La IA En La Administración Puede Aumentar La Productividad Hasta Un 9% En 10 Años
PorNovumWorld Editorial Team
Resumen Ejecutivo
- La IA generativa en la administración pública en España puede aumentar la productividad hasta un 9% en diez años, generando alrededor de €7 mil millones anuales en valor bruto añadido, según EsadeEcPol.
- Un 67% de los empleados públicos podría mejorar entre un 10% y un 50% de sus tareas mediante la IA, permitiéndoles enfocarse en actividades de mayor valor (EsadeEcPol).
- La implementación de IA plantea preocupaciones sobre sesgos algorítmicos, privacidad y la necesidad de supervisión humana en la toma de decisiones.
La promesa de un aumento del 9% en la productividad pública es una ilusión económica si no se resuelve el caos de datos heredado. Inyectar modelos de 405 mil millones de parámetros en burocracias basadas en papel es una receta para el desastre financiero y técnico.
- La IA generativa en la administración pública en España puede aumentar la productividad hasta un 9% en diez años, generando alrededor de €7 mil millones anuales en valor bruto añadido, según EsadeEcPol.
- Un 67% de los empleados públicos podría mejorar entre un 10% y un 50% de sus tareas mediante la IA, permitiéndoles enfocarse en actividades de mayor valor (EsadeEcPol).
- La implementación de IA plantea preocupaciones sobre sesgos algorítmicos, privacidad y la necesidad de supervisión humana en la toma de decisiones.
La Ilusión del 9%: Economía de Unidad y Realidad del Silicio
El estudio de EsadeEcPol sobre el impacto de la IA en el sector público proyecta una optimización del 9% en la productividad, una cifra que suena a milagro fiscal en tiempos de déficit. Esta proyección de €7 mil millones en valor bruto añadido asume una infraestructura de cómputo impecable y una adopción fluida que la administración española simplemente no posee. Detrás de ese porcentaje atractivo se esconde la dura realidad de los costos de inferencia en GPUs H100 de NVIDIA, necesarios para ejecutar modelos como Llama-3 70B o GPT-4o a escala nacional. El burn rate de mantener clusters de GPUs para millones de consultas diarias podría devorar ese “valor añadido” antes de que se materialice en un solo euro ahorrado.
La inversión de €50 millones anunciada para proyectos de IA en 2024 y 2025 es ridícula si se compara con los presupuestos de capital de las grandes tecnológicas. Microsoft o Google gastan miles de millones en datacenters; el gobierno español destina el equivalente al costo de un puente pequeño para digitalizar el estado. Esta disparidad financiera crea una dependencia tecnológica crítica: la administración no podrá entrenar sus propios modelos fundacionales (Foundation Models) y estará obligada a alquilar la inteligencia de proveedores estadounidenses. La soberanía tecnológica se convierte así en una mentira vendida a los ciudadanos, ya que los pesos del modelo residirán en servidores de AWS, Azure o Google Cloud.
El informe de Minsait indica que el 48% de las administraciones ya usan IA para casos específicos, pero la mayoría son implementaciones superficiales. Chatbots básicos que no entienden el contexto más allá de las últimas tres interacciones, o sistemas de RAG (Retrieval-Augmented Generation) fallidos que alucinan leyes. La verdadera productividad no viene de automatizar respuestas triviales, sino de orquestar agentes complejos que naveguen la burocracia. Sin una arquitectura de microservicios robusta y APIs estandarizadas, la IA es solo una capa de barniz digital sobre un proceso roto.
Anatomía del Cómputo: La Trampa de la Inferencia
Hablar de IA en la administración sin mencionar la latencia de inferencia y el consumo energético es ignorar la física del problema. Modelos como Claude 3.5 Sonnet o GPT-4o requieren una potencia de cálculo masiva para generar tokens en tiempo real. Cada consulta ciudadana a un sistema de IA generativa consume vatios y dólares, una ecuación que escala mal cuando el usuario base son 47 millones de personas. La ventana de contexto de 128k o 1M tokens, promocionada por Google Gemini 1.5 Pro, es inútil si el backend no puede procesar esa cantidad de datos sin inducir retrasos de segundos inaceptables para el usuario.
La arquitectura Transformer dominante tiene un costo cuadrático respecto a la longitud de la secuencia, lo que hace que procesar expedientes administrativos largos sea prohibitivamente caro. Si un funcionario carga un expediente de 200 páginas en un modelo para resumirlo, el costo de API por 1M tokens se dispara. Las economías de escala de los modelos de lenguaje (LLMs) chocan frontalmente con la rigidez presupuestaria del sector público. ¿Quién paga la factura cuando el sistema decide “pensar” demasiado en una solicitud de prestación? El contribuyente, eventualmente.
El hardware necesario para esto no son simples servidores web; son clusters de H100 con interconexiones NVLink de alta velocidad. El enfriamiento de estas máquinas requiere infraestructuras que muchos edificios gubernamentales antiguos no soportan. La promesa de la “nube” como solución mágica ignora los problemas de soberanía de datos y la latencia de red. Mover datos sensibles de ciudadanos a centros de datos extranjeros para ser procesados por una “caja negra” algorítmica es un riesgo de seguridad que pocos auditores están preparados para validar.
El Desastre de los Datos: Basura In, Basura Out
Raúl González, Director de Sector Público en Getronics, advierte sobre el riesgo de añadir una capa tecnológica sofisticada sobre una base inadecuada. La IA generativa no funciona sobre estructuras fragmentadas; requiere datos ordenados, calidad garantizada y una organización que entienda qué está haciendo. La administración pública española es un archipiélago de bases de datos incompatibles, formatos de archivo obsoletos y silos de información que datan de los años 90. Intentar implementar agentes de IA en este entorno es como intentar correr un videojuego de última generación en un ordenador de 1995.
La falta de una estrategia coherente ha sido criticada duramente por el Partido Popular, y con razón. No basta con comprar licencias de software o contratar consultoras; se necesita una gobernanza de datos que cruce fronteras ministeriales. Sin una ontología común y APIs que permitan a los modelos consultar el estado real de un trámite, la IA simplemente alucinará respuestas optimistas pero falsas. El riesgo de implementar tecnología sofisticada sobre bases inadecuadas es automatizar la ineficiencia, multiplicando el caos a la velocidad del silicio.
El 67% de los empleados públicos podría mejorar sus tareas, pero ¿qué tareas? Redactar correos electrónicos es un uso trivial; auditar expedientes complejos requiere un entendimiento matizado que los LLMs actuales no poseen. La sobrevaloración de la capacidad de los modelos para razonar sobre leyes y regulaciones es un mito peligroso. Los benchmarks MMLU o GSM8K no miden la capacidad de navegar la burocracia real; miden la capacidad de responder preguntas de examen en un entorno controlado. La realidad de la administración es un entorno de bordes ruidosos y excepciones constantes.
Sesgos Algorítmicos: La Caja Negra del Estado
El Dr. Agustí Cerrillo i Martínez advierte sobre los sesgos en los algoritmos, una amenaza tangible que podría resultar en decisiones discriminatorias que violen derechos fundamentales. A diferencia de un error humano, un sesgo algorítmico se aplica de manera consistente y a escala, afectando a miles de ciudadanos simultáneamente antes de que nadie se dé cuenta. Los modelos de lenguaje se entrenan con datos de internet, que contienen prejuicios históricos y culturales. Si la administración usa estos modelos para puntuar solicitudes de becas o evaluar riesgos sociales, está codificando la discriminación en código ejecutable.
La transparencia en estos procesos es prácticamente nula. El Ministerio de Transformación Digital habla de confianza, pero se niega a abrir la “caja negra” de los modelos propietarios. ¿Cómo se audita un modelo de 70 mil millones de parámetros? No se puede. La única opción es probarlo en producción, lo que convierte a los ciudadanos en conejillos de Indias de un experimento social masivo. La falta de explicabilidad (XAI) en los modelos Transformer profundos hace imposible cumplir con el derecho de los ciudadanos a recibir una explicación de las decisiones administrativas que les afectan.
El Tribunal Supremo español ha reconocido el derecho de los ciudadanos a acceder al código fuente cuando la IA se usa para tomar decisiones. Esto es una bomba de tiempo legal para los proveedores de tecnología que venden soluciones “caja negra” al estado. Si un ciudadano es denegado por un algoritmo, tiene derecho a ver cómo funciona. Las empresas tecnológicas se resistirán a revelar sus pesos y sesgos, creando un conflicto inevitable entre la propiedad intelectual comercial y el derecho administrativo fundamental.
La Farsa de la Estrategia y el Vacío de Talento
La inversión de €30 millones en 2024 y €20 millones en 2025 es una gota en el océano de lo necesario para transformar el estado. Peor aún, es un dinero que a menudo se malgasta en consultoras que venden humo y PowerPoint en lugar de arquitectura escalable. La falta de talento técnico interno en la administración es el cuello de botella real. No hay suficientes ingenieros de machine learning, expertos en MLOps o arquitectos de software en las nóminas públicas para gestionar esta transición. El resultado es una dependencia eterna de integradores externos que aumentan los costos y reducen la calidad.
El Partido Popular denuncia la falta de control y transparencia, señalando un problema estructural: la improvisación. Cambiar el gobierno cada cuatro años con estrategias tecnológicas discontinuas impide la ejecución de proyectos a largo plazo. La infraestructura de IA requiere una visión decenal, no ciclos electorales. Mientras la política se centre en el titular de la foto y no en la calidad del código, la administración pública seguirá siendo un cliente cautivo de los grandes proveedores tecnológicos.
La implementación de IA en el sector público no es una carrera de velocidad, es una carrera de resistencia. Las promesas de “inteligencia sobrehumana” son distracciones marketing. El verdadero trabajo es aburrido, difícil y caro: limpiar bases de datos, normalizar APIs, entrenar a funcionarios y establecer protocolos de seguridad rigurosos. Sin este trabajo de base, la IA no es una herramienta de productividad, es un generador de deuda técnica y de riesgo legal.
Soberanía y Privacidad: El Dilema de la Nube
El uso de IA en la administración implica procesar cantidades masivas de datos personales, desde historiales médicos a registros fiscales. Cumplir con el GDPR es un desafío monumental cuando se usan modelos alojados en la nube de terceros. ¿Dónde residen los datos realmente? ¿Se utilizan para reentrenar los modelos del proveedor? Las respuestas suelen estar enterradas en términos de servicio que nadie lee. La soberanía de los datos es un concepto vacío si el procesamiento ocurre en servidores fuera de la jurisdicción española o europea.
La Agencia Española de Protección de Datos (AEPD) ha publicado políticas internas, pero la autorregulación no es suficiente. Se necesita una supervisión activa y auditorías técnicas constantes. El riesgo de una brecha de seguridad en un sistema de IA gubernamental es catastrófico. Un modelo comprometido podría filtrar información sensible de millones de ciudadanos o ser manipulado para tomar decisiones maliciosas. La seguridad por obscuridad (ocultar el código) no funciona en la era del software de código abierto y las filtraciones.
La alternativa de desplegar modelos “Open Weights” como Llama-3 o Mistral en infraestructura propia parece atractiva, pero requiere una capacidad operativa que el estado no tiene. Gestionar el ciclo de vida de un modelo, desde el fine-tuning hasta el despliegue y el monitoreo, requiere equipos especializados que escasean. La falsa dicotomía entre “comprar a Microsoft” y “hacerlo uno mismo” ignora la complejidad intermedia: construir capacidades internas reales, no solo contratar servicios.
El Futuro de la Interacción Ciudadano-Estado
AI-GTH Consulting estima que los chatbots pueden manejar hasta el 80% de las consultas rutinarias, liberando recursos humanos. Esto es cierto en teoría, pero en la práctica, el 20% restante consume el 80% del tiempo. Los chatbots actuales son frustrantes para el usuario porque no entienden la intención detrás de la pregunta, solo coincidencias de palabras. La próxima generación de agentes, impulsados por arquitecturas más avanzadas, promete ser mejor, pero el riesgo de una mala experiencia de usuario (UX) sigue siendo alto.
La percepción del ciudadano sobre el gobierno está en juego. Si la IA falla, la culpa recae sobre la administración, no sobre el proveedor del modelo. Un sistema de atención al ciudadano basado en IA que da respuestas incorrectas o insensibles puede erosionar la confianza institucional más rápido que cualquier escándalo de corrupción. La tecnología debe ser invisible y fiable; actualmente, es visible y experimental.
La reducción de costos del 30% estimada por algunos consultores es una ilusión si no se tiene en cuenta el costo total de propiedad (TCO). El mantenimiento, la actualización de modelos, la mitigación de sesgos y la gestión de incidentes de seguridad son costos ocultos que explotan con el tiempo. La contabilidad de costos en la administración pública es notoriamente opaca, lo que permite que estas proyecciones optimistas sobrevivan sin escrutinio técnico riguroso.
Nuestra lectura
La productividad del 9% es una métrica de marketing que oculta una crisis de infraestructura y talento que la administración pública no está preparada para afrontar. Sin una inversión masiva en ingeniería de software y una estrategia de datos realista, la IA en el sector público será una costosa farsa de automatización.