Hace un par de años cerré una evaluación de un programa de desarrollo rural. El informe tenía 87 páginas. Era metodológicamente sólido. Lo presentamos en un taller de dos horas con el equipo del programa.

Tres meses después, hablé con la coordinadora. Le pregunté qué había cambiado.

“Nada todavía, pero el informe quedó muy bien documentado.”

────

El problema del MEL en la práctica no es que el monitoring sea difícil. Tampoco que las evaluaciones sean malas. El problema es la L.

Learning. El componente que se menciona último en el acrónimo y que se usa primero como decoración en los marcos de resultados.

La lógica es simple: monitoreas para detectar señales, evalúas para entender causas, y aprendes para cambiar lo que no funciona. En el papel, ese ciclo tiene sentido. En la práctica, el ciclo se rompe exactamente en el tercer paso.

No porque no haya voluntad. Sino porque entre el momento en que un evaluador entrega un informe y el momento en que un programa puede incorporar ese aprendizaje, hay reuniones de junta, ciclos presupuestales, términos de referencia ya firmados, y una burocracia organizacional que no se diseñó para cambiar rápido.

────

La IA puede ayudar con varias cosas reales en este proceso.

Puede reducir de semanas a días el tiempo entre datos recogidos y síntesis interpretada. Puede generar alertas en tiempo real a partir de datos de monitoreo. Puede producir reportes adaptados por audiencia — uno para el equipo de campo, otro para la junta, otro para el financiador — sin que el evaluador tenga que reescribir todo tres veces.

Eso no es trivial. El tiempo que se pierde entre la señal y la respuesta es tiempo en que el programa sigue haciendo algo que los datos ya dicen que no funciona.

Pero la IA no resuelve el problema de fondo.

El ciclo de aprendizaje se rompe donde siempre se ha roto: en la decisión de cambiar. Y eso no es un problema técnico. Es un problema de cultura organizacional, de incentivos, y de si los directivos de un programa están dispuestos a decir “esto no estaba funcionando y lo ajustamos.”

Eso requiere humildad institucional. Y esa no viene en ningún software.

────

La pregunta que vale la pena hacerse antes de invertir en un sistema MEL más sofisticado: ¿tiene esta organización la disposición real de cambiar cuando los datos lo piden?

Si la respuesta es sí, la IA puede hacer el ciclo mucho más rápido.

Si la respuesta es no, el sistema más avanzado del mundo va a producir informes que van a quedar muy bien documentados.

#MEL {hashtag|#|EvaluaciónDeImpacto} #AprendizajeOrganizacional #ImpactoSocial