El auge de la IA ha impactado en todas las industrias, y las organizaciones del sector público se enfrentan a la presión de acelerar su adopción. Al mismo tiempo, las instituciones gube amentales se enfrentan a limitaciones distintas en to o a la seguridad, la gobe anza y las operaciones que las diferencian de sus homólogos empresariales. Por esta razón, los modelos de lenguaje pequeños (SLM) diseñados específicamente ofrecen un camino prometedor para implementar la IA en estos ento os.
Un estudio de Capgemini reveló que el 79 por ciento de los directivos del sector público a nivel global se muestran recelosos ante la seguridad de los datos de la IA, una cifra comprensible dada la elevada sensibilidad de los datos gube amentales y las obligaciones legales que rodean su uso. Como señala Han Xiao, vicepresidente de IA en Elastic: “Las agencias gube amentales deben ser muy restrictivas respecto al tipo de datos que envían a la red. Esto establece muchos límites sobre cómo conciben y gestionan sus datos”.
La necesidad fundamental de control sobre la información sensible es uno de los muchos factores que complican el despliegue de la IA, especialmente cuando se compara con las suposiciones operativas estándar del sector privado.
Desafíos operativos únicos
Cuando las entidades del sector privado desarrollan la IA, suelen asumir que se cumplirán ciertas condiciones, incluida la conectividad continua a la nube, la dependencia de infraestructuras centralizadas, la aceptación de una transparencia de modelo incompleta y restricciones limitadas en el movimiento de datos. Sin embargo, para muchas instituciones estatales, aceptar estas condiciones podría ser desde peligroso hasta imposible.
Las agencias gube amentales deben garantizar que sus datos permanezcan bajo su control, que la información pueda ser comprobada y verificada, y que las interrupciones operativas se mantengan en un mínimo absoluto. Al mismo tiempo, a menudo tienen que operar sus sistemas en ento os donde la conectividad a inte et es limitada, poco fiable o no está disponible. Estas complejidades impiden que muchos prometedores proyectos piloto de IA del sector público avancen más allá de la experimentación. «Mucha gente infravalora el desafío operativo de la IA», afirma Xiao. «El sector público necesita que la IA funcione de forma fiable con todo tipo de datos y que luego sea capaz de crecer sin interrupciones. La continuidad de las operaciones a menudo se subestima». Una encuesta de Elastic a líderes del sector público reveló que el 65 por ciento tiene dificultades para utilizar los datos de forma continua en tiempo real y a escala.
Las limitaciones de infraestructura agravan el problema. Las organizaciones gube amentales también pueden tener dificultades para obtener las unidades de procesamiento gráfico (GPU) utilizadas para entrenar y acceder a modelos complejos de IA. Como señala Xiao, «el Gobie o no suele comprar GPU, a diferencia del sector privado; no están acostumbrados a gestionar infraestructuras de GPU. Por lo tanto, acceder a una GPU para ejecutar el modelo es un cuello de botella para gran parte del sector público».
Un modelo más pequeño y más práctico
Los numerosos requisitos innegociables del sector público hacen que los modelos de lenguaje grandes (LLM) sean inviables. Pero los SLM pueden alojarse localmente, ofreciendo mayor seguridad y control. Los SLM son modelos de IA especializados que suelen utilizar miles de millones en lugar de cientos de miles de millones de parámetros, lo que los hace mucho menos exigentes computacionalmente que los LLM más grandes.
El sector público no necesita construir modelos cada vez más grandes alojados en ubicaciones exte as y centralizadas. Un estudio empírico reveló que los SLM funcionaban tan bien o mejor que los LLM. Los SLM permiten utilizar información sensible de forma efectiva y eficiente al tiempo que evitan la complejidad operativa de mantener modelos grandes. Xiao lo expresa así: “Es fácil usar ChatGPT para hacer corrección de textos. Es muy difícil ejecutar tus propios modelos de lenguaje grandes con la misma fluidez en un ento o sin acceso a la red.”
Los SLM están diseñados a medida para las necesidades del departamento u organismo que los utilizará. Los datos se almacenan de forma segura fuera del modelo y solo se accede a ellos únicamente cuando se consultan. Prompts cuidadosamente elaborados garantizan que solo se recupere la información más relevante, lo que proporciona respuestas más precisas. Utilizando métodos como la recuperación inteligente, la búsqueda vectorial y la fundamentación en fuentes verificables, se pueden construir sistemas de IA que satisfagan las necesidades del sector público.
Por tanto, la siguiente fase de adopción de la IA en el sector público podría ser llevar la herramienta de IA a los datos, en lugar de enviar los datos a la nube. Gartner predice que para 2027, los modelos de IA pequeños y especializados se utilizarán tres veces más que los LLM.
Capacidades de búsqueda superiores
“Cuando en el sector público se oye hablar de IA, probablemente piensan en ChatGPT. Pero podemos ser mucho más ambiciosos”, dice Xiao. “La IA puede revolucionar la forma en que el gobie o busca y gestiona las grandes cantidades de datos que tiene.”
Mirar más allá de los chatbots revela una de las oportunidades más inmediatas de la IA: una mejora drástica en la búsqueda. Al igual que muchas organizaciones, el sector público posee montañas de datos no estructurados, incluidos informes técnicos, documentos de contratación pública, actas y facturas. Sin embargo, la IA actual puede ofrecer resultados obtenidos de medios diversos, como PDFs legibles, escaneos, imágenes, hojas de cálculo y grabaciones, y en varios idiomas. Todo esto puede ser indexado por sistemas impulsados por SLM para proporcionar respuestas personalizadas y redactar textos complejos en cualquier idioma, garantizando al mismo tiempo que los resultados cumplen la normativa legal. “El sector público tiene muchos datos y no siempre saben cómo utilizarlos. No saben cuáles son las posibilidades”, afirma Xiao.
Aún más potente, la IA puede ayudar a los funcionarios públicos a interpretar los datos a los que acceden. “La IA actual puede ofrecer una perspectiva completamente nueva sobre cómo aprovechar esos datos”, afirma Xiao. Un SLM bien entrenado puede interpretar normas legales, extraer información clave de las consultas públicas, apoyar la toma de decisiones ejecutivas basada en datos y mejorar el acceso público a los servicios y la información administrativa. Esto puede contribuir a mejoras drásticas en la forma en que el sector público lleva a cabo sus operaciones.
La promesa de los lenguajes de bajos recursos
Centrarse en los SLM desplaza el debate de la exhaustividad del modelo a su eficiencia. Los LLM implican costes significativos de rendimiento y computación, y requieren hardware especializado que muchas entidades públicas no pueden permitirse. A pesar de requerir algunos gastos de capital, los SLM son menos intensivos en recursos que los LLM, por lo que tienden a ser más económicos y a reducir el impacto medioambiental.
Los organismos del sector público suelen enfrentarse a rigurosos requisitos de auditoría, y los algoritmos de los SLM pueden documentarse y certificarse como transparentes. Algunos países, especialmente en Europa, también cuentan con regulaciones de privacidad como el RGPD que los SLM pueden diseñarse para cumplir.
Los datos de entrenamiento a medida producen resultados más específicos, reduciendo los errores, sesgos y alucinaciones a los que la IA es propensa. Según explica Xiao, “Los grandes modelos de lenguaje generan texto basándose en los datos con los que fueron entrenados, por lo que hay una fecha de corte en su proceso de entrenamiento. Si preguntas sobre algo posterior a esa fecha, alucinará. Podemos resolver esto forzando al modelo a trabajar a partir de fuentes verificadas.”
También se minimizan los riesgos al mantener los datos en servidores locales, o incluso en un dispositivo específico. No se trata de aislamiento, sino de autonomía estratégica para fomentar la confianza, la resiliencia y la relevancia.
Al priorizar modelos específicos para cada tarea, diseñados para ento os que procesan datos localmente, y al monitorear continuamente el rendimiento y el impacto, las organizaciones del sector público pueden construir capacidades de IA duraderas que apoyen decisiones del mundo real. «No empiecen con un chatbot; empiecen con la búsqueda», aconseja Xiao. «Gran parte de lo que consideramos inteligencia artificial consiste en encontrar la información adecuada».
Este contenido ha sido producido por Insights, el área de contenido a medida de MIT Technology Review. No fue escrito por el equipo editorial de MIT Technology Review. Fue investigado, diseñado y redactado por escritores, editores, analistas e ilustradores humanos. Esto incluye la redacción de encuestas y la recopilación de datos para las mismas. Las herramientas de IA que se hayan podido utilizar se limitaron a procesos de producción secundarios que fueron sometidos a una exhaustiva revisión humana.