Categoría: IA pública aplicada

Este artículo forma parte de la serie «El futuro del poder», una reflexión sobre cómo la inteligencia artificial está cambiando la manera de decidir, gobernar y comunicar desde las instituciones.

La responsabilidad por decisiones con IA empieza antes de que el sistema emita una recomendación. Empieza cuando una administración decide para qué va a utilizarlo, qué información le entregará y quién tendrá autoridad para aceptar o rechazar su consejo.

Un algoritmo puede detectar expedientes con riesgo de incumplimiento, ordenar solicitudes, señalar posibles fraudes o sugerir dónde concentrar una inspección. Puede revisar miles de documentos con una velocidad imposible para un equipo humano. Pero si su recomendación perjudica injustamente a una persona, la respuesta no puede ser que «lo decidió el sistema».

La máquina no ocupa un cargo público, no comparece ante un órgano de control y no atiende una reclamación. Alguien debe responder por la calidad de los datos, por el uso de la recomendación y por las consecuencias de la decisión final.

El algoritmo aconseja dentro de una cadena humana

En El futuro del poder describo una administración en la que la IA puede vigilar cambios normativos, comprobar procedimientos y advertir de riesgos antes de que se conviertan en incumplimientos. Es un cambio importante: el control deja de mirar únicamente lo que ya ocurrió y empieza a ayudar a prevenir errores.

Sin embargo, ningún sistema aparece solo. Una persona define el problema, otra contrata o desarrolla la herramienta, un equipo selecciona los datos y alguien decide cómo se integrará el resultado en el procedimiento. Después, un empleado público interpreta la recomendación o actúa sobre ella.

Cuando todas esas intervenciones se esconden detrás de la palabra «algoritmo», parece que la decisión no pertenece a nadie. La responsabilidad se dispersa entre el proveedor, el área técnica, el departamento jurídico y el órgano que firma. Precisamente por eso debe quedar definida antes de empezar.

La OCDE señala que, en la mayoría de los usos públicos, los algoritmos informan o influyen en decisiones humanas más que sustituirlas por completo. Esa descripción es útil porque devuelve la atención a la cadena real: el sistema aconseja, pero una organización decide qué hacer con su consejo.

Cuando una recomendación es incorrecta, resulta tentador buscar un fallo puntual en el programa. A veces existe. Pero muchos errores nacen antes: en una base de datos incompleta, en una categoría mal definida o en un objetivo que parecía razonable y produjo efectos inesperados.

Un sistema que prioriza las solicitudes con mayor probabilidad de resolverse rápidamente puede reducir el tiempo medio de tramitación. Al mismo tiempo, puede relegar los expedientes complejos de las personas que más necesitan ayuda. El modelo habrá cumplido la instrucción, aunque el servicio público haya empeorado para un grupo concreto.

También puede aprender de decisiones anteriores que contenían desigualdades. Si una zona fue inspeccionada con mayor frecuencia durante años, tendrá más incidencias registradas. El sistema puede interpretar ese historial como prueba de un riesgo superior y recomendar todavía más inspecciones allí. El dato parece objetivo, pero refleja la forma en que se actuó en el pasado.

Por eso no basta con comprobar que el programa funciona. Hay que examinar si la finalidad es legítima, si los datos describen de manera adecuada a la población y si el resultado perjudica de forma desproporcionada a determinadas personas.

Supervisión humana no significa firmar al final

La expresión «supervisión humana» puede resultar tranquilizadora y, al mismo tiempo, no significar casi nada. Si una empleada recibe cada mañana cientos de recomendaciones generadas por un sistema que no puede comprender ni cuestionar, su firma final no convierte el proceso en una verdadera decisión humana.

Supervisar exige tiempo, formación, información y autoridad para detener el procedimiento. La persona responsable necesita conocer qué datos ha utilizado el sistema, qué grado de incertidumbre existe y en qué situaciones suele fallar. Debe poder apartarse de la recomendación sin ser castigada simplemente por hacerlo y dejar constancia de sus razones.

La orientación de la Comisión Europea sobre el Reglamento de IA establece que las personas encargadas de supervisar sistemas de alto riesgo deben contar con la competencia, formación y autoridad necesarias. También exige que las autoridades públicas evalúen previamente determinados impactos sobre los derechos fundamentales. La supervisión, por tanto, debe ser efectiva y no una formalidad añadida al expediente.

Esto requiere algo que muchas organizaciones todavía no tienen: una descripción sencilla del papel de cada participante. Quién puede aprobar el uso del sistema, quién controla su rendimiento, quién valida cada tipo de recomendación y quién ordena suspenderlo si aparece un riesgo.

La responsabilidad institucional se comprueba cuando alguien discrepa del resultado. Una ciudadana no debería necesitar conocimientos de programación para impugnar una decisión que afecta a una ayuda, una sanción o el acceso a un servicio.

Debe saber que se utilizó un sistema de IA cuando ese uso resulte relevante, comprender las razones principales de la decisión y encontrar un cauce atendido por una persona capaz de revisarla. La reclamación no puede convertirse en otro formulario que termine automáticamente en el mismo sistema cuestionado.

El derecho a recibir una explicación útil no se satisface con entregar una fórmula matemática ni una descripción genérica del proveedor. La explicación debe relacionar la decisión con el caso concreto: qué información se tuvo en cuenta, qué regla influyó y qué puede corregirse si los datos eran erróneos.

La Comisión Europea recuerda que, cuando determinados sistemas de alto riesgo ayudan a tomar decisiones sobre personas, estas deben ser informadas. El Reglamento también refuerza el registro, la vigilancia y la respuesta ante incidentes. Esas garantías serán eficaces solo si se traducen en procedimientos comprensibles para quien está al otro lado de la administración.

La trazabilidad suele presentarse como una obligación técnica, pero es también una protección profesional. Si queda constancia de la versión del sistema, los datos disponibles, la recomendación emitida y el criterio utilizado para aceptarla o rechazarla, el empleado puede demostrar cómo actuó.

Sin ese registro, una decisión tomada de buena fe puede resultar imposible de reconstruir meses después. El proveedor habrá actualizado el modelo, los datos habrán cambiado y cada departamento recordará una parte distinta del proceso.

La documentación debe ser proporcionada al riesgo. No necesita convertir cada trámite menor en un expediente interminable. Pero cuanto mayor sea el efecto sobre los derechos, las oportunidades o la vida de una persona, más clara debe ser la huella de la decisión.

En este punto, el conocimiento institucional no puede permanecer disperso en carpetas, correos y cabezas sueltas. La memoria del proceso forma parte de la capacidad de responder.

La IA puede detectar una correlación que merece atención sin conocer su causa. Puede recomendar investigar un expediente, pero no necesariamente sancionarlo. Puede señalar una anomalía, aunque esta se deba a una situación excepcional perfectamente legítima.

Una administración responsable distingue entre una alerta, una recomendación y una decisión. No utiliza el mismo nivel de confianza ni las mismas garantías para las tres. El sistema puede ayudar a dirigir la mirada de un profesional, pero no debería transformar una sospecha estadística en una consecuencia automática sin comprobación suficiente.

Esta diferencia será todavía más importante cuando los asistentes de IA produzcan respuestas redactadas con seguridad y acompañadas de argumentos convincentes. La calidad de la prosa no demuestra la calidad del razonamiento. Una respuesta ordenada puede apoyarse en datos incompletos o interpretar mal una norma.

Por eso las instituciones necesitan publicar información oficial clara y actualizada, pero también conservar la capacidad de comprobar cualquier respuesta generada a partir de ella.

La responsabilidad no se compra con el programa

Contratar una herramienta no equivale a transferir la obligación pública de responder. El proveedor debe asumir responsabilidades sobre el producto, la seguridad y las condiciones acordadas. Pero la institución sigue siendo responsable de haber elegido el uso, de integrarlo en su procedimiento y de vigilar sus efectos.

Eso obliga a evaluar no solo la precisión inicial del sistema, sino su comportamiento con el paso del tiempo. Las normas cambian, la población cambia y los datos cambian. Una herramienta que funcionaba bien al comenzar puede degradarse o producir efectos distintos cuando se aplica a otro departamento.

La síntesis es clara: cuando un algoritmo aconseja a un gobierno, la responsabilidad debe tener nombres, funciones y un cauce de reclamación. La IA puede mejorar el control y reducir errores, pero no puede convertirse en la explicación final de una decisión pública. Si nadie puede explicar quién validó el resultado y quién debe corregirlo, el problema no está solo en el algoritmo. Está en la institución que decidió utilizarlo sin preparar la respuesta.

Este artículo forma parte de la serie «El futuro del poder», una reflexión sobre cómo la inteligencia artificial está cambiando la manera de decidir, gobernar y comunicar desde las instituciones.

La IA en las decisiones públicas permite hacer algo que hasta hace poco estaba reservado a unos pocos equipos técnicos: ensayar una medida antes de aplicarla. Un ayuntamiento puede comparar recorridos para una nueva línea de guaguas, estimar qué barrios quedarían peor conectados o calcular cómo variaría el tráfico si peatonaliza una calle. Un gobierno puede proyectar el coste de una ayuda, anticipar cuántas solicitudes recibirá y comprobar si el procedimiento podrá atenderlas a tiempo.

Es una posibilidad valiosa. Probar una decisión antes de someter a la ciudadanía a sus consecuencias puede descubrir errores, costes ocultos y colectivos que no habían sido tenidos en cuenta.

Pero una simulación no decide qué resultado es justo. Puede mostrar quién gana y quién pierde con cada alternativa; no puede establecer por sí sola qué sacrificio resulta aceptable, qué derecho debe prevalecer o cuánto debe pesar la situación de una minoría. Esa responsabilidad sigue perteneciendo a las personas que gobiernan.

Un ensayo digital antes de actuar en la realidad

En El futuro del poder planteo que los modelos predictivos permitirán construir escenarios cada vez más detallados. La IA podrá combinar datos demográficos, económicos, territoriales y de comportamiento para estimar cómo responderá una comunidad ante una decisión. Con sistemas más avanzados, esos ensayos podrían actualizarse casi en tiempo real y comparar muchas más alternativas de las que hoy puede estudiar un equipo humano.

La utilidad no consiste en adivinar el futuro. Consiste en someter una propuesta a preguntas difíciles antes de convertirla en una norma, una obra o un servicio. ¿Qué ocurre si aumenta la demanda? ¿Qué pasa si el presupuesto se reduce? ¿A quién beneficia la medida y quién soporta sus costes? ¿Qué consecuencia aparece seis meses después y no durante la primera semana?

La OCDE observa que la IA ya se utiliza en alguna función pública en casi todos sus países miembros, aunque su aplicación a la elaboración y supervisión de políticas sigue siendo más limitada. Tiene sentido: cuanto mayores son las consecuencias de una decisión, más exigentes deben ser los datos, las pruebas y las garantías.

Todo modelo es una representación incompleta de la realidad. Selecciona algunas variables, deja otras fuera y establece relaciones a partir de datos anteriores. Incluso una simulación técnicamente impecable depende de supuestos humanos: qué se considera éxito, durante cuánto tiempo se mide, qué grupos se comparan y qué efectos se juzgan relevantes.

Imaginemos una propuesta para reducir el tráfico en el centro de una ciudad. El modelo puede indicar que disminuirá el tiempo medio de desplazamiento y mejorará la calidad del aire. Sin embargo, ese promedio puede ocultar que los residentes de una zona periférica necesitarán dos transbordos para llegar al trabajo o que los pequeños comercios tendrán dificultades durante la transición.

La simulación no necesariamente está equivocada. Puede haber respondido con precisión a la pregunta que se le hizo. El problema es que la pregunta era demasiado estrecha.

Por eso la primera tarea no es preguntar a la IA cuál es la mejor decisión, sino decidir qué consecuencias debe examinar. Una institución que escucha antes de decidir y comunicar puede incorporar al modelo problemas que no aparecen en una hoja de cálculo inicial.

Los datos públicos nunca describen a toda la población con la misma calidad. Algunas personas utilizan servicios digitales, dejan registros frecuentes y participan en consultas. Otras apenas generan señales: mayores que resuelven sus trámites de forma presencial, familias en situaciones irregulares, trabajadores con horarios que les impiden acudir a una reunión o vecinos que no confían en los canales oficiales.

Si el modelo aprende principalmente de quienes están bien representados, puede recomendar una medida que funcione muy bien para la mayoría visible y muy mal para quienes apenas aparecen. El sesgo no siempre adopta la forma de una discriminación evidente. A veces se presenta como una mejora del promedio.

La Comisión Europea exige garantías reforzadas cuando una autoridad pública utiliza sistemas de IA considerados de alto riesgo. Entre ellas figuran la evaluación previa de su impacto sobre los derechos fundamentales, la supervisión humana y la vigilancia de su funcionamiento. La orientación sobre el Reglamento de IA insiste también en que los datos deben ser pertinentes y suficientemente representativos.

Estas obligaciones no son un trámite añadido al final del proyecto. Obligan a preguntar desde el principio quién puede quedar fuera del conjunto de datos, cómo se detectará un perjuicio y qué hará la administración cuando el resultado real se aparte de la simulación.

La justicia no cabe en una sola cifra

Una IA puede optimizar el coste de un servicio, la velocidad de respuesta o el número de beneficiarios. Lo que no puede hacer sin una decisión política previa es elegir cuál de esos objetivos debe pesar más.

Una ayuda pública puede diseñarse para llegar al mayor número de personas o para concentrarse en quienes atraviesan una situación más grave. Un nuevo centro de salud puede ubicarse donde atienda a más población o donde reduzca una desigualdad territorial histórica. En ambos casos existen criterios razonables, pero no son equivalentes.

Cuando se encarga al sistema que encuentre la alternativa «óptima», alguien ya ha decidido qué significa óptimo. Esa elección debe poder explicarse públicamente. De lo contrario, una preferencia política queda escondida detrás de una respuesta técnica.

La IA puede calcular con una precisión extraordinaria las consecuencias de distintos criterios. No puede legitimar el criterio elegido. La legitimidad procede de la ley, del debate, de la rendición de cuentas y de la posibilidad de que la ciudadanía cuestione la decisión.

Una buena prueba no intenta demostrar que la propuesta inicial era correcta. Intenta encontrar las condiciones bajo las cuales dejaría de funcionar.

Eso exige comparar escenarios favorables y adversos, modificar los supuestos y observar qué grupos soportan el error. También exige conservar un registro de los datos utilizados, de las versiones del modelo y de las razones por las que se eligió una alternativa. Si meses después aparecen consecuencias imprevistas, la institución debe poder reconstruir el proceso.

La OCDE advierte de que los datos sesgados, la opacidad y una dependencia excesiva de los sistemas pueden propagar errores y debilitar la responsabilidad pública. El valor de la IA no está en atribuirle una autoridad que no posee, sino en utilizarla para ampliar la capacidad de análisis sin borrar el juicio humano.

Esto enlaza con una idea esencial: la autoridad no se improvisa en la era de la IA. Tampoco se delega en una predicción porque resulte más cómoda o parezca más objetiva.

Si en el futuro aparecen sistemas de inteligencia artificial más generales, podrán relacionar ámbitos que hoy se estudian por separado. Una decisión urbanística podría analizarse al mismo tiempo desde la movilidad, la salud, la actividad comercial, el consumo energético y la percepción ciudadana. El sistema podría conversar con especialistas, localizar contradicciones normativas y reformular escenarios a medida que recibe nueva información.

Esa capacidad aumentará el valor de las simulaciones, pero también su poder persuasivo. Cuanto más completa y convincente parezca una respuesta, más fácil será olvidar que sigue dependiendo de datos, objetivos y límites establecidos por seres humanos.

El riesgo no será solo que la IA se equivoque. También será que una institución deje de formular sus propias preguntas, acepte como neutral el escenario recomendado y convierta una decisión discutible en una conclusión aparentemente inevitable.

La decisión empieza donde termina el cálculo

Las instituciones deberían utilizar la IA para descubrir consecuencias, comparar alternativas y hacer visibles los riesgos antes de actuar. Deberían también contrastar el resultado con conocimiento profesional, experiencia ciudadana y datos que no procedan del propio modelo.

Después llega la parte que no puede automatizarse: decidir qué intereses deben protegerse, explicar por qué se ha elegido una opción y asumir la responsabilidad si la medida produce un daño que pudo haberse evitado.

La síntesis es sencilla: la IA en las decisiones públicas puede ayudarnos a probar una medida antes de aplicarla y a gobernar con más información. Pero no puede decidir qué es justo, porque la justicia no es una predicción. Es una elección pública que debe tener autor, razones y posibilidad de respuesta.

Cuando se presenta una herramienta de inteligencia artificial en una administración pública, una de las primeras preguntas suele ser cuánto tiempo permite ahorrar. Es comprensible. Si una tarea que antes ocupaba una mañana puede resolverse en una hora, existe una mejora evidente. Sin embargo, el cálculo se queda incompleto si no preguntamos también qué hará la organización con las horas recuperadas.

Ahorrar tiempo no constituye por sí solo una transformación. Es una posibilidad que puede aprovecharse bien, diluirse entre nuevas tareas o incluso terminar aumentando la carga de trabajo. La diferencia depende menos de la herramienta que de las decisiones organizativas que se tomen alrededor de ella.

El tiempo ahorrado no es todavía un resultado

En las mentorías con equipos públicos he visto procesos en los que la inteligencia artificial puede ayudar a preparar un informe, ordenar antecedentes, comparar documentos, resumir información o construir un primer borrador. El ahorro puede ser considerable, especialmente cuando el punto de partida era una búsqueda manual entre expedientes, correos y archivos dispersos.

Pero producir el mismo documento más deprisa no significa necesariamente que el servicio público haya mejorado. Para saberlo habría que observar qué sucede después. ¿El profesional dispone de más tiempo para revisar el contenido? ¿Puede atender antes a la ciudadanía? ¿Se reduce una lista de asuntos pendientes? ¿Mejora la coordinación del equipo? ¿Se analizan casos que antes quedaban fuera por falta de capacidad?

La productividad pública no debería medirse únicamente por el número de documentos que una persona puede generar. También importa su calidad, la reducción de errores, la rapidez de respuesta, la capacidad de anticipación y el valor que recibe finalmente la ciudadanía.

Automatizar sin rediseñar puede dejarlo todo igual

Existe el riesgo de introducir inteligencia artificial sin revisar la organización del trabajo. En ese escenario, la herramienta acelera una parte del proceso, pero el tiempo recuperado se llena inmediatamente con más encargos, más reuniones o más documentos. El equipo trabaja más deprisa, aunque no necesariamente trabaja mejor.

También puede ocurrir que la automatización traslade el problema de un punto a otro. Un sistema genera borradores con rapidez, pero nadie ha definido quién debe comprobarlos. Se producen más informes, pero no hay tiempo para interpretarlos. Se recopila más información, pero continúa faltando un criterio para decidir cuál merece atención.

Por eso, antes de automatizar una tarea conviene identificar no solo cuánto tiempo consume, sino también qué función cumple, dónde se atasca y qué debería mejorar si ese tiempo dejara de ser un problema. La inteligencia artificial tiene más valor cuando forma parte de una revisión del proceso completo.

Decidir de antemano dónde invertir las horas

Una administración que quiera aprovechar bien la IA debería asignar una finalidad al tiempo recuperado. No hace falta convertirlo en una fórmula rígida, pero sí establecer prioridades compartidas.

En un servicio con retrasos acumulados, esas horas pueden destinarse a reducir los expedientes pendientes. En un área de atención ciudadana, pueden utilizarse para responder con mayor rapidez o para dedicar más tiempo a los casos complejos. En un equipo técnico, pueden permitir una revisión más profunda de los documentos. En puestos de dirección, pueden abrir espacio para analizar información, anticipar problemas y tomar decisiones con mayor perspectiva.

La elección dependerá de cada unidad, pero debería ser explícita. De lo contrario, el ahorro queda oculto dentro de la actividad cotidiana y resulta difícil demostrar que la tecnología ha producido una mejora real.

Esto también ayuda a reducir una preocupación comprensible entre los equipos. Si la IA se presenta únicamente como una forma de hacer más trabajo con menos personas, aparecerán resistencias. Si se utiliza para eliminar tareas repetitivas, reducir presión y permitir que los profesionales se concentren en aquello que requiere experiencia, criterio y responsabilidad, su adopción adquiere otro sentido.

Medir algo más que minutos

El tiempo es un indicador útil, pero no puede ser el único. Una evaluación razonable debería observar tres niveles.

El primero es la tarea: cuánto tardaba, cuánto tarda ahora y qué intervención humana sigue siendo necesaria. El segundo es el servicio: si se han reducido los plazos, los errores o las acumulaciones, y si ha mejorado la respuesta. El tercero es la organización: si el conocimiento se comparte mejor, si existe más capacidad para anticiparse y si los equipos pueden asumir trabajos que antes resultaban inabarcables.

Este enfoque evita celebrar como éxito cualquier automatización que produzca documentos rápidamente. La velocidad tiene valor cuando contribuye a un resultado reconocible. En la Administración, ese resultado debe estar relacionado con la calidad del servicio, el uso responsable de los recursos y la capacidad de responder a necesidades reales.

La transformación empieza después del ahorro

La inteligencia artificial puede devolver muchas horas a las administraciones públicas. Esa es una oportunidad importante, pero no automática. Para aprovecharla será necesario revisar procesos, establecer responsabilidades y decidir qué trabajo merece el tiempo que se ha recuperado.

La pregunta decisiva no es solo cuánto tarda ahora una tarea. Es qué puede hacer mejor la organización gracias a ese ahorro.

Cuando las horas recuperadas se convierten en mejor atención, análisis más sólidos, menos retrasos o decisiones mejor fundamentadas, la IA deja de ser una herramienta llamativa y empieza a producir transformación pública.

La inteligencia artificial puede mejorar muchos procesos públicos, pero su verdadero valor no aparece cuando se usa por curiosidad, sino cuando ayuda a revisar cómo trabaja una administración, qué tareas se repiten, qué conocimiento se pierde y qué decisiones podrían tomarse mejor.

Durante los últimos meses he visto una escena repetirse en muchas conversaciones sobre inteligencia artificial y administración pública. Alguien enseña una herramienta, se produce un primer momento de sorpresa, aparecen ejemplos llamativos y enseguida surge la pregunta: «¿Y esto cómo lo usamos aquí?». La pregunta es buena, pero suele llegar demasiado tarde. Antes de decidir cómo usar una herramienta, una administración debería preguntarse qué problema quiere resolver, qué proceso necesita mejorar y qué parte de su trabajo diario está consumiendo tiempo, energía y criterio sin aportar suficiente valor.

La IA no debería entrar en lo público como una moda tecnológica. Tampoco como una colección de trucos para redactar más rápido, resumir documentos o preparar presentaciones. Todo eso puede ser útil, pero se queda corto si no va acompañado de una reflexión más profunda sobre la organización. La verdadera oportunidad no está solo en hacer más deprisa lo que ya hacíamos, sino en revisar si tenía sentido hacerlo de esa manera.

Una administración no se transforma porque incorpore una herramienta nueva. Se transforma cuando cambia su capacidad para detectar problemas, ordenar información, aprender de la experiencia y responder mejor a la ciudadanía.

La pregunta no es qué herramienta usamos, sino qué trabajo queremos mejorar

Muchas organizaciones empiezan por el escaparate tecnológico. Preguntan qué modelo conviene contratar, qué plataforma es más potente o qué aplicación está usando todo el mundo. Es comprensible: la tecnología avanza rápido y nadie quiere quedarse atrás. Pero en el sector público ese enfoque puede generar una ilusión peligrosa. Se puede comprar una solución avanzada y seguir teniendo procesos confusos, documentos duplicados, criterios dispersos y equipos saturados.

La pregunta inicial debería ser más sencilla y más incómoda: qué tareas se repiten todos los días sin que nadie las haya rediseñado en años.

Ahí empiezan a aparecer oportunidades reales. Expedientes que requieren buscar antecedentes en varias carpetas. Informes que se redactan desde cero aunque existan modelos previos. Consultas ciudadanas que se responden una y otra vez con pequeñas variaciones. Reuniones que sirven para reconstruir información que ya estaba en algún lugar. Pliegos que podrían apoyarse en experiencia acumulada. Correos que contienen decisiones importantes pero nunca se convierten en conocimiento reutilizable.

Cuando una administración mira de cerca esas tareas, la IA deja de ser una promesa abstracta y se convierte en una herramienta posible para algo concreto. No para sustituir el criterio público, sino para ayudar a ordenar el trabajo que rodea ese criterio.

Automatizar sin entender puede empeorar el problema

Hay una tentación comprensible: si una tarea tarda mucho, intentemos automatizarla. Pero no todo lo lento merece ser automatizado tal como está. A veces una tarea es lenta porque el procedimiento está mal diseñado, porque la información llega incompleta, porque no hay criterios claros o porque cada unidad trabaja con su propia versión de la realidad.

Si automatizamos un mal proceso, podemos hacerlo más rápido, pero no necesariamente mejor. Incluso podemos multiplicar el problema. Una IA puede producir más documentos, más borradores y más respuestas, pero si no hay revisión, trazabilidad y responsabilidad, el resultado puede ser más ruido institucional.

Por eso la IA pública aplicada exige una disciplina previa: entender el proceso antes de intervenirlo. Dónde empieza, quién participa, qué información necesita, qué decisiones se toman, qué cuellos de botella existen, qué riesgos hay y qué resultado se espera. Solo entonces tiene sentido decidir si la IA puede ayudar a buscar, resumir, comparar, redactar, clasificar, alertar o verificar.

No todas las tareas necesitan IA. Algunas necesitan simplificación. Otras necesitan mejores datos. Otras necesitan coordinación entre áreas. Y algunas, efectivamente, pueden mejorar mucho con modelos de lenguaje, agentes, automatizaciones o asistentes internos. La madurez consiste en distinguir unas de otras.

La IA útil suele empezar por lo cotidiano

Cuando se habla de inteligencia artificial en el sector público, muchas veces se piensa en grandes proyectos: ciudades inteligentes, sistemas predictivos, asistentes ciudadanos complejos o plataformas corporativas. Esos proyectos pueden tener sentido, pero no deberían ocultar una verdad más sencilla: algunas de las mejores oportunidades están en el trabajo cotidiano.

Un técnico que tarda una mañana en revisar antecedentes. Un equipo que recibe decenas de consultas parecidas. Una unidad que debe preparar informes periódicos. Un área de contratación que necesita comparar pliegos anteriores. Un gabinete que debe entender rápidamente qué se está diciendo sobre una institución. Un servicio que quiere convertir experiencia acumulada en criterios compartidos.

Es ahí donde la IA puede demostrar valor de forma más honesta. No con grandes promesas, sino reduciendo fricción. Ahorrando búsquedas. Ayudando a leer mejor. Proponiendo borradores revisables. Detectando patrones. Ordenando materiales. Facilitando que el conocimiento no dependa siempre de una persona concreta.

La transformación pública no siempre empieza con una revolución visible. A veces empieza cuando un equipo descubre que una tarea de tres horas puede convertirse en veinte minutos de revisión inteligente. O cuando una persona nueva entiende antes cómo trabaja su unidad. O cuando una administración deja de repetir desde cero una respuesta que ya había construido bien.

El criterio humano no desaparece, cambia de lugar

Una de las confusiones más frecuentes es plantear la IA como una sustitución. En el sector público, ese enfoque es especialmente pobre. La cuestión no es si la máquina decide por la administración. La cuestión es cómo puede ayudar a que las personas responsables lleguen mejor preparadas a la decisión.

La IA puede leer mucho, ordenar rápido y proponer caminos. Pero no entiende por sí sola la responsabilidad institucional, el contexto político, la sensibilidad ciudadana o las consecuencias jurídicas de una decisión. Eso sigue estando en manos humanas. Lo que cambia es el lugar donde ponemos el esfuerzo.

En vez de gastar tiempo buscando documentos, una persona puede dedicar más tiempo a interpretar. En vez de empezar cada informe desde cero, puede revisar una primera estructura. En vez de responder manualmente consultas repetidas, puede concentrarse en los casos que requieren criterio. En vez de depender de memoria informal, puede trabajar sobre conocimiento mejor organizado.

Bien utilizada, la IA no elimina el criterio. Lo protege de tareas que lo desgastan.

Gobernar la IA también es decidir qué no se hace

Una administración seria no debería implantar IA como si todo fuese susceptible de automatizarse. Hay información sensible, datos personales, expedientes delicados, criterios jurídicos, decisiones políticas y situaciones que exigen prudencia. La confianza pública depende tanto de lo que se innova como de lo que se decide no automatizar.

Por eso hacen falta límites claros. Qué fuentes puede consultar un sistema. Qué respuestas son solo borradores. Qué contenidos requieren validación. Qué usos quedan prohibidos. Qué datos no deben cargarse. Qué trazabilidad se conserva. Quién responde si algo falla.

La innovación pública no consiste en moverse rápido sin mirar alrededor. Consiste en avanzar con método, responsabilidad y sentido institucional. La IA puede acelerar procesos, pero la administración debe marcar la dirección.

De la herramienta al sistema de aprendizaje

El paso más importante es dejar de pensar en usos aislados. Una prueba puntual puede servir para aprender, pero si cada equipo experimenta por su cuenta y nada se documenta, la organización no mejora. La IA empieza a tener impacto cuando cada experiencia deja aprendizaje: qué funcionó, qué no, qué prompts fueron útiles, qué fuentes dieron problemas, qué tareas merecen escalarse, qué riesgos aparecieron y qué criterios deben cambiar.

Ese es el salto de la herramienta al sistema. No usar IA una vez, sino construir una forma de trabajo que aprende. Detectar procesos candidatos, probar con casos pequeños, medir resultados, recoger experiencia, ajustar criterios y volver a intentarlo mejor.

En ese punto la IA deja de ser una moda y se convierte en una capacidad institucional.

Conclusión

La administración pública no necesita adoptar inteligencia artificial para parecer moderna. Necesita usarla allí donde ayude a trabajar mejor, decidir mejor y servir mejor. Eso exige menos fascinación por la herramienta y más atención al proceso. Menos demostraciones espectaculares y más casos concretos. Menos prisa por automatizar y más claridad sobre qué conocimiento, qué tareas y qué decisiones queremos mejorar.

La IA pública aplicada empieza cuando una organización se atreve a mirar su propio trabajo con honestidad. No para sustituir a las personas, sino para liberar criterio, ordenar conocimiento y convertir la experiencia acumulada en una capacidad compartida.

Antes de preguntar qué herramienta usar, quizá convenga empezar por otra pregunta: qué parte del trabajo público sigue funcionando por inercia y podría hacerse mucho mejor si la administración aprendiera a organizar lo que ya sabe.

Durante años, muchas administraciones han funcionado gracias a una forma de inteligencia que no aparece en ningún cuadro de mando: la memoria de las personas. La técnica que sabe dónde está el informe bueno, el jefe de servicio que recuerda cómo se resolvió un expediente parecido, la persona de contratación que conserva una versión útil de un pliego, el administrativo que sabe qué respuesta evita tres llamadas posteriores.

Ese conocimiento existe. El problema es que muchas veces vive en carpetas difíciles de encontrar, correos antiguos, documentos duplicados y cabezas concretas.

Mientras esas personas están, el sistema funciona. Cuando cambian de puesto, se jubilan, se saturan o simplemente no están disponibles, la administración vuelve a empezar casi desde cero.

Ahí es donde la conversación sobre inteligencia artificial debería ponerse seria. No porque la IA venga a sustituir ese conocimiento, sino porque puede ayudar a ordenarlo, hacerlo consultable y convertirlo en capacidad compartida. Pero para eso hay que dejar de pensar la IA como una herramienta para producir más textos y empezar a verla como una oportunidad para preguntarnos qué sabe realmente una institución y por qué le cuesta tanto reutilizarlo.

La administración sabe más de lo que parece

Cuando se habla de datos públicos, muchas veces imaginamos grandes bases estructuradas, indicadores, cuadros de mando, integraciones y sistemas interoperables. Todo eso es importante. Pero una parte enorme del conocimiento real de una administración no vive todavía en bases de datos limpias, sino en materiales mucho más cotidianos: expedientes, informes, actas, pliegos, resoluciones, notas internas, manuales, respuestas repetidas, memorias justificativas, hojas de cálculo, correos y conversaciones de trabajo.

Ese conocimiento no siempre tiene forma de dato, pero tiene valor. Contiene antecedentes, criterios, decisiones, matices, excepciones, aprendizajes y soluciones que ya fueron pensadas alguna vez. La cuestión es que no siempre están disponibles cuando hacen falta.

Una administración puede haber resuelto muchas veces un problema parecido y, aun así, tratar cada nuevo caso como si fuera completamente nuevo. Puede tener informes excelentes que nadie vuelve a consultar. Puede disponer de respuestas bien elaboradas que se pierden entre correos. Puede acumular pliegos, memorias o resoluciones útiles que no se reutilizan porque nadie sabe exactamente dónde están o cuál fue la versión buena.

El resultado no es solo pérdida de tiempo. Es pérdida de inteligencia institucional.

Cuando el conocimiento no se ordena, la administración se vuelve más dependiente de personas concretas, más vulnerable a los cambios de equipo y más propensa a repetir esfuerzos. Lo que una unidad aprende no siempre llega a otra. Lo que un expediente enseña no siempre mejora el siguiente. Lo que una persona sabe no siempre se convierte en patrimonio común de la organización.

La IA no debería empezar generando más documentos

Uno de los riesgos actuales es usar la inteligencia artificial para producir todavía más contenido en organizaciones que ya tienen demasiados documentos mal conectados. Si una administración no encuentra lo que ya sabe, generar más textos puede empeorar el problema. Puede crear una sensación de productividad, pero añadir ruido a un sistema que necesitaba orden.

Por eso la primera aplicación útil de la IA en muchas instituciones no debería ser redactar más, sino ayudar a entender mejor lo que ya existe. Localizar antecedentes. Comparar versiones. Resumir expedientes. Agrupar consultas. Identificar temas repetidos. Detectar contradicciones. Construir bases de conocimiento internas. Facilitar que una persona encuentre en minutos lo que antes dependía de preguntar a tres compañeros o revisar veinte carpetas.

La diferencia es importante. No se trata de pedirle a una herramienta que invente una respuesta, sino de ayudar a que el conocimiento existente sea más accesible, más trazable y más reutilizable.

Un modelo puede ser útil si trabaja sobre fuentes seleccionadas, con criterios claros y con supervisión humana. Puede asistir a un equipo que ya sabe lo que busca y necesita ahorrar tiempo para encontrarlo, ordenarlo o convertirlo en una primera propuesta. Pero si se le entrega una masa confusa de documentos sin jerarquía, sin versiones, sin permisos y sin criterios, la IA no crea conocimiento institucional. Solo produce una salida con apariencia de orden.

Ordenar conocimiento también es transformar

A veces se asocia la transformación digital con grandes proyectos, plataformas complejas o cambios visibles desde fuera. Pero en la práctica, una de las transformaciones más valiosas puede ser mucho más discreta: conseguir que una organización deje de perder lo que ya sabe.

Pensemos en una unidad que recibe consultas ciudadanas repetidas. Antes de implantar cualquier asistente, conviene saber qué preguntas llegan, qué respuestas se están dando, qué documentos las respaldan, qué dudas generan más fricción y qué casos necesitan derivación humana. Solo después tiene sentido construir una base de respuestas, un asistente interno o un sistema que sugiera borradores revisables.

Lo mismo ocurre en contratación pública. Muchos equipos acumulan pliegos, informes, aclaraciones, adjudicaciones y criterios técnicos, pero ese conocimiento no siempre se reutiliza bien. La IA puede ayudar a buscar antecedentes, comparar documentos, detectar cláusulas habituales o revisar coherencias. Pero el valor no está en generar un pliego desde cero como si fuera un truco. El valor está en convertir experiencia previa en un recurso operativo mejor organizado.

También ocurre en comunicación institucional. Una administración produce notas, discursos, respuestas, planes, memorias y campañas. Si todo queda disperso, cada nueva comunicación empieza casi desde cero. Si ese conocimiento se ordena, la IA puede ayudar a mantener coherencia, recuperar argumentos, adaptar mensajes, detectar temas sensibles y responder mejor a preguntas reales de la ciudadanía.

El patrón se repite: antes de automatizar, conviene ordenar. Antes de pedir respuestas, conviene saber qué fuentes son válidas. Antes de escalar un sistema, conviene probarlo con un caso concreto. Y antes de confiar en una salida generada por IA, conviene establecer quién revisa, con qué criterio y bajo qué responsabilidad.

No todo debe entrar en la máquina

Ordenar conocimiento no significa volcarlo todo en un sistema y esperar que la inteligencia artificial haga el resto. Esa sería otra forma de ingenuidad tecnológica. Hay documentos obsoletos, datos personales, información sensible, versiones contradictorias, criterios jurídicos que requieren interpretación y decisiones que dependen de contexto político o técnico.

Precisamente por eso hace falta método.

Una administración que quiera aprovechar la IA debería empezar por seleccionar un ámbito acotado. Elegir fuentes fiables. Definir qué documentos valen y cuáles no. Establecer permisos. Separar información pública, interna y sensible. Determinar qué respuestas pueden ser sugeridas por IA y cuáles requieren revisión especializada. Y, sobre todo, mantener claro que la responsabilidad no se delega en el modelo.

La IA puede ayudar a encontrar, resumir, relacionar o proponer. Pero la administración debe conservar el criterio, la validación y la responsabilidad final. En lo público, esto no es un detalle: es una condición básica de confianza.

Por eso no me convence la idea de implantar IA como una capa rápida sobre cualquier repositorio documental. La pregunta no debería ser «qué podemos cargar en el sistema», sino «qué conocimiento necesitamos reutilizar mejor y bajo qué condiciones».

La memoria institucional también es un servicio público

Hay una dimensión de este asunto que suele pasar desapercibida. Cuando una administración pierde conocimiento, no solo pierde eficiencia interna. También empeora el servicio que presta.

Si una persona tiene que explicar varias veces lo mismo porque la información no se comparte bien, hay un coste ciudadano. Si un expediente tarda más porque hay que reconstruir antecedentes, hay un coste de gestión. Si una unidad responde de forma distinta a otra ante casos parecidos, hay un coste de confianza. Si una institución olvida aprendizajes cada vez que cambia un equipo, hay un coste democrático.

La memoria institucional no es un lujo administrativo. Es parte de la calidad del servicio público.

Por eso la IA debería ponerse al servicio de esa memoria. No para sustituir a quienes saben, sino para que lo que saben no se pierda, no quede aislado y no dependa siempre de que alguien concreto esté disponible. Una organización madura no es la que lo sabe todo, sino la que consigue que su conocimiento circule de forma segura, útil y responsable.

Esto también cambia la manera de formar a los equipos. No basta con enseñarles a usar prompts o herramientas. Hay que enseñarles a identificar conocimiento valioso, documentar mejor, distinguir fuentes, revisar salidas, construir criterios y convertir aprendizajes individuales en capacidades compartidas.

Empezar pequeño, pero empezar bien

La buena noticia es que no hace falta esperar a tener una gran plataforma perfecta. De hecho, muchas veces conviene empezar por un caso pequeño y bien elegido: consultas frecuentes, contratación, subvenciones, comunicación institucional, atención ciudadana, informes técnicos o procedimientos repetitivos.

La pregunta inicial puede ser muy simple: qué sabe esta organización que hoy no está pudiendo reutilizar bien.

Esa pregunta cambia el enfoque. Ya no se trata de «vamos a usar IA porque toca», sino de identificar conocimiento valioso que está atrapado, disperso o infrautilizado. Y cuando el problema se formula así, la tecnología deja de ser el centro de la conversación y se convierte en una herramienta al servicio de una mejora concreta.

Un buen primer proyecto no debería medirse por lo espectacular que parece, sino por su capacidad para reducir dependencia de personas concretas, ahorrar búsquedas inútiles, mejorar la consistencia de las respuestas, acelerar la incorporación de nuevos equipos o evitar que cada expediente empiece desde cero.

La administración pública necesita avanzar con casos acotados, responsables claros y aprendizajes acumulables. Pequeños sistemas que ayuden a ordenar conocimiento real pueden ser más útiles que grandes anuncios de transformación que nunca llegan a tocar el trabajo cotidiano.

La IA pública aplicada debería empezar por ahí: por convertir conocimiento disperso en capacidad operativa. No por fascinación tecnológica, sino porque muchas instituciones ya tienen más saber del que pueden aprovechar.

La administración que aprende no es la que más documentos produce. Es la que consigue que su conocimiento no se pierda cada vez que cambia una persona, un expediente o una legislatura.

Antes de preguntarse qué modelo de IA usar, una administración debería preguntarse qué conocimiento tiene disperso, qué parte necesita ordenar y qué decisiones podrían mejorar si ese conocimiento estuviera disponible de forma segura y útil.