Del experimento a la operación: la transformación clave del liderazgo en IA de los gobiernos urbanos

Introducción: Cuando los experimentos de IA se topan con la complejidad de los sistemas urbanos

Cientos de ciudades en todo el mundo están ejecutando proyectos piloto de IA, desde la optimización del flujo de tráfico hasta la automatización de procesos de servicios. Sin embargo, son escasos los casos que realmente pasan de la fase piloto a una implementación a gran escala. Karthik Anbalagan, director general de Tecnologías Emergentes en Granicus, señaló en una entrevista reciente que el problema no radica en la tecnología en sí, sino en cómo los gobiernos urbanos definen el papel de la IA en sus operaciones.

"La diferencia está en si los líderes ven la IA como un proyecto tecnológico o como un sistema operativo". La opinión de Anbalagan apunta directamente a la contradicción central en la construcción actual de ciudades inteligentes: las ciudades suelen tratar la IA como una herramienta independiente, en lugar de como una capacidad integrada en la infraestructura de servicios públicos.

Primer paso: Comenzar con el fin en mente, no con la tecnología

Muchas ciudades inician experimentos de IA sin objetivos claros. Anbalagan sugiere deducir a partir de los objetivos empresariales: priorizar la definición de dos o tres casos de uso y establecer indicadores claros para medir el éxito. Este enfoque, aunque parece simple, contrasta fuertemente con el patrón común de "comprar la herramienta primero y luego buscar el problema".

Desde la perspectiva de la tecnología urbana, esto implica un cambio fundamental: la IA ya no es un elemento de la lista de compras del departamento de tecnologías de la información, sino un modelo de prestación de servicios públicos que los gestores urbanos deben rediseñar. Por ejemplo, para un sistema de IA diseñado para acortar los procesos de aprobación, el criterio de éxito no debería ser cuántas solicitudes procesa, sino cuánto se reduce el tiempo de espera de los residentes y si mejora la satisfacción laboral de los funcionarios públicos.

Establecer un marco de gobernanza: Definir los límites antes del experimento

La seguridad de los datos, la protección de la privacidad y los marcos éticos suelen discutirse apresuradamente después de que surgen los proyectos piloto. Anbalagan enfatiza: "No esperes a después para definir los límites de protección de la seguridad de los datos y la observabilidad".

Para las ciudades, la gobernanza es especialmente crítica. Los gobiernos urbanos gestionan grandes cantidades de datos sensibles de los ciudadanos, desde historiales médicos hasta información fiscal. Un sistema que carece de gobernanza previa, si se desvía, podría destruir la confianza del público en el gobierno digital. Esto exige que las ciudades establezcan desde las primeras etapas de la implementación de la IA un comité de gobernanza transversal que incluya a responsables de asuntos legales, de seguridad y de negocio.

Evitar la propagación de la IA: Integración dual de infraestructura y roles

La "propagación de la IA" es un problema típico al que se enfrentan los gobiernos urbanos: diferentes departamentos adquieren herramientas de IA de forma independiente, lo que genera silos de datos e inversiones duplicadas. Anbalagan sugiere decidir de antemano qué herramientas, infraestructuras y capas de datos pueden reutilizarse entre organizaciones.

Esta recomendación apunta a una actualización arquitectónica de la infraestructura digital urbana. En el futuro, las ciudades necesitarán una capa de plataforma de IA compartida, similar a un sistema operativo urbano, que permita a los distintos departamentos invocar módulos de capacidad unificados. Al mismo tiempo, surgen nuevos roles: un director de gobernanza encargado del cumplimiento normativo y un director de experiencia encargado de identificar cuellos de botella en los procesos de negocio. Esta transformación organizativa es clave para elevar la IA del nivel de proyecto al nivel de sistema.

Dilema presupuestario: De "pagar por token" a "invertir por resultados"Cuando el presupuesto es incierto, las ciudades suelen caer en ciclos de adquisiciones a corto plazo. Anbalagan propone tres estrategias:

1. Trasladar la conversación de la cantidad de tokens a los resultados del negocio — por ejemplo, si el costo por transacción es sostenible. Si el proveedor no puede vincular el uso con los resultados comerciales, es una señal de alerta.
2. Comprender la previsibilidad de costos en lugar de la mera eficiencia de costos — ¿existe un límite de uso? ¿Mecanismos de protección de precios? Si no, se enfrenta al riesgo de costos ilimitados.
3. Seleccionar socios optimizados — aquellos que no trasladan directamente el costo del modelo de IA original, sino que toman decisiones arquitectónicas basadas en el caso de uso.

Desde la perspectiva de la ciudad, esto es esencialmente construir un modelo de gasto de "pago por uso" pero "impulsado por resultados". Las ciudades necesitan estructurar el modelo financiero de los servicios de IA como si construyeran redes de agua y electricidad: estable, predecible, basado en el volumen real de servicio en lugar del consumo de poder computacional.