La implementación de la inteligencia artificial (IA) ha tomado impulso en todos los sectores, pero el entorno público enfrenta desafíos específicos que complican su adopción. A diferencia de las empresas privadas que pueden beneficiarse de la infraestructura en la nube y del acceso a grandes volúmenes de datos, las instituciones gubernamentales deben navegar entre un laberinto de regulaciones, preocupaciones de seguridad y la necesidad de mantener el control sobre información sensible. En este contexto, los modelos de lenguaje pequeños (SLMs) se presentan como una alternativa viable, permitiendo que las organizaciones estatales operen la IA de manera segura y controlada, adaptada a sus particularidades. Según un estudio de Capgemini, esta necesidad de atención al control de datos es un factor crucial en la implementación de la IA en entornos públicos, donde los riesgos asociados son considerablemente mayores que en el sector privado.
Entre los desafíos más destacados para la adopción de la IA en el sector público se encuentra la infraestructura tecnológica. Las agencias gubernamentales suelen operar en condiciones donde la conectividad a internet es limitada y, a menudo, inestable, un hecho que impide la implementación de soluciones que dependen de servicios en la nube. Este contexto crea una dependencia de sistemas que pueden trabajar offline, lo que dificulta la integración de modelos de lenguaje grandes (LLMs). Al respecto, expertos como Xiao subrayan que muchas de las iniciativas de IA en el sector público no avanzan más allá de la fase de prueba debido a estas restricciones operativas. Por ello, los SLMs surgen como una solución eficiente, que facilita una operación continua sin comprometer la seguridad de los datos.
Los SLMs no solo son más efectivos en entornos con capacidades limitadas, sino que también ofrecen un enfoque más específico y seguro para el manejo de datos en el sector público. A diferencia de los LLMs, que requieren considerablemente más potencia computacional, los SLMs son diseñados a la medida de las necesidades de cada entidad gubernamental. Esto significa que pueden ser alojados localmente, permitiendo que las instituciones mantengan un control total sobre sus datos y protejan la información sensible. La recopilación de datos se lleva a cabo de manera que solo se recupera información relevante, minimizando riesgos de errores y sesgos, lo cual es fundamental cuando se manejan datos críticos y confidenciales.
Más allá del manejo de datos, la IA tiene el potencial de transformar la eficiencia operativa del sector público mediante mejoras en los sistemas de búsqueda y gestión de información. La capacidad de los SLMs para procesar y clasificar grandes volúmenes de información no estructurada promete revolucionar cómo las entidades gubernamentales acceden y gestionan su valiosa información. Esto incluye documentos técnicos, actas de reuniones y reportes, permitiendo a los empleados entender mejor y utilizar la información disponible para la toma de decisiones. Como destaca Xiao, el sector público no siempre está consciente de las posibilidades que ofrece la IA para optimizar su operativa, y es crucial que se exploren soluciones más allá de los simples chatbots.
Finalmente, al centrar la atención en los SLMs, se redirige la conversación sobre inteligencia artificial de cuestiones de escala a cuestiones de eficacia y eficiencia. Al ser modelos menos costosos y menos intensivos en recursos, los SLMs son más accesibles para muchas instituciones gubernamentales que luchan con restricciones presupuestarias. Además, estos modelos pueden ser diseñados para cumplir con regulaciones como el GDPR en Europa, lo que asegura que el uso de la IA en el sector público sea tanto ético como transparente. Al mantener los datos en servidores locales, las organizaciones pueden operar con mayor autonomía y relevancia, asegurando que la IA contribuya a decisiones informadas en lugar de convertirse en una carga. En última instancia, la clave para avanzar eficazmente en la adopción de la IA en el sector público radica en encontrar formas de utilizar la tecnología que respeten las limitaciones operativas y garanticen la seguridad de la información.
