Categoría: IA pública aplicada

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.

La información ya no llega siempre desde el lugar donde fue publicada. Un titular visto en una red social, un vídeo breve, una respuesta de inteligencia artificial o una recomendación automática pueden resumir una noticia sin que la persona llegue a visitar la web del medio ni la página de la organización implicada.

Ese cambio no es una anécdota tecnológica. Afecta a la forma en que empresas, administraciones, medios y organizaciones entienden la visibilidad pública. Durante mucho tiempo, el objetivo era lograr presencia: aparecer en una noticia, posicionarse en Google o conseguir tráfico hacia una web propia. Hoy también importa qué ocurre cuando el público recibe una versión resumida, fragmentada o reinterpretada de esa información fuera de esos espacios.

El Digital News Report 2026 del Reuters Institute sitúa por primera vez a las redes sociales y las plataformas de vídeo por delante de las webs y aplicaciones de los medios como puerta de acceso a la información. Los asistentes de inteligencia artificial se suman a ese recorrido como una capa nueva: no solo presentan respuestas, sino que permiten pedir contexto, comparar datos y formular preguntas posteriores.

La distribución ya no garantiza la relación

Para una organización, aparecer en un medio sigue siendo valioso. Aporta credibilidad, alcance y presencia en la conversación pública. Pero la aparición ya no asegura por sí sola que la audiencia conozca la fuente, entienda el contexto o termine entrando en la web de quien protagoniza la noticia.

Esa distancia entre visibilidad y relación directa obliga a revisar algunas inercias. Una empresa puede generar una noticia relevante, una institución puede anunciar una medida importante y un medio puede publicar una información de calidad. Sin embargo, buena parte de las personas encontrará ese contenido a través de una plataforma que ordena, recorta y recomienda según sus propias reglas.

No significa que la web propia haya perdido valor. Al contrario: debe convertirse en el lugar donde la información está mejor explicada, se puede comprobar y permanece disponible cuando alguien quiere profundizar. El problema es pensar que basta con publicar allí para que esa explicación llegue por sí sola.

Las organizaciones necesitan asumir que su mensaje circulará por caminos que no controlan completamente. Por eso conviene preparar mejor los materiales de origen: datos claros, contexto, fuentes identificables, preguntas frecuentes, portavoces disponibles y páginas que permitan ampliar la información sin obligar al lector a reconstruirla desde cero.

La respuesta debe estar preparada antes de que llegue la pregunta

La pérdida de tráfico directo no es solo un desafío para los medios. También lo es para cualquier entidad que necesite ser entendida con precisión. Si una decisión pública, un proyecto empresarial o una campaña se resume mal, se queda sin contexto o genera dudas, la conversación seguirá adelante. La diferencia es quién dispondrá de la mejor explicación para responder.

Ese es uno de los cambios más profundos de la comunicación actual. Ya no se trata únicamente de emitir mensajes, sino de construir una base informativa capaz de resistir búsquedas, resúmenes, comparaciones y preguntas posteriores.

Para los medios, el reto consiste en mantener su valor como fuente original, verificable y capaz de explicar. Para empresas e instituciones, consiste en no delegar por completo su relato en los titulares, los algoritmos o las interpretaciones de terceros.

La visibilidad seguirá siendo necesaria, pero empieza a ser insuficiente. En un entorno donde la audiencia puede conocer una organización sin visitar su web, la reputación dependerá cada vez más de la calidad, la coherencia y la accesibilidad de la información que esa organización deja disponible.

La autoridad empieza antes de que alguien pregunte

Durante años, muchas organizaciones han entendido su presencia digital desde una lógica relativamente manejable: tener una web, aparecer de vez en cuando en medios, posicionar algunas palabras clave en Google y mantener cierta actividad en redes sociales. Ese esquema sigue teniendo valor, por supuesto, pero ya no explica por completo cómo se construye autoridad en un entorno donde la forma de buscar, comparar y entender la información está cambiando de manera acelerada.

La inteligencia artificial introduce una capa nueva. Cada vez más personas no empiezan su consulta entrando en una web concreta ni revisando una lista de enlaces, sino preguntando a un sistema que resume, jerarquiza, interpreta y recomienda. A veces ese sistema cita fuentes; a veces no. A veces envía tráfico hacia una página; otras veces responde directamente y deja fuera de la conversación a quienes no considera suficientemente relevantes, claros o fiables.

Esto plantea una pregunta incómoda para cualquier institución, empresa o profesional: qué encontrará la inteligencia artificial cuando tenga que explicar quién eres, qué haces y por qué deberías importar. No se trata solo de aparecer en una búsqueda, sino de ser interpretable para un ecosistema que empieza a ordenar la realidad a partir de rastros: textos, menciones, enlaces, entidades, repeticiones, fuentes, contenidos estructurados y señales de confianza distribuidas en distintos lugares.

Ser visible ya no basta

Ahí está el cambio de fondo. La autoridad ya no depende solo de estar visible. Depende de ser reconocible, consistente y confiable en espacios muy distintos. Una organización puede tener una web correcta y, aun así, no aparecer con claridad en respuestas generadas por IA. Puede publicar mucho y no ser entendida como referencia. Puede aparecer en medios, pero no haber construido un relato propio suficientemente ordenado. Puede tener redes sociales activas y, sin embargo, dejar pocas señales útiles para que buscadores, audiencias y sistemas automáticos comprendan su verdadero valor.

La autoridad no se improvisa el día que alguien pregunta por ti. Se construye antes, con una acumulación paciente de señales coherentes: páginas bien explicadas, artículos que responden preguntas reales, informes con criterio, entrevistas, menciones externas, vídeos útiles, casos, datos, fuentes y contenidos que ayuden a entender una categoría, no solo a promocionar una marca. En la práctica, esto significa que la comunicación deja de ser únicamente emisión y empieza a parecerse más a una arquitectura de conocimiento.

Esto conecta con una transformación que ya se está viendo en marketing digital y en comunicación pública. La búsqueda se ha fragmentado. Google sigue siendo importante, pero ya no es el único lugar donde una persona intenta entender un tema. Se busca en YouTube, TikTok, Instagram, medios especializados, newsletters, ChatGPT, Gemini, Perplexity y otros sistemas que no funcionan como el buscador clásico. Para una organización, esto implica que su presencia pública debe estar mejor ordenada, porque ya no compite solo por un clic: compite por ser citada, recordada, resumida correctamente y considerada una fuente fiable.

En lo público, explicar bien también es una responsabilidad

En el caso de las administraciones públicas, esta cuestión tiene una dimensión especialmente relevante. Una institución no debería preocuparse solo por publicar información, sino por que esa información sea comprensible, encontrable, verificable y reutilizable. Si una ayuda pública, un trámite, un programa o una política no están explicados con claridad suficiente, otros acabarán explicándolos por la institución, a veces con más claridad, a veces con menos rigor y a veces con una intención distinta. Cuando otros explican tu trabajo mejor que tú, empiezas a perder control sobre el contexto.

No hablo de controlar la conversación en un sentido propagandístico, sino de algo mucho más básico: que una organización tenga capacidad de explicar con precisión qué hace, por qué lo hace, qué problema intenta resolver, qué evidencias sostienen sus decisiones y qué resultados pretende conseguir. La inteligencia artificial no elimina esa necesidad; al contrario, la amplifica, porque los sistemas que resumen y recomiendan necesitan materiales claros para poder interpretar bien una realidad compleja.

La pregunta importante no es cuántas piezas podemos publicar, sino qué base documental estamos construyendo para que una persona, un periodista, una empresa, una administración o un sistema de IA puedan entendernos mejor.

Más contenido no significa más autoridad

Por eso me parece insuficiente plantear la IA solo como una herramienta para generar más contenido. Si una organización produce más textos sin una estructura clara, sin una estrategia de entidades, sin enlaces internos, sin páginas de referencia, sin criterio editorial y sin memoria de lo que funciona, lo único que consigue es aumentar el volumen de ruido.

El primer paso debería ser identificar qué preguntas reales hacen las personas sobre nuestro ámbito. No las preguntas que la organización quiere responder, sino las que existen de verdad: qué significa una ayuda, cómo se solicita un trámite, qué impacto tiene una política, quién presta un servicio, qué diferencia a una solución, qué resultados se han conseguido, qué riesgos hay o qué dudas se repiten. A partir de ahí, la tarea consiste en convertir esas preguntas en contenidos claros, conectados entre sí y apoyados en fuentes, casos o evidencias.

Una web institucional o corporativa no debería ser una colección de páginas sueltas, sino un sistema de conocimiento. Cada página debería cumplir una función dentro de una arquitectura mayor: explicar un servicio, responder una intención, conectar con un caso, enlazar con un informe, recoger una evidencia, ordenar una categoría. Lo mismo ocurre con los artículos, los vídeos, las entrevistas y las apariciones en medios. Si todo queda disperso, la organización habla mucho, pero enseña poco. Si todo está conectado, la organización empieza a construir autoridad.

La IA puede ayudar, pero necesita criterio

Aquí la IA puede ayudar mucho. Puede detectar preguntas, agrupar temas, revisar contenidos, proponer estructuras, analizar qué entidades aparecen asociadas a una organización, resumir conversaciones, comparar presencia en distintos canales y sugerir qué falta para que una categoría quede mejor explicada. Pero de nuevo aparece la advertencia de siempre: sin criterio humano, la IA tiende a producir más superficie, no necesariamente más profundidad.

La autoridad en la era de la IA no se construye publicando más por inercia. Se construye publicando con más intención, con más coherencia y con más capacidad de aprendizaje. Esto vale para una empresa que quiere explicar mejor su propuesta de valor, para una administración que necesita hacer comprensible una política pública y para un profesional que aspira a ser reconocido como referencia en un campo concreto.

En el caso de lo público, además, hay una dimensión democrática que no conviene perder de vista. Una institución que explica bien reduce fricción, evita malentendidos, facilita el acceso a derechos y permite que la ciudadanía entienda mejor sus decisiones. Una institución que comunica de forma confusa obliga a la gente a reconstruir el sentido en otros lugares, con el riesgo de que esa reconstrucción sea incompleta, interesada o directamente equivocada.

En el caso de una empresa, la consecuencia es competitiva. Si tu propuesta de valor no está bien explicada, otros ocuparán la categoría. Si tus evidencias no están visibles, otros parecerán más fiables. Si tus contenidos no responden preguntas reales, los sistemas de búsqueda y de inteligencia artificial tendrán menos razones para considerarte una fuente útil.

La autoridad es disponibilidad interpretativa

La autoridad, vista así, no es solo prestigio. Es disponibilidad interpretativa: la capacidad de que, cuando alguien necesita entender un tema, tu organización aparezca como una fuente capaz de ordenar la explicación. Eso no se consigue en un día ni con una campaña aislada. Se consigue acumulando señales consistentes durante meses y años.

Por eso cada vez me interesa más pensar la comunicación como un sistema de aprendizaje. Publicar, medir, observar, ajustar, conectar y volver a publicar. No como una rutina mecánica de contenidos, sino como una forma de construir memoria pública. La inteligencia artificial va a premiar a quienes tengan una presencia más estructurada, más clara y más verificable, no necesariamente a quienes hagan más ruido.

Si la conversación pública se fragmenta, si los medios pierden centralidad como único espacio de referencia y si la búsqueda se desplaza hacia sistemas que resumen y recomiendan, entonces cada organización necesita cuidar mejor las señales que deja. Porque en la era de la IA, la autoridad no se declara: se demuestra antes de que alguien pregunte.

La autoridad pública y corporativa del próximo ciclo se construirá con señales claras, contenidos útiles y una arquitectura de conocimiento que permita ser encontrado, entendido y citado.

La ciudadanía ya no se informa como antes

Durante mucho tiempo, la administración pública ha organizado su comunicación y su toma de decisiones como si la realidad llegara por canales relativamente estables: expedientes, informes técnicos, prensa, reuniones, notas oficiales, registros administrativos y, más recientemente, redes sociales.

Ese mundo no ha desaparecido, pero ya no basta para entender lo que ocurre.

La ciudadanía se informa de otra manera. Un asunto público puede empezar en una noticia local, moverse por grupos de mensajería, saltar a redes, convertirse en vídeo, generar búsquedas en Google y acabar resumido por una inteligencia artificial. A veces, cuando la administración detecta que hay una conversación en marcha, esa conversación ya lleva horas o días construyendo percepciones.

Este cambio obliga a repensar algo más profundo que la comunicación. Obliga a repensar la escucha institucional.

La pregunta ya no es solo cómo comunicar mejor

Porque una administración no puede limitarse a emitir mensajes si la ciudadanía recibe, interpreta y comparte información en espacios cada vez más fragmentados. Tampoco puede depender solo de los canales formales para saber qué preocupa, qué se está entendiendo mal, qué riesgo empieza a crecer o qué oportunidad conviene activar.

La pregunta ya no es únicamente cómo comunicamos mejor.

La pregunta es cómo escuchamos mejor.

Y aquí aparece la inteligencia artificial, pero no como una varita mágica ni como una herramienta de moda. La IA puede ayudar a leer grandes volúmenes de información, detectar temas que se repiten, agrupar documentos, resumir señales y anticipar patrones. Pero si se introduce sobre procesos desordenados, solo acelera el desorden.

Una administración que no sabe qué quiere observar, qué decisiones necesita mejorar o qué preguntas debe responder no va a resolver ese problema comprando una herramienta.

La IA pública empieza por el proceso

Puede generar más textos, más resúmenes y más informes, pero no necesariamente mejor criterio.

Por eso la IA pública no empieza por el modelo. Empieza por el proceso.

Antes de preguntar qué herramienta usar, una administración debería preguntarse qué señales necesita detectar. Qué conversaciones le afectan. Qué temas se repiten en su territorio. Qué actores están interviniendo. Qué demandas aparecen de forma temprana. Qué mensajes institucionales no se entienden. Qué decisiones llegan tarde porque nadie vio antes el patrón.

Esa es la diferencia entre usar IA como accesorio y usar IA como infraestructura de trabajo.

Escuchar tarde obliga a comunicar tarde

En comunicación pública, esto es especialmente importante. No hablamos solo de reputación o presencia mediática. Hablamos de confianza, orientación ciudadana, prevención de conflictos, claridad institucional y capacidad de respuesta.

Una administración que escucha tarde comunica tarde. Y una administración que comunica tarde suele tener que explicar más, corregir más y defenderse más.

La escucha inteligente no consiste en vigilarlo todo. Eso sería imposible, ineficiente y, además, poco deseable. Consiste en construir un sistema capaz de distinguir ruido, síntoma y señal.

• El ruido es lo que ocurre sin suficiente relevancia para modificar una decisión.
• El síntoma es lo que empieza a repetirse y merece atención.
• La señal es aquello que, si se interpreta a tiempo, puede cambiar una prioridad, una respuesta, una explicación o una política pública.

La IA puede ayudar mucho en esa clasificación, pero necesita criterio humano alrededor. Necesita saber qué fuentes mirar, qué sesgos evitar, qué temas son sensibles, qué lenguaje institucional es adecuado y qué consecuencias puede tener una lectura equivocada.

La tecnología no sustituye la responsabilidad

En lo público, la tecnología nunca debería sustituir la responsabilidad. Debería hacerla más informada.

Esta es una de las claves de la transformación pública con IA: no se trata de automatizar la administración tal como está, sino de revisar qué procesos merecen ser rediseñados. Si el proceso está mal planteado, automatizarlo solo hace que el error viaje más rápido.

Por eso me interesa cada vez más la idea de sistemas de señales. No sistemas que solo producen documentos, sino sistemas que ayudan a detectar qué está cambiando alrededor de una institución.

Un sistema así puede alimentarse de medios, notas de prensa, redes, expedientes, consultas ciudadanas, datos abiertos, licitaciones, reclamaciones, informes internos o agendas públicas. Pero su valor no está en acumular fuentes. Está en convertir esas fuentes en contexto útil.

Y el contexto útil es el que ayuda a decidir.

Decidir con más contexto

Decidir si hay que explicar mejor una medida. Decidir si un tema requiere respuesta institucional. Decidir si una conversación está creciendo. Decidir si una entidad necesita coordinación. Decidir si una política pública está siendo entendida de forma distinta a como fue diseñada.

Ese es el punto donde la IA deja de ser un tema tecnológico y se convierte en una cuestión de gobierno.

Si cambia la forma en que la ciudadanía se informa, también debe cambiar la forma en que la administración escucha. Y si cambia la forma de escuchar, también cambia la forma de decidir.

No se trata de correr detrás de cada tendencia ni de convertir cada comentario en una alarma. Se trata de construir instituciones con más capacidad de anticipación.

La administración pública del próximo ciclo no será mejor solo porque use inteligencia artificial. Será mejor si utiliza la IA para ordenar mejor sus procesos, escuchar con más amplitud y actuar con más criterio.

La IA pública aplicada no consiste en hacer más rápido lo mismo. Consiste en rediseñar cómo una institución observa, interpreta y decide.

Cuando cambia la forma de informarse, también debe cambiar la forma de escuchar

Durante años, muchas instituciones han organizado su comunicación como si la conversación pública pudiera seguirse desde unos pocos lugares reconocibles: los periódicos, la radio, la televisión, la agenda política, las notas de prensa y, más tarde, las redes sociales.

Ese esquema ya no describe bien la realidad.

No porque los medios tradicionales hayan dejado de importar. Siguen importando, y mucho. Pero ya no ordenan solos la experiencia informativa de la ciudadanía. Una persona puede enterarse de un asunto público por un vídeo corto, buscar después en Google, ver una explicación en YouTube, recibir un resumen en WhatsApp, leer un titular en un medio digital y terminar preguntando a una inteligencia artificial qué ha pasado.

La información no desaparece. Se dispersa.

Y cuando la información se dispersa, la comunicación pública tiene que cambiar de método.

Este cambio afecta de lleno a las administraciones públicas, a las empresas que trabajan con lo público y a cualquier organización que necesite cuidar su reputación. Ya no basta con emitir un comunicado y esperar que el mensaje llegue de forma ordenada. Tampoco basta con medir impactos como si todas las apariciones tuvieran el mismo valor.

La pregunta importante ya no es solo “dónde hemos salido”.

La pregunta empieza a ser otra: “qué está entendiendo la gente, desde dónde lo está entendiendo y qué señales nos indican que debemos actuar”.

La IA no arregla una escucha mal diseñada

Ahí la inteligencia artificial puede ayudar, pero conviene no confundirse. El problema no se resuelve metiendo una herramienta nueva en una rutina vieja. Si una organización sigue pensando su comunicación como una secuencia de notas, impactos y resúmenes, la IA solo hará más rápida esa misma lógica. Puede resumir mejor, clasificar más rápido o generar más textos, pero no necesariamente ayudará a decidir mejor.

Para que la IA aporte valor, primero hay que cambiar la arquitectura de escucha.

Eso significa tratar cada noticia, cada nota de prensa, cada mención, cada búsqueda y cada conversación como una señal dentro de un sistema más amplio. Algunas señales serán ruido. Otras serán síntomas. Y unas pocas serán avisos tempranos de algo que puede convertirse en oportunidad, riesgo o decisión.

El trabajo inteligente consiste en distinguirlas.

En lo público, escuchar mejor también es gobernar mejor

En el sector público esto es especialmente importante. Una administración no comunica solo para aparecer. Comunica para explicar, orientar, responder, prevenir conflictos, construir confianza y hacer comprensible su acción. Si la ciudadanía se informa de manera fragmentada, la administración no puede permitirse escuchar de manera estrecha.

Necesita una mirada más amplia.

Y esa mirada no es únicamente tecnológica. Es institucional, comunicativa y estratégica.

La tecnología puede capturar señales. La IA puede ayudar a ordenarlas. Pero alguien tiene que formular las preguntas correctas: qué tema está creciendo, qué actor está ausente, qué interpretación está ganando terreno, qué mensaje no se ha entendido, qué riesgo se está acumulando, qué oportunidad conviene activar.

Este es el punto donde la comunicación deja de ser solo emisión y se convierte en inteligencia.

No se trata de perseguir cada conversación. Eso sería imposible y poco útil. Se trata de construir sistemas que permitan ver antes, entender mejor y actuar con más criterio.

La comunicación pública ya no puede depender de un solo canal porque la ciudadanía ya no vive en un solo canal. Y si la escucha no se adapta a esa realidad, las instituciones llegarán tarde a conversaciones que ya están ocurriendo.

La transformación pública con IA empieza cuando dejamos de pensar solo en herramientas y empezamos a rediseñar cómo escuchamos, interpretamos y decidimos.

Este artículo forma parte de la serie «IA pública aplicada: del discurso al proceso», una reflexión sobre cómo llevar la inteligencia artificial a tareas, equipos y servicios públicos reales.

Hay una escena que se repite mucho cuando una administración empieza a hablar de inteligencia artificial. Al principio todo el mundo entiende la oportunidad, pero casi siempre la conversación arranca demasiado arriba. Se habla de modernización, de eficiencia, de automatización, de atención ciudadana, de transformación digital. Son palabras necesarias, pero todavía no construyen nada.

El problema no es que esas palabras sean falsas. El problema es que son demasiado grandes para empezar a trabajar.

Por eso, cuando estoy en una mentoría con equipos públicos, suelo intentar hacer algo muy simple: bajar un peldaño más.

Si alguien dice que quiere aplicar IA al empleo, la pregunta útil no es todavía qué herramienta vamos a usar. La pregunta útil es: ¿en qué momento concreto del trabajo de un técnico de empleo puede aportar valor? ¿Cuando atiende a una persona desempleada? ¿Cuando orienta un itinerario? ¿Cuando revisa un plan de negocio? ¿Cuando prepara un informe? ¿Cuando busca ayudas, redacta una memoria o compara documentación?

Ahí empieza a aparecer el caso de uso.

Y cuando aparece el caso de uso, la conversación cambia. Ya no estamos hablando de inteligencia artificial en abstracto, sino de una tarea, una persona, un documento, una decisión y un resultado.

De la herramienta al proceso

Muchas veces se confunde innovar con elegir tecnología. Se piensa que el avance está en encontrar la mejor plataforma, el modelo más potente o la aplicación de moda. Pero en la administración pública la pregunta decisiva suele ser otra: qué proceso queremos mejorar y qué responsabilidad hay detrás de ese proceso.

No es lo mismo usar IA para resumir un texto que usarla para apoyar una decisión que afecta a una ayuda pública, a una contratación, a una comunicación institucional o a la orientación de una persona. En el primer caso buscamos productividad. En el segundo necesitamos, además, trazabilidad, criterio, revisión humana y comprensión del contexto.

Por eso hay que bajar un peldaño más.

Bajar un peldaño más significa dejar de preguntar «¿cómo usamos IA en este departamento?» y empezar a preguntar «¿qué trabajo concreto consume tiempo, se repite, genera dudas o podría hacerse con más calidad si el equipo tuviera mejor información?».

Esa pregunta cambia completamente la conversación. Permite descubrir tareas que nadie había nombrado porque estaban demasiado integradas en la rutina. Permite detectar documentos que se redactan una y otra vez desde cero. Permite ver consultas que siempre se responden igual, expedientes que siempre se revisan con los mismos criterios o decisiones que podrían prepararse mejor si la información estuviera ordenada.

La IA empieza a tener sentido cuando se conecta con esa capa concreta del trabajo.

Cuando una intención se convierte en diseño

Un ejemplo sencillo: decir «queremos ayudar a personas emprendedoras con inteligencia artificial» todavía es una intención. En cambio, decir «queremos que una persona pueda elaborar una primera versión de su plan de negocio con preguntas guiadas, ejemplos adaptados y revisión posterior de un técnico» ya empieza a ser un diseño.

Ahí se abren las preguntas importantes. ¿Qué información debe aportar la persona? ¿Qué estructura debe tener el documento? ¿Qué ejemplos son válidos? ¿Qué parte puede generar la IA y qué parte debe revisar un profesional? ¿Cómo evitamos respuestas genéricas? ¿Qué conocimiento local o sectorial debe estar dentro del sistema? ¿Cómo medimos si el resultado ayuda de verdad?

Eso ya no es una conversación sobre moda tecnológica. Es una conversación sobre servicio público.

Y esa diferencia importa mucho.

Porque una administración no necesita incorporar IA para parecer moderna. Necesita incorporarla cuando ayuda a prestar mejor un servicio, a reducir una carga innecesaria, a ordenar conocimiento, a responder con más claridad o a tomar decisiones mejor preparadas.

La herramienta revela el proceso

A veces, bajar un peldaño más también sirve para descubrir que la IA no es lo primero que había que resolver. Puede ocurrir que el problema esté en la falta de datos, en documentos dispersos, en criterios poco claros, en procedimientos mal definidos o en conocimiento que vive solo en la cabeza de algunas personas. En esos casos, la IA puede ayudar, pero antes hay que ordenar la casa.

Esta es una de las grandes lecciones de la IA pública aplicada: la herramienta no sustituye al proceso. Lo revela.

Cuando se intenta construir un asistente, un agente o un sistema de apoyo, aparecen rápidamente las preguntas que antes estaban ocultas. ¿Dónde está la información fiable? ¿Quién valida la respuesta? ¿Qué pasa si hay contradicciones? ¿Qué lenguaje debe usar el sistema? ¿Qué límites no debe cruzar? ¿Qué parte del trabajo necesita automatización y qué parte necesita deliberación humana?

Un buen proyecto de IA no esquiva esas preguntas. Las pone sobre la mesa.

Prototipos, laboratorios y casos reales

Por eso me interesa tanto trabajar con prototipos, laboratorios y casos reales. No porque todo tenga que convertirse inmediatamente en un producto, sino porque el prototipo obliga a concretar. Obliga a escribir una instrucción, probar una salida, escuchar a un usuario, revisar un documento y comprobar si aquello que sonaba bien realmente ayuda.

La innovación pública necesita visión, por supuesto. Pero también necesita ese tipo de precisión humilde que pregunta una y otra vez: ¿esto para quién es?, ¿qué problema resuelve?, ¿qué mejora respecto a lo que ya hacemos?, ¿qué riesgo introduce?, ¿quién lo mantiene?, ¿cómo sabemos que funciona?

Ahí es donde la IA deja de ser un discurso y empieza a convertirse en capacidad institucional.

La pregunta que hace posible la ambición

Bajar un peldaño más no empequeñece la ambición. Al contrario. La hace posible. Porque las grandes transformaciones no se construyen solo con declaraciones generales, sino con cambios concretos en la forma de trabajar, decidir, documentar, comunicar y aprender.

La administración pública tiene por delante una oportunidad enorme con la inteligencia artificial. Pero esa oportunidad no se juega únicamente en comprar herramientas ni en formar a equipos para que prueben aplicaciones sueltas. Se juega en aprender a convertir problemas reales en casos de uso bien definidos.

Y quizá esa sea una de las mejores preguntas para empezar cualquier proyecto de IA pública:

¿Podemos bajar un peldaño más?