datos institucionales se están moviendo hacia infraestructura nativa para IA, y las organizaciones que no sigan ese camino terminarán alucinadas en respuestas de modelos que no controlan. Las arquitecturas, los protocolos y los modelos de financiación ya existen. La ventana para construir la capa de datos institucional para mercados hispanohablantes sigue abierta, y este caso sienta un precedente operativo que cualquier founder puede estudiar para acelerar.