Uno de los temas que marcan nuestro presente y van a marcar aún más nuestro futuro es la Inteligencia Artificial (IA). La conjunción de datos, información, capacidad de proceso y alcance de algunas iniciativas empiezan a mostrar algunas pistas de por dónde puede ir el futuro. Esto suele llevar a la pregunta de «por dónde va a ir el asunto en el sector público». Así que, aprovechando que estoy estudiando un poco estas cosillas de los datos, el Machine Learning y demás, y he trabajado un tiempo sobre el tema Sector Público, quiero hacer unas cuantas aclaraciones conceptuales. Aquí os hablo del matrimonio entre IA y Administraciones Públicas.
No es IA todo lo que es algoritmo
Vayamos por partes. Lo primero es que se tiende a identificar IA con Algoritmos. Este es el primer problema que nos encontramos. La IA es la metodología o técnica que permite que una máquina pueda generar outputs óptimos ante un entorno no previsto. Es decir, le dejas un montón de fotos y distingue (como en Silicon Valley) cuando algo es un perrito caliente y cuando no lo es. Una IA utiliza uno (o varios, posiblemente muchos) algoritmos, que no dejan de ser operaciones que, a partir de una serie de inputs dan lugar a un output.
Es decir, un algoritmo es algo tan simple como hacer una suma, calcular un promedio o decidir si un número está dentro de un rango o no. Hay miles de programas que utizan algoritmos (básicamente, los programas son algoritmos) que no son IA. Es por eso que no siempre que tenemos un algoritmo tenemos una IA y que no siempre que una máquina, tras recibir una colección de números devuelve otro, tampoco es el caso.
Si damos una vuelta de tuerca, el Machine Learning es una metodología que permite que el agente (el ordenador) pueda crear y perfeccionar el sistema por el que su IA funciona. Es decir, que a partir de cientos de fotos, vaya aprendiendo a cómo distinguir perritos calientes o no.
¿Cuándo hablamos de IA y Administraciones Públicas?
Cuando hablamos de robotización de las AAPP normalmente entendemos que nos referimos a aplicar IA a tareas de las AAPP. Esto nos lleva a una serie de consideraciones.
- Aplica Inteligencia Artificial: Esto es lo primero. Las AAPP llevan años (muchos) aplicando algoritmos que no son IA. Establecer, por ejemplo, cuanto te toca a pagar de IBI, es un algoritmo aplicado a una tarea de la Administración, pero las condiciones (conocer el estado del titular, las condiciones y el valor del inmueble) están muy lejos de no ser previsibles.
- Aplicada a una tarea de la Administración. Aquí tenemos un debate típico de cualquier estudiante de Ciencia de la Administración. ¿Qué es de la Administración? ¿Si usamos IA para estimar precios de la publicidad en un canal de televisión público es IA aplicada a las AAPP? Yo apostaría a que son tareas propias (o relacionadas) con la acción pública.
- El grado de implantación en la tarea o área. En muchas ocasiones las aplicaciones de IA son más bien «transversales». Es decir, es más fácil que el sistema de IA mejore una tarea que afecta a varias áreas dentro de las AAPP parcialmente (por ejemplo, prever picos de trabajo) que a un departamento completo (mejorar el sistema de un servicio integramente).
Así que digamos que podríamos hablar de la aplicación directa de la IA a una tarea que afecta a las funciones públicas de manera total o parcial, ¿no? Sigamos.
¿Qué necesitamos para aplicar la IA a las Administraciones Públicas?
La cuestión, ahora, es saber qué se necesita para que las AAPP puedan hacer esto.
- Datos. Da igual que queramos mucho IA, sin datos no hay nada que echarle al bicho para que concluya nada. Estos pueden ser estructurados o desestructurados, pero necesitamos que estén. Cuanto más estructurados y normalizados estén mejor. Otra cosa es que no lo estén, o que, en algún momento estos datos salgan del sistema y pierdan transaccionalidad (como nos contaba Matilde Castellanos aquí).
- Tener una idea del problema. Esto es algo que diría un profe de metodología, pero no por ello menos importante. ¿Para qué queremos aplicar la IA? ¿Qué queremos resolver? Incluso teniendo muy buenas IA, pero elegir qué tipo de IA depende de lo que queramos lograr ¿Elegir un curso de futuro probable? ¿Clasificar entidades?
- Tener una idea de cuál es el resutlado deseable. Esto da para mucho, y prometo un post, pero aquí os apunto algo. Cuando una IA es una manera de enfrentarse a un entorno no previsto para tener la decisión optima, necesitamos saber a qué se parece una decision buena. El sector privado lo tiene más o menos fácil (el dinero que ganas o la que ahorras), y otros casos también (un tumor benigno o maligno), pero la duda de qué es lo bueno en lo público es uno de nuestros problemas de siempre jamás. ¿Cuándo un empelado público es bueno? ¿Qué es una administración que tramita bien? ¿Cuándo una expropiación ha tenido un precio realmente justo? Esto tiene un punto adicional: a veces estos datos no hay por donde encontrarlos ¿podemos prever qué contratos pueden ser fraudulentos si no tenemos una base de datos de contratos implicados en causas de corrupción?
- Los algoritmos (o la IA, a ser posible). Hacer una IA es algo muy caro. Muchísimo, son horas de trabajo de personal muy cualificado con equipos bastante grandes. Claro que las hay libres y abiertas, pero no siempre son totalmente extrapolables. La cuestión es que o bien haces la tuya (a ver de dónde sacas para hacer algo específico) o usas una ya hecha. Esto tiene dos implicaciones: no podrás aplicar la IA a cualquier cosa sin medios, y, al final, acabarás usando las que estén más disponibles.
En qué condiciones es más aplicable la IA a las Administraciones Públicas
Normalmente escuchamos que la robotización y la IA son útiles para tareas rutinarias o de consumo extenso de recursos. A partir de ahí es fácil dar el salto a decir que la IA tendrá especial aplicación para la intervención o la asesoría legal.
Lo cierto es que la IA tiene especial aplicación en las condiciones que decimos: incertidumbre, datos, identificación del output (para poder entrenarla) y modelos existentes.
En muchos casos las AAPP no tienen estos problemas porque, la gran parte de las «tareas rutinarias» carecen del primer ingrediente: la incertidumbre. El uso de algoritmos para cuestiones como, por ejemplo, autorizar operaciones o gastos es algo tecnológicamente disponible desde hace años. Cualquier gestor de expedientes de hace una década ya tenía sus reglas para decir si un gasto era conforme a la norma o no… Ahí la IA no tiene mucho sentido.
Otro punto en el que posiblemente nos demos con un escollo es la estimación de precios en contratos públicos. Gracias a mi colaboración con Gobierto tenemos una base de datos (no muy antigua, eso sí) de contratos, pero nos faltaría tener más contratos (faltan menores) y más antiguos para tener algo más claro cuánto es razonable pagar por limpiar un municipio de 10000 habitantes al año.
Otro punto donde podemos aplicarlo es en la selección de personal en las AAPP (imaginad sustituir parte de una oposición por una AI que nos permita proponer a candidatos venir a hacer las pruebas). Sin embargo, no tenemos una idea de cómo identificar en «datos» una persona que trabaje bien en el sector público, así que no podemos ni definir el output ni entrenar nada.
Por último, podríamos aplicar la IA para definir qué tipo de tareas o formación podríamos aplicar a menores conflictivos para su reinserción. Sin embargo, no estoy muy seguro de tener algo así a corto plazo porque posiblemente la especificidad del modelo no permita un uso óptimo de los modelos más aplicables en el mercado.
El peliagudo tema de la legitimidad.
Por último, y no por menos importante, está la cuestión de la legitimidad de la decisión: ¿Está la tecnología lo bastante madura para aceptar el dictamen de una máquina sobre cuestiones que marcan el futuro? E, incluso siendo así ¿estaríamos socialmente dispuestos a aceptarlo? Esto no es ciencia ficción, el problema del COVID19 ha hecho que Reino Unido intentara aplicar una IA para sustituir la selectividad (no fácil de hacer) de los estudiantes de bachiller, generando, no sólo resultados mejorables, sino un debate de fondo sobre la pertinencia del modelo.
Esta situación se puede dar cientos de veces. Imaginemos que una IA decida de qué manera distribuir las ayudas sociales por diferentes tipos según el impacto que puedan tener, de manera que la política de subvenciones (o de I+D) esté definida por la IA… Esto ya es una cuestión de fondo para cuando todo lo anterior esté resuelto.
¿Hacia dónde va la IA en las AAPP?
No creo que podamos hablar tanto de futuro como de presente. La IA ya se utiliza en el sector público y de manera mucho más frecuente y visible de lo que creemos. La aplicación de bots para la atención ciudadana es algo cada vez más común y frecuente.
También agencias con muchos datos y capacidad de definir el output (la Agencia Tributaria) ya lo aplica para cuestiones de fraude. Esto también es posible porque el uso de IA para prever fraude es uno de los tops en el sector privado en compañías de seguros
Sin embargo, volviendo a uno de los principios, creo que la IA va a tener, al menos un arranque más lento en lo público para ir más allá. Si miramos la lista de aplicaciones principales tanto por sectores como por tareas vemos que el salto más complejo (crear o aplicar modelos al sector) requiere una adaptación que hace pensar que el salto a una aplicación general (y operativa) llevará un tiempo de adaptación importante. No quiero decir que no haya aproximaciones locales o específicas, sino que grandes cambios o revoluciones llevarán rato, desde luego por la complejidad técnica, pero también por el debate político a tener en cuenta.
