La evolución del seguimiento y la evaluación de la ayuda exterior

Los programas de ayuda exterior representan miles de millones de dólares en inversiones anuales destinadas a reducir la pobreza, mejorar la salud y fomentar el crecimiento económico en los países en desarrollo. Durante décadas, los donantes y las agencias de ejecución han luchado por medir el verdadero impacto de estas intervenciones. Los enfoques tradicionales de seguimiento y evaluación (M&E) —con frecuencia, dependientes de encuestas de fin de proyecto, informes periódicos y visitas de campo anecdóticas— han resultado insuficientes para captar resultados en tiempo real o para atribuir cambios a actividades de ayuda específicas. Las innovaciones recientes han remodelado el paisaje de M&E, introduciendo tecnologías y metodologías que permiten una evaluación más precisa, oportuna y participativa. Este artículo ampliado examina las tendencias más significativas, discute sus aplicaciones y explora los desafíos que siguen existiendo en la construcción de sólidos sistemas de pruebas para la ayuda extranjera.

Tecnologías emergentes en M&E

Imagen satelital y teleobservación

Las imágenes satelitales han pasado de ser una herramienta poderosa para monitorear proyectos de infraestructura, cambios ambientales y resultados agrícolas. Organizaciones como el Banco Mundial[ ahora utilizan imágenes de alta resolución para seguir la construcción de carreteras, la deforestación y la expansión de redes de irrigación sin necesidad de equipos terrestres. Los avances en el aprendizaje automático permiten que los algoritmos detecten automáticamente cambios en el uso de la tierra, la construcción de huellas y la salud de la vegetación, reduciendo el tiempo desde la captura de datos hasta la percepción de la acción de meses a días.

Por ejemplo, en Sudán del Sur, los datos de los satélites permitieron a las agencias humanitarias vigilar la situación de los asentamientos de refugiados y evaluar los riesgos de inundaciones en tiempo real, permitiendo una reasignación proactiva de los recursos. De igual manera, en Etiopía, los índices de vegetación obtenidos por satélite ayudan a evaluar la eficacia de los proyectos de gestión de cuencas hidrográficas, proporcionando pruebas objetivas de la reducción de la erosión del suelo.

Herramientas de recolección de datos móviles y de campo

La proliferación de smartphones en países de bajos ingresos, incluso en zonas remotas, ha revolucionado la recopilación de datos de campo. Herramientas como ODK, SurveyCTO y KoboToolbox permiten que los rectores administren encuestas complejas fuera de línea, capturen coordenadas GPS y carguen fotos o grabaciones de voz. Las reglas de validación incorporadas en estas aplicaciones captan errores en el punto de entrada, mejorando dramáticamente la calidad de los datos sobre métodos basados en papel.

Organizaciones como USAID han integrado la recopilación de datos móviles en sus flujos de trabajo de rutina de M&E, permitiendo a los trabajadores sanitarios de distrito presentar informes semanales de prestación de servicios desde el campo. Los aumentos de velocidad y precisión permiten a los directores de programas identificar cuellos de botella —como los almacenamientos de medicamentos esenciales— y responder en días en lugar de meses.

Drones y vehículos aéreos no tripulados

Los drones llenan el vacío entre las imágenes de satélite y las observaciones terrestres. Pueden capturar imágenes de alta resolución de los sitios de proyectos bajo demanda, incluso en condiciones nubladas en las que los satélites fallan. En contextos de desarrollo, los drones se utilizan para mapear parcelas agrícolas, evaluar los daños después de desastres naturales y supervisar el progreso de grandes proyectos de construcción, como escuelas o clínicas. El costo de los drones comerciales ha caído bruscamente, haciéndolos accesibles a las ONG locales y a las agencias gubernamentales. Los programas de capacitación en países como Ghana y Nepal ahora equipan al personal local para pilotar y analizar datos de drones, promoviendo la propiedad local de los procesos M&E.

Internet de las Cosas (IoT) y Redes de Sensores

Donde exista conectividad de Internet, los sensores IoT proporcionan flujos de datos continuos. Las bombas de agua en las zonas rurales de Tanzanía, por ejemplo, están cada vez más equipadas con sensores que transmiten caudal y estado mecánico a los tableros centrales. Esto permite a los equipos de mantenimiento reparar las bombas rotas en horas, en lugar de esperar inspecciones trimestrales. De igual manera, los contadores inteligentes en las instalaciones del sistema solar doméstico informan automáticamente de los patrones de producción y uso de energía, dando a los inversores datos fiables sobre el desempeño del proyecto y el comportamiento de reembolso del cliente.

Análisis de datos e inteligencia artificial

Big Data para la identificación de tendencias

La explosión de datos digitales —de los registros de llamadas móviles, los mensajes de redes sociales, las transacciones financieras y las fuentes administrativas— crea oportunidades para M&E que no se imaginaban hace una década. La análisis de datos grandes puede identificar tendencias a escala de población. Por ejemplo, los registros de detalles de llamadas (CDR) de los operadores móviles ayudan a rastrear los movimientos de la población después de una crisis, informando el objetivo de la ayuda humanitaria. Los datos CDR agregados y anonimatos se han utilizado para evaluar el impacto de los programas de transferencia de efectivo analizando los cambios en la movilidad y los patrones de gasto con el tiempo.

Modelos de aprendizaje automático

Los algoritmos de aprendizaje automático (ML) se aplican cada vez más para predecir los resultados del proyecto y detectar anomalías. En los programas de extensión agrícola, los modelos de ML entrenados en datos climáticos históricos, condiciones del suelo y tasas de adopción pueden prever cuáles son los agricultores más propensos a adoptar nuevas prácticas, permitiendo que los programas adapten su alcance. En salud, los algoritmos analizan los registros de pacientes para identificar los signos de alerta temprana de brotes de enfermedades, permitiendo a las organizaciones de ayuda preposicionar suministros. Los modelos predictivos también ayudan a detectar fraudes: patrones inusuales en los informes de gastos o los calendarios de desembolso desencaden alertas automatizadas para los equipos de auditoría.

Procesamiento del lenguaje natural para datos cualitativos

Gran parte de las pruebas en ayuda externa son cualitativas-transcritos de grupos de discusión, respuestas de encuestas abiertas o diarios de oficiales de campo. Las herramientas de procesamiento de lenguas naturales (NLP) pueden ahora categorizar y analizar grandes volúmenes de texto, extrayendo temas, sentimientos y frecuencia de palabras clave. El UNICEF Office de Evaluación[ ha experimentalizado a NLP para sintetizar los resultados de cientos de informes de evaluación, identificando lecciones transversales que no serían prácticas de compilar manualmente. Aunque NLP no sustituye la comprensión nuancé de un analista humano, acelera significativamente el proceso de síntesis de pruebas.

Métodos de evaluación innovadores

Enfoques participativos

La participación de la comunidad en la evaluación ha pasado de la consulta tokenista a una verdadera asociación. Los marcos participativos de M&E involucran a las partes interesadas locales en la definición de indicadores de éxito, la recopilación de datos e interpretación de los resultados. Técnicas como el cambio más significativo, los carteros de puntuación comunitarios y el mapeo participativo dan voz a los beneficiarios y a menudo revelan consecuencias no deseadas de proyectos, tanto positivas como negativas. Por ejemplo, en un proyecto de saneamiento de agua en Bangladesh rural, los miembros de la comunidad identificaron que se estaban reutilizando nuevas letrinas para el almacenamiento en lugar de utilizarlas, una conclusión que habría sido omitida por los evaluadores externos centrados únicamente en el recuento de infraestructuras.

Ensayos controlados aleatoriamente y diseños cuasi-experimentales

La evaluación del impacto riguroso sigue siendo una piedra angular de la ayuda basada en pruebas. Mientras que los ensayos controlados aleatorizados (RTCs) son el estándar oro para establecer la causalidad, sus elevados costos y limitaciones éticas limitan su uso. Métodos cuasi-experimentales —como diferencias en las diferencias, discontinuidad de regresión y puntuación de propensión— ofrecen alternativas robustas cuando la aleatorización es ineficaz. Las innovaciones recientes incluyen ensayos adaptativos que ajustan el tamaño del muestra o los brazos de tratamiento a medida que llegan los resultados intermedios, haciendo que las evaluaciones sean más eficientes en entornos dinámicos.

Sistemas de retroalimentación en tiempo real

Las evaluaciones tradicionales suelen tener lugar en el punto medio y final de un proyecto, ofreciendo un margen limitado para la corrección del curso. Los sistemas de retroalimentación en tiempo real utilizan encuestas móviles, encuestas por SMS y seguimiento de las redes sociales para recoger las aportaciones continuas de los beneficiarios. Los tableros de control muestran los resultados instantáneamente, permitiendo la gestión adaptativa. El enfoque de retroalimentación rápida M&E, defendido por organizaciones como la Fundación Bill & Melinda Gates[, permite a los equipos del programa probar, aprender y ajustar la implementación en un ciclo semanal o mensual. En una intervención educativa en Kenya, la retroalimentación en tiempo real reveló que la asistencia de los profesores era mucho menor que la autodeclarada; el proyecto pivotó en el uso de registros de asistencia biométrica y vio mejoras tanto en los resultados de transparencia como en el aprendizaje.

Análisis de la contribución y rastreo de procesos

Para intervenciones complejas en las que la causalidad es difícil de probar, los enfoques de evaluación basados en teorías como el análisis de la contribución y el rastreo de procesos están ganando tracción. Estos métodos construyen una historia creíble de cómo una intervención contribuyó a los cambios observados probando sistemáticamente explicaciones alternativas. Confían en evidencias de métodos mixtos y en una teoría de programas sólida, y son especialmente útiles en proyectos de gobernanza, defensa y fortalecimiento de la capacidad en los que los diseños experimentales son impracticables.

Bloqueo de transparencia y rendición de cuentas

La tecnología del libro mayor distribuido ofrece aplicaciones prometedoras para M&E en ayuda extranjera. Blockchain puede crear un camino de auditoría inmutable para el desembolso de fondos, asegurando que cada dólar sea rastreado desde el donante hasta el beneficiario final. Los contratos inteligentes pueden liberar automáticamente pagos cuando se verifican los hitos predefinidos—por ejemplo, un proyecto de construcción escolar que está siendo certificado como completo mediante fotos geomarcadas cargadas en la cadena de bloques. Proyectos experimentales de la iniciativa "Building Blocks" del Programa Mundial de Alimentos han demostrado que las transferencias basadas en bloques reducen los costos de transacción y minimizan el fraude en la asistencia a los refugiados. Para M&E específicamente, blockchain proporciona un registro evidente de los puntos de recogida de datos, fortaleciendo la credibilidad de los resultados reportados.

Desafíos y consideraciones éticas

Privacidad y seguridad de los datos

La proliferación de la recopilación de datos digitales plantea graves preocupaciones en materia de privacidad. Los datos beneficiarios —incluyendo nombres, ubicaciones, estado de salud e información financiera— pueden ser mal utilizados si no están adecuadamente protegidos. Muchas organizaciones de ayuda operan en contextos con leyes de protección de datos débiles, imponiendo una pesada carga ética a los evaluadores para asegurar el consentimiento informado, la anonimato de los datos y el almacenamiento seguro. El uso de datos de las redes sociales y las huellas móviles plantea preguntas adicionales sobre el consentimiento y el potencial de vigilancia.

El divisor digital

Las innovaciones tecnológicas corren el riesgo de ampliar el desfase entre las zonas urbanas bien conectadas y las comunidades rurales marginadas. En muchas de las regiones más pobres, la cobertura de la red móvil sigue siendo limitada, la electricidad no es fiable y la alfabetización digital es baja. Con base únicamente en la recopilación de datos de alta tecnología puede excluir a las poblaciones más vulnerables y producir resultados parciales. Los enfoques híbridos —combinando métodos de baja tecnología como encuestas en papel para algunas comunidades con herramientas digitales para otras— son esenciales para garantizar la representatividad.

Desarrollo de capacidades y sostenibilidad

Introduciendo herramientas avanzadas de M&E sin invertir en habilidades e infraestructura locales a menudo lleva a la dependencia de consultores externos. Los proyectos a corto plazo pueden implementar drones caros o software analítico, pero una vez que el financiamiento termina, el personal local puede carecer de la experiencia necesaria para mantener los sistemas. La innovación sostenible requiere la incorporación de programas de capacitación en instituciones locales, la promoción de software de código abierto y el fomento de las capacidades analíticas de las unidades nacionales de M&E. Iniciativas como la capacidad de evaluación de la red apoyan el aprendizaje entre pares entre los evaluadores en el Sur Global.

Validez y apropiación

Las nuevas tecnologías y métodos no son automáticamente superiores. El atractivo de los "big data" puede conducir a un enfoque en lo que es fácil de medir en lugar de lo que es importante. Por ejemplo, las imágenes satelitales son excelentes para medir los cambios físicos en la infraestructura, pero no proporcionan ninguna idea de cómo un proyecto mejoró la cohesión social o el empoderamiento. Los profesionales de M&E deben seguir siendo críticos sobre la adecuación de cada herramienta, asegurando que el método coincida con la pregunta de evaluación y el contexto.

Instrucciones futuras

Varias tendencias formarán la próxima ola de innovación en la ayuda externa M&E. La convergencia de la inteligencia artificial con imágenes satelitales permitirá un seguimiento casi real de regiones enteras para los cambios en la actividad económica, la degradación ambiental y el riesgo de conflicto. El uso de datos sintéticos —generados por modelos de IA para simular poblaciones— podría ayudar a llenar vacíos cuando los datos reales no estén disponibles o demasiado sensibles para recopilar.

Es probable que las plataformas digitales participativas se vuelvan más sofisticadas, permitiendo a las comunidades no sólo proporcionar feedback, sino también co-diseño de intervenciones y analizar sus propios datos. Las iniciativas de ciencia ciudadana, en las que los voluntarios locales recopilan e interpretan datos, están expandiéndose en el monitoreo sanitario y ambiental. Estas aproximaciones cambian la dinámica del poder y construyen la capacidad local simultáneamente.

Blockchain puede pasar de las etapas piloto para convertirse en un componente estándar de transparencia de la ayuda, especialmente en grandes proyectos de infraestructura y adquisiciones. Mientras tanto, el creciente énfasis en la localización –un compromiso de los donantes principales para transferir recursos y toma de decisiones a los agentes locales– impulsará la demanda de sistemas de M&E que son propiedad y gestionados por los gobiernos nacionales y las organizaciones de la sociedad civil.

Finalmente, la integración de M&E con la toma de decisiones en tiempo real —a veces llamada "programación adaptativa"— continuará borrando la línea entre evaluación y gestión de proyectos. Los sistemas que combinen flujos de datos continuos con análisis automatizados y paneles permitirán que los programas de ayuda respondan a las condiciones cambiantes con una velocidad sin precedentes, siempre que se mantengan salvaguardias éticas y supervisión humana.

Conclusión

Las innovaciones descritas en este artículo representan un cambio fundamental en la forma en que se supervisan y evalúan los proyectos de ayuda exterior. Las imágenes satélite, los instrumentos móviles, la analítica de la IA, los métodos participativos y la cadena de bloques ofrecen cada uno ventajas únicas, pero ninguna es una panacea. Los sistemas de M&E más eficaces combinan múltiples enfoques, se adaptan a los contextos locales y priorizan la participación y protección de los beneficiarios. A medida que el sector de la ayuda exterior continúa evolucionando, las organizaciones que inviertan en sistemas de M&E reflexivos, éticos y capaces estarán mejor posicionadas para demostrar el impacto, aprender de los fracasos y, en última instancia, ofrecer mejores resultados para las comunidades que sirven.

Los interesados —desde los donantes y los organismos de ejecución a los gobiernos y las comunidades locales— deben colaborar para superar los persistentes desafíos de la privacidad de los datos, la exclusión digital y las lagunas de capacidad. Solamente entonces se podrá cumplir plenamente la promesa de innovación en el seguimiento y la evaluación para mejorar la vida de las personas más vulnerables del mundo.