Consejo de Prospectiva Tecnológica: Preparación en IA y datos para el sector público

La sesión de verano del Consejo de Prospectiva Tecnológica abordó una cuestión que resultará familiar a muchas agencias: ¿qué implica en la práctica preparar los datos para la IA?

Presentada por Jonathan Blackman, subdirector de Administración de Agencias en NCTCOG, y moderada por Tim Rosener, alcalde de Sherwood, Oregón, la sesión ofreció una visión nacional del estado actual de la adopción de la IA, además de un análisis detallado de cómo una ciudad de Texas resolvió un problema real de cumplimiento.

Rob Lloyd sobre el alcance frente a la escala

Rob Lloyd, director ejecutivo del Center for Public Sector AI y del Center for Digital Government, describió un cambio en la madurez: los primeros 500 a 600 días tras la irrupción de las herramientas de IA generativa fueron, en gran medida, una fase de "demostración y experimentación", señala. Sin embargo, en los 12 a 16 meses posteriores, las agencias han adquirido una disciplina considerablemente mayor, con una alineación más clara con las prioridades, objetivos de valor definidos y criterios claros para abandonar iniciativas que no ofrecen resultados. 

Lloyd, quien aporta casi tres décadas de experiencia en gobiernos locales, incluido un periodo como director de tecnología (CTO) de la ciudad de Seattle, señaló los recientemente anunciados por el Centro: Premios AI 50, comparados con sus premios Digital Cities, Counties and States Awards —que recibieron casi el triple de solicitudes que en el ciclo anterior—, como prueba de la seriedad con la que las agencias están abordando la IA actualmente.

Lo que aún requiere trabajo, afirmó, es la confianza, la cual debe construirse en tres niveles simultáneamente: 

• Con el personal, que utiliza la IA intensivamente pero carece de claridad sobre lo que esto significa para sus puestos de trabajo;
• Con las comunidades, que pueden rechazar herramientas que perciben como impuestas en lugar de ofrecidas; 
• Con los proveedores, dado que Lloyd estima que casi el 90 % de los contratos de servicios incluyen actualmente algún componente de IA. 

Concluyó señalando que ninguno de los ganadores de los premios AI 50 de este año atribuyó su éxito a una estrategia de datos exhaustiva, sino a ser "suficientemente precisos y útiles ahora" en lugar de esperar a ser perfectos más adelante.

Caso práctico: la solución de seis semanas de University Park

Andy Atencio, director de Servicios de Información de la ciudad de University Park, Texas, mostró cómo se aplica ese principio de alcance en la práctica a través de un problema de cumplimiento específico que su equipo resolvió. 

Una nueva legislación federal transfirió la responsabilidad de informar sobre las horas extras exentas de los empleados a los empleadores a partir de 2026. Sin embargo, la definición federal de horas extras de la FLSA no coincidía con las categorías por las que University Park paga horas extras, por lo que la ciudad conciliaba ambas manualmente, en una hoja de cálculo, en cada ciclo de nómina.

En lugar de reemplazar todo su sistema ERP, la ciudad se asoció con Phoenician LLC, un integrador de sistemas con el que ya estaba conectada a través de un acuerdo de cooperación TXShare existente, lo que significó que no fue necesaria ninguna nueva licitación. 

La herramienta que crearon, apodada "Generosity Ledger", extrae los datos de nómina, los reclasifica según las normas de la FLSA y genera una cifra de horas extras lista para auditoría para cada empleado. Atencio demostró una diferencia de aproximadamente 600 000 dólares en lo que va de año entre lo que la ciudad paga en horas extras y lo que califica bajo la FLSA, diferencia que la herramienta resuelve.

El proyecto avanzó rápidamente: aproximadamente tres semanas para definir el alcance y contratar, y seis semanas desde el inicio hasta la puesta en marcha en el ciclo de nómina real. Atencio atribuyó esa velocidad a un resultado estrictamente definido —una cifra validada, para una casilla, en un formulario— que no dejó margen para la expansión innecesaria del alcance. 

La parte técnica fue sencilla, comentó, pero "el trabajo duro fue lograr que la gente... entendiera que existe una forma potencialmente diferente de hacer las cosas". Una vez que convencieron a la empleada de nómina que había realizado el cálculo manualmente durante los últimos 18 años, el proyecto avanzó rápidamente y ella terminó dándole el visto bueno definitivo.

Conclusiones clave de la sesión de preguntas y respuestas

• Un objetivo preciso mantiene el alcance bajo control. Debido a que el objetivo era obtener una cifra validada para una casilla específica del formulario W-2, Atencio explicó que el equipo solo necesitaba verificar tres campos concretos en su ERP, en lugar de auditar todo el sistema.
• La IA en la sombra requiere capacitación, no solo restricciones. Lloyd señaló la importancia de contar con mejores herramientas de monitoreo, haciendo que la opción aprobada sea la más sencilla, y de aprender unos de otros a través de grupos compartidos como la Gov.AI Coalition – algo que, según comentó, no ocurría con tanta frecuencia en cambios tecnológicos anteriores.
• A mayor riesgo, mayor necesidad de supervisión humana. Cuanto más arriesgada sea la decisión asistida por IA, mayor debe ser la supervisión, una distinción que aparece cada vez más en los contratos con proveedores, afirma Lloyd.
• El sistema funciona completamente de forma interna. Atencio atribuyó a la configuración local el hecho de que su equipo tuviera control sobre los datos, lo que facilitó la extracción de los registros que Phoenican necesitaba para el desarrollo, aunque reconoció que las políticas formales de gobernanza para este tipo de proyectos aún están en proceso de adaptación.