Seguridad nacional en Colombia: un enfoque analítico para la prevención del delito

Abstract

Esta monografía analiza la crisis de seguridad en Colombia, caracterizada por la insuficiencia del "modelo penal del castigo" reactivo, el cual genera un ciclo de impunidad del 58% en homicidios y costos equivalentes al 3.9% del PIB. Ante este panorama, la investigación tiene como objetivo general evaluar crítica y sistemáticamente la pertinencia del Machine Learning (ML) como herramienta estratégica para orientar la prevención predictiva y la gobernanza algorítmica del delito entre 2015 y 2025. Para ello, se sistematizan los patrones espacio-temporales de criminalidad, se evalúa la viabilidad técnica y ética de algoritmos como Random Forest y XGBoost, y se formulan lineamientos estratégico-normativos para el periodo 2025-2030. Los resultados demuestran que los modelos de criminología computacional superan significativamente la precisión de los métodos estadísticos tradicionales, alcanzando niveles de exactitud de hasta el 86% en zonas urbanas como Medellín. La principal contribución de este trabajo es la propuesta de una Hoja de Ruta Técnico-Institucional que incluye un Protocolo de Gobernanza Algorítmica (PGA) diseñado para mitigar el sesgo de retroalimentación (Feedback Bias) y garantizar la transparencia, proporcionalidad y equidad en la intervención estatal. El estudio prescribe la integración obligatoria de variables socioestructurales como la pobreza multidimensional y el desempleo en los modelos predictivos, asegurando que la analítica de datos fundamente la inversión social y no solo la respuesta represiva Palabras clave: "Machine learning, prevención del delito, criminalidad, seguridad ciudadana, políticas públicas".