Cómo una hoja de ruta de cinco pasos ayuda a los gobiernos a tener éxito con la IA

La necesidad imperiosa de una implementación sistemática

Las metodologías tradicionales de implementación de tecnología resultan insuficientes para la implementación de la inteligencia artificial. A diferencia de los sistemas de IT convencionales, los sistemas de IA requieren un desarrollo iterativo, un aprendizaje continuo y una gestión adaptativa. Implican la gestión del cambio organizacional, el cumplimiento normativo y la supervisión ética, aspectos que van mucho más allá de la implementación técnica. Esto hace que sea imprescindible adoptar enfoques de implementación estructurados. Las organizaciones necesitan metodologías que tengan en cuenta las características únicas de la IA y, al mismo tiempo, garanticen la generación de valor de forma sostenible.

La hoja de ruta de cinco pasos que hemos elaborado responde a esta necesidad al ofrecer un marco basado en la experiencia de los sistemas pioneros de inteligencia artificial en organismos gubernamentales de todo el mundo. El marco aborda específicamente los principales factores de fracaso en la ampliación de la IA: estimación de costos y definición de la propuesta de valor poco claras, preparación operativa insuficiente, diseño inadecuado de los proyectos piloto, resistencia organizacional y aprendizaje limitado a partir de los proyectos piloto. Abordar cada paso contribuye de manera sistemática a una transformación sostenible hacia la IA.

Una transformación exitosa hacia la IA comienza con una mentalidad centrada en los resultados, en lugar de enfoques que priorizan la tecnología. Las organizaciones exitosas se centran en identificar los desafíos operativos y las posibles mejoras en los servicios al ciudadano antes de evaluar aplicaciones específicas de IA.

Esto cambia radicalmente la forma en que los gobiernos abordan la inversión en inteligencia artificial. En lugar de preguntarse «¿Dónde podemos aplicar la IA?», los líderes con visión de futuro deberían preguntarse: «¿Qué resultados estratégicos pretendemos alcanzar y cómo puede la IA ayudarnos a lograrlos?». Este enfoque contribuye a garantizar que las iniciativas de IA respondan a una necesidad empresarial clara y cuenten con indicadores de éxito cuantificables.

Las estrategias más eficaces combinan la alineación estratégica de arriba hacia abajo con los conocimientos operativos de abajo hacia arriba. Las organizaciones que alinean los casos de uso de la IA con sus prioridades estratégicas clave y, al mismo tiempo, tienen en cuenta las perspectivas del personal de primera línea, crean una sólida cartera de oportunidades valiosas. El estado de Maryland es un ejemplo de este enfoque descendente, ya que evalúa todos los casos de uso de la inteligencia artificial en función de las 10 prioridades del gobernador, asegurándose de que respalden objetivos políticos más amplios. Como señaló un alto funcionario: «Lo más importante en la implementación de cualquier proyecto de inteligencia artificial es que esté orientado a un objetivo concreto». ... «La IA no es más que una herramienta que debe orientarse hacia un objetivo concreto».

La Agencia Digital de Japón ilustra el enfoque ascendente a través de su iniciativa de digitalización de las consultas infantiles, que permitió a los consejeros grabar las consultas en formato de audio mientras se desplazaban, lo que contribuyó a reducir el agotamiento y a mejorar la atención en equipo. Esto permite satisfacer las necesidades operativas inmediatas, al tiempo que se crean datos estructurados y consultables que sientan las bases para análisis más avanzados. Como explicó el director general Keisuke Murakami: «Si nos limitamos a imponer un enfoque de arriba hacia abajo sin conocer la situación real de abajo hacia arriba, no funcionará en la práctica».

Las principales organizaciones gubernamentales establecen criterios sólidos de priorización —en los que se evalúan la viabilidad, el costo, el riesgo y el impacto— para tomar decisiones de inversión fundamentadas. Establecen expectativas realistas en torno a las pruebas de concepto, que suelen tener una baja tasa de conversión en producción, pero ofrecen información valiosa.

Recomendaciones clave para los gobiernos que implementan la IA:                      

• Centrarse primero en los resultados: definir el valor público que desea alcanzar antes de considerar soluciones de IA.
• Combinar los enfoques descendentes y ascendentes: conciliar las prioridades estratégicas con la información operativa aportada por los trabajadores de primera línea y los ciudadanos para garantizar la pertinencia y el impacto práctico.
• Sustituir las iniciativas puntuales por procesos estructurados y transparentes: utilizar embudos de ideas, marcos de priorización y supervisión de la gobernanza para evaluar posibles casos de uso.

Recomendaciones clave para los gobiernos que implementan la IA:

• Evaluar la preparación de la infraestructura y los datos: antes de iniciar la fase piloto, determinar si su arquitectura tecnológica puede soportar cargas de trabajo de IA de forma segura y verificar la calidad de los datos.
• Incorporar la privacidad y la gobernanza ética desde el principio: adoptar los principios de la privacidad desde el diseño y establezca directrices éticas claras.
• Involucrar a los organismos reguladores desde el principio y de manera continua: incorporar a los organismos reguladores desde la fase de diseño para evitar costosas revisiones posteriores.

El siguiente paso consiste en convertir las ideas en acciones. Las pruebas piloto son fundamentales para poner a prueba soluciones en condiciones reales o simuladas, con el fin de determinar qué funciona y validar su valor. Solo los proyectos piloto más prometedores se amplían para una implementación más amplia.

Es fundamental crear las condiciones adecuadas para que los proyectos piloto sean eficaces. Los gobiernos más avanzados establecen entornos controlados que emulan condiciones operativas, entre los que se incluyen entornos de pruebas regulatorios que ofrecen flexibilidad temporal para probar soluciones de IA bajo restricciones normativas reales, y bancos de pruebas con datos en tiempo real en los que conjuntos de datos anonimizados simulan la prestación real de servicios. Algunas agencias crean flujos de trabajo de servicio simulados —gemelos digitales de las operaciones de primera línea— para observar cómo se comportan las herramientas de IA en situaciones reales sin afectar a los sistemas en funcionamiento. Estas estructuras permiten llevar a cabo experimentos de forma segura, al tiempo que garantizan la supervisión y el cumplimiento normativo y preservan la confianza del público.

Los diseños piloto más exitosos se centran en la colaboración entre personas y la IA, en lugar de en la automatización, creando flujos de trabajo que potencian la experiencia humana en lugar de sustituirla. Involucrar a las personas en el proceso de diseño también ayuda a garantizar que los proyectos piloto de IA se integren en los flujos de trabajo existentes y favorece el desarrollo iterativo.

Para que una prueba piloto tenga éxito, es fundamental realizar una evaluación realista de la rentabilidad a gran escala. Las organizaciones pioneras prevén los costos a largo plazo y las necesidades de ampliación, y los incorporan en análisis de viabilidad que tienen en cuenta los costos de todo el ciclo de vida para garantizar la financiación necesaria. Sin embargo, algunas estimaciones indican que las organizaciones suelen subestimar los costos de los proyectos de IA entre cinco y diez veces al pasar de la fase piloto a la de producción. Las estimaciones de costos deben tener en cuenta varias categorías de gastos:

• Tecnología y datos, incluyendo la infraestructura de red, la preparación y el almacenamiento de datos, las necesidades informáticas, el software y las licencias, y el consumo de energía
• Talento y capital humano, incluyendo la contratación o el perfeccionamiento profesional del personal y la gestión del cambio
• Gobernanza, seguridad y cumplimiento normativo, incluyendo la ciberseguridad, la privacidad y la supervisión jurídica y ética
• Integración operativa y mantenimiento, lo que incluye el rediseño de los flujos de trabajo, la asistencia al usuario, el reentrenamiento de modelos y el mantenimiento a largo plazo.

Comprender todos estos elementos es esencial para una asignación adecuada de los recursos y para evitar sorpresas costosas.

Por último, las agencias de alto rendimiento establecen criterios de evaluación claros para los proyectos piloto que se centran en resultados medibles en lugar de en la novedad tecnológica. La metodología de Estonia es un ejemplo de esta disciplina, ya que evalúa cada proyecto piloto en función de cuatro criterios: eficiencia en el uso del tiempo, rentabilidad, potencial de innovación e impacto cuantificable. Como destacó Ott Velsberg, director de datos del Gobierno de Estonia: «Las ideas interesantes sobre IA no son suficientes. Lo que nos interesa son las cifras».

Recomendaciones clave para los gobiernos que implementan la IA:

• Planificar la escalabilidad desde el primer día: incorporar modelos de costos exhaustivos en los casos de negocio piloto y calcular por adelantado los costos totales de producción.
• Diseño centrado en las personas: involucrar a los usuarios finales desde el principio y aplicar los principios del diseño centrado en las personas mediante un desarrollo iterativo.
• Establecer metas claras y factibles, y evaluarlas rigurosamente: definir objetivos específicos y cuantificables, y utilizar criterios cuantitativos para evaluar los resultados de la prueba piloto.

Para lograr una ampliación exitosa es necesario gestionar de manera integrada la infraestructura técnica y el cambio organizacional. Las organizaciones deben establecer modelos operativos que respalden la implementación de la IA, al tiempo que gestionan la adaptación cultural necesaria para una adopción sostenida. Los enfoques eficaces logran un equilibrio entre la experiencia técnica centralizada y el conocimiento específico del sector, lo que garantiza que las soluciones sean a la vez sólidas desde el punto de vista técnico y pertinentes desde el punto de vista operativo.

El compromiso de los empleados es fundamental, ya que el 31 % de las organizaciones señala que las preocupaciones sobre la seguridad laboral constituyen un obstáculo para la implementación. Las estrategias más exitosas abordan estas inquietudes mediante una comunicación clara sobre el papel de apoyo que desempeña la IA y la participación activa de los empleados en el diseño del sistema. Este enfoque centrado en las personas reconoce que la adopción sostenible de la IA requiere una colaboración con los trabajadores, y no solo capacitación.

Dado que el 38 % de las organizaciones señala la escasez de talento como una limitación importante, los líderes con visión de futuro crean reservas de talento a largo plazo. La Agencia de Transformación Digital de Australia es un ejemplo de este enfoque a través de la evaluación de capacidades y los programas de desarrollo específicos. Como explica Lucy Poole, directora general de la División de Estrategia, Planificación y Desempeño: «Desde el punto de vista de la capacidad y la planificación de la fuerza laboral, actualmente estamos trabajando para poner en práctica las iniciativas descritas en el Plan de la Fuerza Laboral en materia de Datos, Tecnología Digital y Ciberseguridad 2025-2030 de la Administración Pública Australiana (APS). El objetivo es identificar los principales retos en las tres disciplinas y comenzar a desarrollar unos conocimientos, una alfabetización y unas habilidades técnicas prácticas más sólidos. Esto es fundamental para garantizar que el talento de APS esté preparado para responder a las necesidades actuales y futuras».

La transformación de las compras favorece la expansión sostenible al adaptarse a la naturaleza iterativa de la inteligencia artificial, en lugar de encajarla a la fuerza en los modelos de contratación tradicionales. Esta evolución permite acceder a un ecosistema más amplio que combina empresas tecnológicas consolidadas con startups innovadoras, uniendo una profunda experiencia en el sector con capacidades de vanguardia. Como capitán ya retirado (Ret.) Manuel Xavier Lugo, asesor militar principal de la Oficina de Digitalización e Inteligencia Artificial de la Secretaría de Defensa y excomandante de la Fuerza Operativa Lima de los Estados Unidos, señaló: «Ya no existen barreras de entrada. Puedes ser una pequeña empresa que se enfrente a un desafío concreto y ya estás dentro». El éxito exige desarrollar conocimientos internos en materia de adquisiciones para evaluar de manera eficaz las soluciones de inteligencia artificial y fomentar alianzas de colaboración que vayan más allá de las relaciones tradicionales con los proveedores.

Recomendaciones clave para los gobiernos que implementan la IA:

• Elegir modelos operativos adecuados: buscar un equilibrio entre la experiencia técnica centralizada y el conocimiento específico del sector.
• Priorizar la participación de los empleados: comunicar con claridad el papel de apoyo que desempeña la IA e involucre a los empleados en el diseño del sistema.
• Modernizar los enfoques de contratación: pasar a enfoques ágiles e inclusivos que incorporen a proveedores diversos y desarrollen capacidades internas de evaluación.

La medición sistemática y el intercambio de conocimientos transforman las implementaciones individuales en capacidades organizativas. Estas prácticas contribuyen a fomentar el aprendizaje institucional y la capacidad de ampliación en todo el gobierno.

Los gobiernos más avanzados establecen indicadores de desempeño integrales y mecanismos de retroalimentación de las partes interesadas que reflejan el valor operativo total de la IA, en lugar de centrarse exclusivamente en los indicadores de costos.

Los enfoques más avanzados integran la evaluación en la gestión continua de los programas, en lugar de considerarla como una etapa independiente posterior a la implementación. El Departamento de Asuntos Internos de Australia es un ejemplo de este enfoque. Los equipos definen desde el principio los resultados del programa, los indicadores y las medidas de evaluación, y realizan un seguimiento de los impactos previstos e imprevistos de las iniciativas de IA mediante análisis de la cartera en tiempo real. Según Pia Andrews, este tipo de capacidad permite al departamento ajustar su rumbo basándose en datos en tiempo real, en lugar de esperar a los puntos de evaluación. 

Informar periódicamente a la dirección, a los empleados y al público sobre los avances y el impacto de la implementación de la IA fomenta la transparencia y la rendición de cuentas, al tiempo que refuerza la confianza de las partes interesadas. 

El intercambio de conocimientos acelera la adopción por parte de la organización a través de comunidades de práctica estructuradas que evitan la duplicación y, al mismo tiempo, desarrollan la capacidad institucional. Este enfoque colaborativo genera un valor exponencial, tal como explicó un funcionario del estado de Maryland: «Hemos creado esta comunidad de práctica, que reúne básicamente a todas las personas que utilizan la inteligencia artificial, formando un grupo de trabajo conjunto». Todos hablamos para averiguar: «¿Cuáles son los problemas a los que te enfrentas?. ¿Podemos hacer algo para no tener que reinventar la rueda?»

Al convertir el aprendizaje en un viaje compartido —celebrando los éxitos, analizando los fracasos y haciendo público el proceso—, los líderes gubernamentales están transformando los proyectos piloto de IA en plataformas de lanzamiento para la transformación.

Recomendaciones clave para los gobiernos que implementan la IA:

• Definir los indicadores clave de rendimiento (KPI, por sus siglas en inglés) y los valores de referencia antes de la implementación: establezca marcos de medición que reflejen toda la gama de beneficios.
• Establecer ciclos de retroalimentación continuos: supervise el progreso y recopilar las opiniones de los stakeholders para permitir el ajuste en tiempo real.
• Compartir los conocimientos adquiridos en todo el gobierno: organizar eventos interinstitucionales y mantener sistemas de gestión del conocimiento para acelerar la adopción.

Implicaciones para los líderes gubernamentales

Las apuestas son altas. Quienes actúen con determinación para superar estos obstáculos pueden aprovechar un potencial transformador en múltiples ámbitos: desde el aumento de la eficiencia y la mejora de la experiencia de los empleados hasta una mayor participación ciudadana, la planificación estratégica de los servicios, la optimización financiera y la resiliencia organizacional. Quienes se demoren se arriesgan a un aumento de los costos, a perder oportunidades de mejorar la productividad y a no cumplir con las expectativas del público. 

Para los líderes gubernamentales, el margen de maniobra se está reduciendo, lo que hace que sea más urgente que nunca dominar la complejidad que supone ampliar el uso de la inteligencia artificial para lograr un valor público sostenido. El marco de cinco pasos ofrece una ruta estructurada para avanzar desde la estrategia de IA, pasando por la fase piloto, hasta la implementación completa y el impacto medible.