La inteligencia artificial es cada vez más percibida como parte de la solución. La IA generativa, en particular, ha renovado el interés por automatizar tareas intensivas de documentación y fortalecer el soporte en la toma de decisiones.
Sin embargo, el paso de la experimentación a la capacidad operativa real ha demostrado ser todo un desafío.
Según el estudio The GenAI Divide: State of AI in Business 2025, publicado por MIT NANDA, apenas el 5% de los pilotos de IA generativa en empresas logra generar un impacto medible a escala, por lo que la gran mayoría desiste antes de lograr un valor operativo sostenido.
Para los líderes del sector público, esto se traduce en una pregunta clave: ¿qué diferencia a las pocas iniciativas de IA que logran escalar de aquellas que no logran superar la etapa piloto? Además, ¿qué se necesita para integrar la IA de forma segura y responsable en la gestión de casos que deben ser transparentes, auditables y alineados con los estándares establecidos por el gobierno?
El salto hacia la computación probabilística
Durante décadas, los sistemas del sector público se construyeron sobre una lógica determinista: Las entradas estructuradas generan resultados predecibles. Cada campo responde a un formato definido y cada regla se comporta de forma consistente.
Los sistemas modernos de IA operan de manera diferente.
Estos sistemas son capaces de procesar información no estructurada a escala, ya sea documentación, correspondencia, texto libre o imágenes. Sin embargo, sus resultados son probabilísticos. En lugar de ofrecer respuestas garantizadas, generan la interpretación o recomendación que consideran más probable.
En entornos regulados, esta diferencia es significativa. Los modelos de gobernanza, los procesos de aseguramiento y los frameworks de confianza deben evolucionar a la par de la tecnología. La IA no puede integrarse en sistemas heredados y simplemente esperar que se comporte como el software tradicional.
En nuestra experiencia trabajando con equipos digitales y de datos del gobierno central del Reino Unido, este cambio de mentalidad suele marcar la diferencia entre los programas que maduran y los que se estancan. La tecnología puede tener la capacidad, pero las estructuras organizacionales y los modelos de gobernanza aún no se han adaptado a su naturaleza probabilística.
Por qué los pilotos de IA se estancan en el sector público
En organismos públicos y entes reguladores, las iniciativas de IA suelen mostrar resultados prometedores durante las etapas iniciales. La síntesis de documentos funciona, los modelos de clasificación ofrecen buenos resultados y la búsqueda mejora significativamente. Sin embargo, este avance se ralentiza cuando llega el momento de pasar de la prueba de concepto a la producción.
A lo largo de la implementación de soluciones en entornos de gestión de casos y servicios del gobierno central hay un patrón recurrente: la IA se incorpora en procesos aislados, pero no se replantea el proceso de extremo a extremo. Las responsabilidades permanecen fragmentadas y las iniciativas se gestionan como experimentos tecnológicos y no como una entrega de producto con objetivos y resultados definidos.
Al mismo tiempo, existe una cautela comprensible frente al uso de sistemas probabilísticos en contextos donde la rendición de cuentas, la transparencia y la auditabilidad son fundamentales. El resultado es una proliferación de pilotos que generan interés, pero poco impacto operativo real.
El problema no radica en la capacidad, sino en la integración.
Lo que diferencia al 5%
Los pocos organismos y entes reguladores que logran llevar la IA a una etapa de producción a escala comparten ciertas características.
El 5% de las iniciativas que supera la etapa de la prueba piloto lo hace no porque disponga de una tecnología diferente, sino porque aborda el diseño de flujos de trabajo, la gobernanza y la medición de resultados desde un principio.
Estas organizaciones analizan el ciclo de vida completo del caso, desde la recepción de la información hasta la evaluación, la toma de decisiones y la comunicación. En lugar de incorporar IA en tareas aisladas, identifican dónde se generan las fricciones, las demoras o las duplicaciones y la aplican donde realmente puede generar un impacto significativo.
A su vez, también gestionan las iniciativas de IA como productos y no como experimentos. Cuentan con responsables definidos, objetivos claros y una estrecha alineación con las prioridades estratégicas de la organización. El éxito se mide a través de indicadores operativos concretos, tales como la capacidad de procesamiento, los tiempos de resolución y la reducción de los casos acumulados.
Por último, diseñan para la mejora continua desde un primer momento. Los sistemas probabilísticos requieren ajustes constantes, los prompts evolucionan, las tareas se refinan y los procesos se descomponen en componentes más específicos. El rendimiento mejora progresivamente gracias a una optimización estructurada y no a través de despliegues únicos.
Este enfoque disciplinado e integral es lo que diferencia la experimentación de una verdadera capacidad operativa.
Un modelo práctico para la gestión de casos habilitada por IA
El término “IA agéntica” suele asociarse con sistemas altamente autónomos capaces de coordinar tareas complejas de forma independiente. Si bien este tipo de arquitecturas ya forma parte de muchos productos de IA, adoptarlas para casos de uso específicos sigue siendo un desafío considerable.
Sin embargo, la mayoría de los escenarios de gestión de casos en el sector público no requiere ese nivel de complejidad y, en muchos casos, no están autorizados a operar con altos niveles de automatización.
Un enfoque más práctico consiste en incorporar agentes de IA como componentes especializados dentro de flujos de trabajo claramente definidos.
En un entorno típico de gestión de casos, esto puede incluir tareas como la ingesta automatizada de documentos, redacción, clasificación y etiquetado de información sensible, síntesis del material del caso e identificación de posibles indicadores de riesgo.
Cada una de estas funciones puede ser asumida por un agente de IA diseñado para esas tareas específicas.
Cuando se implementa dentro de los marcos de gobernanza existentes, este enfoque permite a los organismos modernizar sus operaciones de forma gradual sin perder transparencia ni control. En lugar de reemplazar a los gestores de casos, la IA los apoya reduciendo el trabajo manual, permitiéndoles concentrarse en tareas que requieran criterio, supervisión y gestión de excepciones.
Entonces, el objetivo no es la autonomía por sí misma, sino ampliar las capacidades de las personas mediante una integración estructurada de la IA.
Supervisión humana integrada desde el diseño
En el sector público, el control humano sigue siendo fundamental.
Los flujos de trabajo habilitados por IA incorporan puntos claros de revisión e intervención, donde los gestores de casos pueden iniciar procesos, validar los resultados generados por la IA, gestionar excepciones o aplicar criterio profesional en situaciones complejas.
Estos mecanismos de supervisión garantizan que las decisiones sigan siendo transparentes, auditables y alineadas con los principios de equidad y responsabilidad que exige el sector público.
Además, esta supervisión no opera al margen de las estructuras de gobernanza existentes, sino que debe integrarse en los procesos establecidos de aseguramiento, control y seguridad.
Por eso, integrar la IA con éxito requiere mucho más que una implementación tecnológica. Exige incorporarla a los procesos, controles y estructuras de gobierno que ya forman parte de la organización.
En la práctica, una vez que los equipos comprenden cómo funciona la IA dentro del flujo de trabajo, la confianza comienza a crecer. La conversación deja de centrarse en si la tecnología puede ser confiable y pasa a enfocarse en cómo optimizarla. A su vez, la atención se desplaza hacia el desempeño, la calidad y la mejora continua.
La IA deja de ser una capa experimental agregada para convertirse en parte integral de la operación.
Del piloto a la capacidad operativa
La IA en el sector público está dejando de ser una iniciativa experimental para convertirse en una disciplina operativa.
Para los organismos que gestionan grandes volúmenes de casos, la oportunidad está en rediseñar los procesos con la IA como un componente integrado y gobernado, y no como una herramienta aislada.
La experiencia en programas de modernización de casos y servicios del gobierno central demuestra que, cuando la IA se integra de forma deliberada, se mide con rigor y se supervisa adecuadamente, puede mejorar significativamente la capacidad operativa, la calidad del servicio y la resiliencia de la organización.
La diferencia entre el 95% y el 5% no es el acceso a la tecnología, sino la disciplina con la que se aplica.
Los organismos que abordan la gestión de casos habilitada por IA como una transformación operativa y no como un piloto tecnológico, tienen muchas más probabilidades de superar la etapa de experimentación y desarrollar capacidades sostenibles a largo plazo.
Si consideras dar el próximo paso
Para conversar sobre cómo diseñar, gobernar o escalar la gestión de casos habilitada por IA en tu organismo, puedes contactar a:
Diego Alejandro Arata
SVP Growth
Diego.Arata@valtech.com
