Consulta un dato oficial ahora mismo

Esta caja llama en directo a la API pública y gratuita del Banco Mundial, sin clave ni registro. Elige un país y un indicador, y verás el dato real más reciente disponible, con su fecha exacta.

Qué organismos publican datos abiertos reutilizables

El Banco Mundial de la demo es solo uno de una familia amplia de fuentes con API pública y gratuita. A nivel internacional, Naciones Unidas y la OCDE publican indicadores comparables entre países; a nivel regional, Eurostat cubre toda la Unión Europea con series históricas largas; a nivel nacional, muchos países tienen su propio instituto de estadística con datos abiertos — el INE en España, el INEGI en México, el INDEC en Argentina, el DANE en Colombia — aunque el formato y la facilidad de acceso vía API varía bastante de uno a otro.

El criterio para preferir una fuente internacional sobre una nacional (o al revés) depende de lo que necesites: si comparas varios países entre sí, una fuente internacional con metodología unificada como el Banco Mundial evita el problema de comparar cifras calculadas con criterios distintos en cada país. Si necesitas el máximo nivel de detalle sobre un solo país (por provincia, por sector económico concreto), la fuente nacional suele ofrecer una granularidad que la internacional no tiene.

Vale la pena mencionar también Eurostat aparte, porque su API es de las más completas de esta categoría: cubre a los 27 países de la Unión Europea con series homogéneas sobre economía, demografía, medio ambiente y mercado laboral, actualizadas con una cadencia predecible y documentadas con el mismo nivel de detalle metodológico que el Banco Mundial. Para cualquier proyecto centrado en Europa, suele ser el primer sitio donde mirar antes de buscar una fuente nacional caso por caso.

Un matiz práctico que ahorra frustración: no todos estos organismos ofrecen una API HTTP moderna con JSON. Algunos siguen publicando en formatos más antiguos (SDMX, CSV masivo para descargar) que exigen un paso extra de conversión antes de poder usarlos como herramienta de un agente en tiempo real. Antes de comprometerte con una fuente nacional concreta, comprueba si de verdad tiene una API consultable en directo o si su "dato abierto" es en realidad un archivo para descargar y procesar aparte — ambos son legítimos, pero solo el primero encaja con el patrón de esta guía sin trabajo adicional de preparación.

Por qué la fecha y la metodología importan tanto como el número

Un ejemplo concreto de por qué esto no es un detalle burocrático: si preguntas por la "tasa de desempleo" de dos países distintos, uno puede calcularla como porcentaje de la población activa que busca trabajo activamente, y otro incluir criterios distintos sobre qué cuenta como "buscar activamente" o qué edad mínima se considera población activa. Las dos cifras son igual de "oficiales", pero compararlas directamente sin ese matiz metodológico lleva a una conclusión errónea sin que nada en el número en sí lo delate.

Por eso la herramienta de la sección 3 de esta guía siempre devuelve la fuente y la fecha junto al valor: no es solo trazabilidad por trazabilidad, es la información mínima que necesita cualquiera que use ese dato para decidir si es comparable con otro que ya tenía, o si hace falta revisar la metodología de origen antes de ponerlos uno al lado del otro en una misma frase o gráfico.

El Banco Mundial, en concreto, publica junto a cada serie una nota metodológica explicando cómo se calcula y qué fuentes nacionales agrega para construirla — un nivel de transparencia sobre el propio dato que rara vez ofrece un modelo de lenguaje cuando cita una cifra de memoria, por la razón simple de que el modelo no "recuerda" una metodología, solo un número suelto sin ese contexto.

Un caso real: verificación de datos en periodismo

Un equipo de periodismo de datos recibe a diario afirmaciones de fuentes políticas o corporativas con cifras concretas ("el desempleo bajó un 2%", "la inversión extranjera se duplicó"). Verificar cada afirmación a mano contra la fuente oficial consume tiempo que casi nunca sobra en una redacción con plazos de cierre ajustados.

Un asistente con acceso a estas APIs de datos abiertos puede hacer una primera pasada automática: recibe la afirmación, identifica qué indicador y qué periodo describe, consulta la fuente oficial correspondiente, y devuelve tanto el dato real como la diferencia con lo afirmado — sin decidir por sí mismo si la afirmación es "verdad" o "mentira" (eso sigue siendo criterio editorial humano), pero ahorrando el trabajo mecánico de buscar la cifra exacta en la fuente correcta.

El resultado no reemplaza al periodista de datos, lo libera de la parte más mecánica del trabajo para dedicar el tiempo humano a lo que sí requiere criterio: decidir qué comparación es relevante, qué contexto falta, y cómo contar la historia detrás del número.

Un segundo caso, esta vez de sociedad civil: organizaciones de transparencia presupuestaria en varios países de habla hispana llevan años publicando análisis de gasto público comparando lo presupuestado con lo ejecutado. Un agente que combina un indicador oficial de gasto público (cuando el organismo lo ofrece por API, no todos lo hacen) con las cifras que la propia organización recopila manualmente de fuentes menos accesibles, puede señalar automáticamente las mayores desviaciones cada trimestre, dejando el análisis cualitativo de por qué ocurrió esa desviación al equipo humano.

El código: una herramienta de "verificar cifra oficial"

Siguiendo el mismo patrón de nuestra guía de agentes con datos reales, así se define esta herramienta para que un modelo de Claude pueda usarla:

herramientas = [{
    "name": "consultar_indicador_oficial",
    "description": "Consulta un indicador económico o social oficial del Banco Mundial para un país",
    "input_schema": {
        "type": "object",
        "properties": {
            "codigo_pais": {"type": "string", "description": "Código ISO2, ej. ES, MX, AR"},
            "codigo_indicador": {"type": "string", "description": "Ej. NY.GDP.MKTP.CD para PIB"}
        },
        "required": ["codigo_pais", "codigo_indicador"]
    }
}]

def consultar_indicador_oficial(codigo_pais, codigo_indicador):
    url = f"https://api.worldbank.org/v2/country/{codigo_pais}/indicator/{codigo_indicador}"
    datos = requests.get(url, params={"format": "json", "per_page": 5}).json()
    reciente = next(r for r in datos[1] if r["value"] is not None)
    return {
        "pais": reciente["country"]["value"],
        "año": reciente["date"],
        "valor": reciente["value"],
        "fuente": "Banco Mundial",
        "actualizado": datos[0]["lastupdated"]
    }

Fíjate en un detalle importante del diseño: la función devuelve siempre la fuente y la fecha de actualización junto al valor, no solo el número pelado. Eso obliga a que la respuesta final del modelo pueda —y deba— citar de dónde sale el dato, en vez de presentarlo como un hecho genérico sin origen verificable.

Cuando este tipo de herramienta se vuelve algo que reutilizas en varios proyectos —un chatbot de atención ciudadana, un panel interno, un asistente de investigación—, tiene sentido empaquetarla como un servidor MCP independiente en vez de copiar y pegar la misma función Python en cada proyecto nuevo. Así cualquier aplicación que hable el protocolo MCP puede conectarse a tu catálogo de indicadores oficiales sin reescribir nada, y si el Banco Mundial cambia algo en su API, lo arreglas en un solo sitio en vez de en media docena de copias dispersas.

Si mantienes varios indicadores como herramientas separadas (PIB, población, esperanza de vida, y los que añadas de otros organismos), dale a cada una un nombre y una descripción lo bastante específicos para que el modelo no confunda dos herramientas parecidas entre sí. Una descripción vaga como "obtiene datos económicos" invita al modelo a usar la herramienta equivocada cuando tienes tres candidatas igual de genéricas; una descripción concreta como "obtiene el PIB en dólares corrientes de un país desde el Banco Mundial" deja mucho menos margen de confusión, sobre todo a medida que el catálogo de herramientas de tu agente crece.

Límites que conviene conocer

Cómo probarlo tú mismo en diez minutos

Antes de escribir ninguna herramienta ni conectar ningún modelo, vale la pena familiarizarte con la API a mano, directamente desde el navegador o la terminal, para entender qué forma tiene la respuesta real:

1. Abre en el navegador una URL como api.worldbank.org/v2/country/ES/indicator/SP.POP.TOTL?format=json y mira la estructura del JSON que devuelve: un array de metadatos y otro de resultados por año.
2. Identifica el campo de fecha y comprueba cuántos años de retraso tiene el dato más reciente disponible respecto al año actual — varía según el indicador.
3. Prueba con un código de país que no exista (por ejemplo "ZZ") y observa qué devuelve la API en ese caso de error, para saber qué debe manejar tu código cuando construyas la herramienta de verdad.
4. Repite el mismo indicador con dos países distintos y confirma que las unidades y el periodo son directamente comparables antes de asumirlo en tu código.

Este ejercicio de diez minutos, hecho antes de escribir la función Python de la sección 3, evita sorpresas del tipo "el campo que esperaba se llama distinto" o "esta combinación de país e indicador no tiene dato" una vez que ya has conectado la herramienta a un modelo y estás depurando dos capas de complejidad a la vez en vez de una.