Inteligencia Artificial Responsable para el Bien Social: Casos de Uso y Lecciones Aprendidas

Dentro del marco de nuestros seminarios semanales, la Escuela de Gobierno y Transformación Pública recibió al Dr. Kit Rodolfa, Director de Investigación en el Regulation, Evaluation, and Governance Lab (RegLab) de la Universidad de Stanford, quien presentó la ponencia “Inteligencia Artificial Responsable para el Bien Social: Casos de Uso y Lecciones Aprendidas”. En este seminario se abordaron los riesgos y oportunidades del uso de herramientas de Inteligencia Artificial (IA) y Aprendizaje Automático (ML) en contextos gubernamentales y de política pública con alto impacto social.

La presentación se centró en cómo estas tecnologías, cuando se implementan de forma responsable, pueden modernizar la prestación de servicios públicos y contribuir a resolver problemas estructurales como la escasez de personal, el rezago en la atención de casos o la ineficiencia de procesos administrativos. No obstante, también se destacó que su aplicación descuidada puede generar o amplificar riesgos que afectan directamente a las personas que los programas públicos buscan proteger. A partir de diversos estudios de caso, se reflexionó sobre los desafíos y aprendizajes que surgen al aplicar IA en escenarios reales.

Entre los casos abordados se incluyeron iniciativas como la prevención de rupturas en tuberías de agua en Syracuse, el uso de visión computacional para la protección ambiental en colaboración con agencias estatales y organizaciones civiles, y la identificación de viviendas abandonadas en Baltimore mediante modelos alimentados con información estructural y satelital. También se discutieron experiencias en salud pública en Chicago, como el uso de IA para prevenir intoxicaciones por plomo en niños. En todos los casos se subrayó la importancia de entender el contexto institucional y operativo donde se aplican los modelos, así como el valor de integrar datos diversos y relevantes, muchas veces dispersos o no digitalizados.

Finalmente, se destacó que la equidad en los modelos de IA debe concebirse como un objetivo explícito. Kit compartió que en los proyectos del RegLab han observado que es posible mejorar métricas de equidad sin comprometer significativamente la precisión de los modelos. Además, se enfatizó que la equidad no solo depende de los algoritmos, sino del diseño y la implementación del sistema en su conjunto.