Retos y estrategias para gestionar la inteligencia artificial en el sector público

La mayoría de los debates sobre inteligencia artificial (IA) en el sector público giran en torno a sus potenciales beneficios, áreas de aplicación y riesgos relacionados con la privacidad, la seguridad y las cuestiones éticas. Sin embargo, faltan más estudios en profundidad sobre los desafíos organizativos de desarrollar la IA, un aspecto crítico, teniendo en cuenta que los gobiernos se gastan cantidades ingentes de dinero en este ámbito.

Solo en Estados Unidos, el plan de gasto público del Gobierno federal en IA no relacionada con la defensa y el desarrollo superó los mil millones de dólares en 2020. Otros gobiernos están destinando aún más recursos. Por ejemplo, el Gobierno chino prevé invertir más de 30.000 millones de dólares en IA y en tecnologías relacionadas, y solo en la ciudad de Pekín ya se ha gastado 2.000 millones de dólares.

¿A qué desafíos organizativos se enfrentan las organizaciones públicas cuando intentan desarrollar proyectos de inteligencia artificial? Marc Esteve (Esade), Averill Campion (Esade), Mila Gascó Hernández (State University of New York) y Slava Jankin Mikhaylov (Hertie School) responden a esta pregunta en la revista Computer.

Desarrollar la inteligencia artificial en el sector público implica enfrentarse a varios retos que pueden dificultar su éxito. “Nuestro estudio muestra que la mayoría de los desafíos se plantean durante la fase de ejecución y están relacionados con las competencias, la cultura y la resistencia a compartir información debido a problemas relacionados con los datos”, señala el profesor de Esade Marc Esteve.

3 retos de la implementación de la inteligencia artificial

1. Falta de competencias

Uno de los retos comunes a la hora de adoptar la inteligencia artificial en el sector público es la falta de competencias y el analfabetismo en materia de datos. En general, se conoce poco cómo pueden aplicarse las técnicas de la IA para resolver problemas y, por tanto, cómo deben formularse preguntas basadas en los datos.

Abordar esta falta de competencias es esencial a la hora de impulsar proyectos de inteligencia artificial: “Desarrollar proyectos de IA implica, en ocasiones, que las personas en las organizaciones sepan cómo formular preguntas basadas en los datos y cómo responderlas mediante técnicas de inteligencia artificial", señala Marc Esteve.

Uno de los retos comunes a la hora de adoptar la inteligencia artificial en el sector público es la falta de competencias y el analfabetismo en materia de datos

Otro reto importante es intentar formar a los altos directivos de las organizaciones públicas para que puedan formular ellos mismo las preguntas más adecuadas e implicarse en el avance de este tipo de proyectos impulsados por la IA.

2. Falta de una cultura colaborativa

Con frecuencia, los proyectos de IA son de naturaleza colaborativa, lo cual significa que para obtener la información necesaria es preciso compartir datos entre unidades de una misma organización o entre organizaciones distintas.

Para que los proyectos de IA se materialicen, las organizaciones del sector público tienen que estar dispuestas a compartir sus datos. “Nuestras conclusiones indican que la falta de una cultura colaborativa, habituada a compartir datos, se convierte en el principal desafío en la primera fase del proceso de implementación”, advierten los investigadores.

Sus conclusiones también apuntan que el historial de colaboraciones pasadas y la falta de confianza juegan un papel destacado en esta falta de cultura colaborativa.

3. Resistencia a compartir información

Los autores advierten que existe resistencia a la hora de compartir datos: “La mayoría de los participantes en nuestro estudio admitían que, pese a saber que tenían que compartir sus datos con otras organizaciones para el éxito de la IA, no siempre resultaba fácil, debido a algunas características importantes relacionadas con los datos".

“Por ejemplo, aunque la mayoría de los entrevistados mencionaban la importancia de la integración de los datos, también coincidían en señalar que los proyectos de IA requieren un gran número de datos, y ello puede plantear problemas de disponibilidad y de calidad. La calidad de los datos, que incluye aspectos como la coherencia, la integridad, la precisión y la exhaustividad, resulta esencial, sobre todo cuando los datos han de compartirse e integrarse”.

Otro factor que incrementa la resistencia a compartir los datos, según los autores del estudio, es el legítimo temor acerca de su privacidad y la necesidad de garantizar que los datos privados no se pondrán en peligro.

5 estrategias para gestionar la inteligencia artificial en el sector público

En sus conclusiones, los autores identifican las siguientes cinco estrategias para superar los principales problemas que plantea la implementación de la inteligencia artificial. Las estrategias van desde la estandarización de los datos y la formación, a los acuerdos de intercambio de datos, la voluntad política, el apoyo ejecutivo y la gestión de stakeholders.

1. Estandarización de los datos

Para doblegar la resistencia a compartir datos, los investigadores recomiendan abordar el problema de la calidad de los datos, que implica desarrollar una serie estandarizada de directrices y procedimientos de calidad. Esta estrategia podría desembocar en un proceso formal que se alejara de las normas de calidad fragmentadas entre personas y organizaciones y permitiera avanzar hacia normas y marcos más sistemáticos.

2. Formación

Aunque la formación y el desarrollo de competencias constituyen una estrategia importante para implementar con éxito la IA, los investigadores señalan la necesidad de desarrollar la capacidad de sensibilización y de comprensión del valor estratégico de los datos. En otras palabras, es necesario formar a los empleados del sector público sobre cómo pueden convertir un desafío en una pregunta adecuada basada en los datos y ayudarles a entender cómo pueden aprovechar mejor sus datos.

Para que los proyectos de IA se materialicen, las organizaciones del sector público tienen que estar dispuestas a compartir sus datos

3. Acuerdos de intercambios de datos

Llegar a acuerdos de intercambio de datos contribuye a crear confianza entre las unidades y las organizaciones implicadas en proyectos de IA e incrementa su disposición a compartir datos. Estos tipos de acuerdos se convierten en un instrumento para generar confianza entre las organizaciones.

4. Voluntad política y apoyo ejecutivo

A lo largo del proceso de implementación, el apoyo político y ejecutivo proporciona la legitimidad necesaria para seguir impulsando los proyectos de IA, según los autores. “Una regla general aplicable a cualquier organización es que, si una acción cuenta con el respaldo de la dirección y con una directriz clara comunicada a todo el mundo, las puertas se abren muy rápidamente; en caso contrario, podemos estar llamando a la puerta mucho tiempo y puede que nadie nos responda”.

5. Gestión de los stakeholders

“Nuestras conclusiones indican que el desarrollo de la IA implica a menudo colaborar con otras organizaciones, porque los proyectos de IA pueden abarcar campos tan diversos como el maltrato familiar o el bienestar infantil”, señalan los investigadores. “Identificar a los stakeholders implicados en cualquier proyecto de IA, y planificar y ejecutar acciones para interactuar formalmente e informalmente con ellos, se convierte en una estrategia importante de gestión”. Los distintos stakeholders que intervienen en proyectos de IA engloban, entre otros, al equipo técnico, las organizaciones que disponen de los datos que se van a necesitar, y sus beneficiarios (usualmente, los ciudadanos).

Además de estas acciones concretas, para establecer una cooperación a largo plazo también es preciso incrementar la confianza a nivel individual en las organizaciones públicas. “Es esencial hallar un equilibrio entre las estrategias a largo plazo y a corto plazo a la hora de abordar los desafíos de implementación de la IA y, en este aspecto, el liderazgo desempeña un papel clave”.

Los autores concluyen que las acciones a corto plazo contribuyen a abordar los problemas concretos que dificultan la operativa del día a día, mientras que las acciones a largo plazo confieren legitimidad, estabilidad y sostenibilidad al desarrollo de la IA.