Uno de los grandes problemas que encuentra uno cuando lee sobre Inteligencia Artificial es la enorme indeterminación de la mayoría del contenido. Aquí se junta contenido hecho con un rigor discutible con el afán comercial de integrar todo lo que se mueve bajo la última «buzzword«. En términos generales esto significa que, a la hora de aproximarnos a la materia, sea difícil tener una visión clara de lo que hablamos. De esta manera, como primer paso en este trabajo sobre IA para Administraciones Públicas, quiero empezar con una propuesta analítica.
El enorme paraguas que es la IA
Como decíamos lo primero es definir qué sería la IA. En términos generales se suelen acumular una serie de tecnologías en las que mezclamos muchas veces elementos que requieren cierta «inteligencia» (aprender) con cosas que comen números y vomitan números. También se incluyen algoritmos, pero un algoritmo no necesariamente «aprende» con la práctica, por lo que la I, no cuenta. Así que lo primero a señalar es que para que algo sea IA tiene que:
- Aprender. La IA aprende de los datos que tiene tanto en su entrenamiento como en su propio proceso de aprendizaje e interacciones.
- Evolucionar. El aprendizaje se convierte en un motor de mejora. El sistema modifica su funcionamiento a raíz del aprendizaje
- Automatismo. Este proceso se realiza de manera automática sin una modificación directa del componente humano. Puede existir una interacción humana (por ejemplo, en los sistemas de refuerzo) pero no requiere la modificación del código para este aprendizaje continuo. Esto no impide que haya revisiones y modificaciones, pero esto supone mejoras evolutivas o correctivas
- Interactuar con el entorno. Una herramienta de IA debe interactuar con al menos un elemento externo. En caso de que no sea así, será un componente de una IA que si que lo hace.
Esto descarta algoritmos que no aprenden (sistemas automáticos, actuaciones administrativas simples), o que precisan de la dirección humana para su modificación (modificar la fórmula del excel). También sistemas que alimentan a otras herramientas de IA. Por ejemplo, una IA incorporada a un servicio de identificación de matrículas la consideraremos como un elemento de esta y no como una herramienta propia. La razón es que la complejidad de las herramientas y el uso de IA como servicio haría complicado hablar de unidades operativas.
Esto nos deja en el campo de lo que se ha llamado habitualmente «machine learning» pero mi impresión es que eso se ha quedado en el «alto nivel» que sería el desarrollo de algoritmos y no a la capa de interacción directa con usuarios.
«Tipos» de IA.
Una vez que tenemos una idea de qué sería una IA, conviene distinguir los tipos. Yo creo que hay dos grandes dimensiones
Tipos de IA por modelo de funcionamiento
La primera distinción sería por el funcionamiento de la IA. Esto se define tanto por su finalidad (para qué sirve) como por los resultados que facilita. De esta manera tendríamos
- Modelos de clasificación. Los modelos de clasificación son aquellos que parten de un caso concreto o grupo de ellos y asigna una respuesta clasificando en una o varias categorías. En este caso podemos hablar tanto de modelos supervisados (aplicación de una prestación, definir si un bulto es un tumor o no) como no supervisados (modelos de agrupación de segmentos de público). Esto incluye los modelos de reconocimiento facial o de lectura automática
- Modelos de predicción. Son aquellos que establecen escenarios de futuro y propone escenarios de acción y sus posibles resultados e inicia un curso de acción. En este caso se trata de un modelo que parte de condiciones del entorno y modula comportamientos de manera dinámica. Es el caso de los algoritmos de las redes sociales, pero en las AAPP se puede usar para planificar rutas de basura, tráfico, o medidas macroeconómicas
- Modelos de generación. Este tercer escenario, que vemos más identificado en los chatbots. Si bien es cierto que, muy en el fondo son sistemas predictivos (estiman qué respuesta es la más satisfactoria y la generan), tanto la complejidad como especialmente la versatilidad y accesibilidad generan un uso muy diferenciado a estos. En este caso cualquier modelo que parta de una generación específica de cualquier acción o documento a partir de unos parámetros específicos de solicitud serían generativos.
Hay que considerar que en los modelos de IA suelen requerir la integración de varios elementos. Por ejemplo, el algoritmo de una red social es predictivo, pero se adapta a perfiles de clasificación de usuarios para adecuar el contenido. Si, además, genera contenido específico, ya tenemos los tres elementos. De ahí el interés en el apartado anterior de considerar la interacción final como elemento definitorio.
Tipos de IA por su posición
El siguiente elemento es el papel que tiene una IA en la relación que tiene con otros elementos del sistema. En este sentido podemos hablar de:
- IA como producto. La herramienta de IA permite una interacción directa con un componente humano que la usa directamente. Es el caso de un chatbot o de un sistema de edición de vídeos e imagen. Esto requiere un mínimo de «facilidad» en el uso, lo que se denomina «IA dura» y de tipo general en la que no hay que saber programación para operarla.
- IA como servicio. El segundo nivel es cuando la IA ofrece una función específica a un sistema y no tiene una interacción directa con las personas que usan dicho sistema. Es el caso de los algoritmos de redes sociales o los sistemas de clasificación. La interacción no es directa pero el uso de la IA es importante en la funcionalidad básica del producto empleado.
- IA como plataforma. La IA se aglutina en un conjunto de herramientas homogéneas y comunes que alimenta a diferentes productos o servicios de manera sustancial. En este caso hablamos de un enfoque como el de servicio, pero con un impacto generalizado en varios ámbitos. Por ejemplo, cuando Apple usa Gemini o Open AI para alimentar sus herramientas de IA: SIRI sería el producto, pero Gemini sería una IA a modo de plataforma. Un cambio en Gemini afectaría a todo el entorno de las soluciones de Apple.
Por otro lado hay que considerar que la proliferación de los agentes de IA, entidades que intermedian entre el usuario final y diferentes herramientas de IA hacen que este panorama tienda a más productos (los agentes) mediante la integración de servicios (las IAs especializadas o blandas)
Otras tipologías
Existen otras maneras de clasificar la IA. Una de las más comunes es la funcionalidad que tiene, como por ejemplo hace ESADE en este estudio: reconocimiento de texto, generación de imágenes, lectura de documentos, etc. Siendo de importante utilidad, creo que acaba encasillando la capacidad de análisis al ámbito de aplicación. Esto no es poco, sin embargo, limita la observación e impide elaborar comparaciones o clasificaciones a modo de impacto.
La relevancia de la IA en las Administraciones Públicas.
El segundo componente a mirar es la relevancia que tiene una tecnología de IA en la administración pública. Esto lo vamos a hacer en función de dos dimensiones.
- Alcance. El alcance es el resultado de dos variables: la cantidad de outputs que genera y el valor que aporta respecto a procesos tradicionales. Por ejemplo, un chatbot que permita generar texto para un correo tendrá un impacto limitado a los destinatarios del correo. Sin embargo, un regulador de tráfico o un algoritmo para definir posibles decisiones de políticas públicas pueden tener un impacto masivo de miles o millones de personas. Del mismo modo, un modelo que lee múltiples solicitudes de ayudas aporta menor valor que, por ejemplo, sistemas de diagnóstico automático de analíticas de sangre, por lo que el alcance de este último será mayor. Es decir: el impacto es igual al número de casos a los que afecta multiplicado por el valor transformador de la herramienta.
- Penetración. Es la cantidad de usuarios directos o indirectos de la herramienta de IA. En este sentido, el algoritmo para la toma de decisiones tendrá una penetración limitada (decisores públicos), pero un alcance alto. Por otro lado, una herramienta como chat GPT puede tener un alcance más limitado en cada uso, pero una penetración enorme por la cantidad de empleados públicos que pueden hacer uso de este sistema.
Esta distinción será importante para poder analizar y clasificar los efectos de las herramientas dentro y fuera de la organización.
Tipos de herramienta de IA por su impacto
Cruzando estas dos dimensiones como si fuera una matriz de portafolio, tendríamos un cuadrante con las siguientes casillas.
- Herramientas de alto impacto. Son aquellas que no tienen una alta penetración, pero que tienen un alcance masivo. Como señalamos, el uso de herramientas para hacer simulaciones de políticas públicas sería uno de estos casos. Del mismo modo, herramientas predictivas o clasificatorias de uso singular (por ejemplo, estimación de política fiscal) entran en este grupo y afectan de manera directa a la vida pública.
- Herramientas de uso marginal. Se trata de herramientas con impacto y uso marginal que necesitan replantearse o impulsarse. Múltiples proyectos de IA acaban en este cementerio
- Herramientas de alta implantación. Se trata de herramientas que, si bien no tienen un impacto masivo en la acción pública si que tienen un uso tan compartido que genera efectos en la gestión. El caso más evidente es el de los chatbots, tanto a nivel interno como de atención al público. Si bien es cierto que no afectan al núcleo duro de la política, toda la organización y la relación con el público hacen que supongan cambios reales en la organización y su contexto.
- Herramientas transformadoras. En este último caso, tanto los efectos como la ubicuidad de las herramientas transforman completamente la esfera pública. Un caso podría ser el de herramientas de detección de fraude fiscal o las de identificación facial en términos de seguridad.
La madurez y naturaleza de las herramientas afecta a la posición en el proyecto Herramientas muy complejas que no sean de IA duras solo pueden ser «transformadoras» realizando cambios de fondo en las organizaciones que las adoptan. Las de alto impacto pueden tener un proceso de transición más sencilla, pero generar situaciones que requieren una redefinición interna pública.
Conclusión
Esta tipología es una primera aproximación que, evidentemente, puede mejorarse. En todo caso, el propósito es poder establecer analogías entre herramientas para detectar los retos que suponen, las condiciones necesarias para su éxito y los mecanismos para hacerlas evolucionar si es necesario. En todo caso, si tienes ideas, críticas o lo que sea, estaré encantado de ir mejorando, porque, lo bueno o lo malo de esto, es que todo está bastante por definir.
