Una de las conversaciones más necesarias del encuentro regional Conecta IA organizado por RIL y BID Lab fue, también, una de las más incómodas: ¿por qué puede fallar un proyecto de inteligencia artificial en el sector público? La pregunta, planteada en el primer panel del evento por Delfina Irazusta (RIL) y Fernando Vargas (BID), permitió correr la discusión del entusiasmo tecnológico hacia un terreno mucho más relevante para los gobiernos locales de América Latina: las capacidades, los procesos, los datos y las decisiones institucionales que hacen posible —o inviable— una implementación real.
La primera conclusión es contundente: la inteligencia artificial no falla, necesariamente, por el algoritmo. Muchas veces falla porque el problema público no estaba bien definido, porque los datos no estaban listos, porque el equipo no tenía tiempo, porque la organización compró tecnología antes de saber qué quería transformar o porque se intentó insertar una solución sofisticada dentro de un proceso mal diseñado. En otras palabras, la IA no resuelve automáticamente los déficits previos de gestión. En muchos casos, simplemente los hace más visibles.
Fernando Vargas propuso una idea especialmente útil para ordenar la conversación: la inteligencia artificial no es magia digital, sino una tecnología de predicción. Esta definición, aparentemente simple, cambia por completo la forma en que los gobiernos deberían aproximarse a su adopción. Si la IA predice, entonces necesita datos, capacidad de cómputo, algoritmos y personas capaces de diseñar, interpretar y gobernar esos sistemas. Pero también implica aceptar una característica central: no es una tecnología de certezas absolutas. Es probabilística. Puede equivocarse, puede responder distinto ante una misma consulta y puede generar resultados no esperados.
Esto obliga a los gobiernos a abandonar dos extremos igualmente riesgosos. Por un lado, la fascinación ingenua que asume que la IA resolverá por sí sola problemas estructurales. Por otro, el miedo paralizante que lleva a descartar una solución ante el primer error. El desafío está en diseñar sistemas capaces de aprender, corregir y escalar con responsabilidad. Allí aparece una tensión clave: cuánta autonomía otorgar a una solución y en qué momentos incorporar supervisión humana. Cuanto más se automatiza, mayor puede ser la eficiencia, pero también se acumula el riesgo de error. Cuanto más control humano se incorpora, menor es el riesgo, pero también pueden perderse beneficios de productividad. No hay una fórmula universal: cada caso requiere criterio público, conocimiento del problema y una evaluación clara del nivel de criticidad del servicio.
Otra conclusión central del panel fue la necesidad de reconocer la asimetría de información entre gobiernos y proveedores tecnológicos. Las startups suelen conocer mejor la tecnología, pero los gobiernos conocen —o deberían conocer— mejor el problema, el territorio, la normativa y las condiciones reales de implementación. Cuando el gobierno no logra traducir bien su desafío, aumenta la probabilidad de recibir soluciones poco pertinentes. Y cuando el proveedor intenta vender únicamente el producto que ya tiene, sin adaptarlo al contexto institucional, difícilmente genere impacto sostenible. La colaboración GovTech requiere, por lo tanto, una conversación más madura entre demanda pública y oferta tecnológica.
El panel también dejó una advertencia relevante para América Latina: incorporar IA no consiste simplemente en automatizar una tarea aislada. Muchas veces los gobiernos identifican una etapa puntual que podría hacerse más rápido con tecnología, pero si el resto del proceso sigue siendo ineficiente, fragmentado o confuso, el impacto será limitado. La oportunidad está en analizar el proceso completo, entender dónde se generan las demoras o los errores y evaluar cómo la IA puede contribuir dentro de una estrategia más amplia de mejora. La tecnología puede potenciar un buen diseño institucional, pero difícilmente compense problemas estructurales de gestión.
La gran lección del panel no fue que los gobiernos deban evitar fallar. Fue que deben construir condiciones para fallar mejor: con pilotos controlados, sandboxes institucionales, aprendizaje compartido, datos preparados, procesos revisados y equipos capaces de convertir la experimentación individual en conocimiento organizacional.
En materia GovTech, América Latina no necesita promesas mágicas. Necesita gobiernos que entiendan sus problemas, proveedores que sepan adaptarse al contexto público y ecosistemas capaces de transformar el error en aprendizaje. Esa puede ser la diferencia entre repetir los fracasos de olas tecnológicas anteriores o aprovechar esta vez la inteligencia artificial para generar verdadero valor público.
Por Luciano Crisafulli, Director de CIIAR, Red de Innovación Local (RIL)
