Lo que Albert, Pair y Redbox le enseñan a América Latina sobre IA en gobierno
Francia apostó por la soberanía y tropezó. Singapur fue pragmático y escaló. Reino Unido construyó internamente y después lo cerró. Tres modelos, tres lecciones — y una pregunta que América Latina todavía no responde.
Modelos open source en infraestructura estatal. El componente ciudadano falló; el de agentes públicos evolucionó.
DINUM · Mistral · Llama 3
LLMs comerciales dentro de perímetro seguro. 60K usuarios, 46% ahorro en tiempo.
GovTech · OGP · 10M+ msgs
Prototipo interno escalado a 6K usuarios. Cerrado para migrar a herramientas especializadas.
i.AI · Humphrey · Consult
Cuando un gobierno decide incorporar IA a sus operaciones, tiene que tomar una decisión que rara vez se explicita: ¿construir, comprar o algo intermedio? Los tres casos más documentados de asistentes de IA gubernamentales muestran por qué la respuesta no es obvia.
Francia: la apuesta soberana que chocó con la realidad
En abril de 2024, el primer ministro Gabriel Attal presentó Albert con ambición declarada: poner la IA al servicio de la administración francesa, sin depender de plataformas extranjeras. El proyecto, desarrollado por la DINUM, usó modelos de código abierto — Mistral 7B y Llama 3 — ejecutados en infraestructura estatal.
Albert no era un solo producto sino un ecosistema: Albert API (conexión a modelos), Albert Conversation (chatbot para agentes), Albert Data (agregador de datos normativos de Légifrance) y Albert France Services (asistente para centros de atención ciudadana).
El componente ciudadano fue el que falló. Se probó en 48 centros con unos 60 consejeros. Los sindicatos reportaron errores significativos — respuestas incorrectas, información desactualizada, casos documentados como decirle a un ciudadano que renovar una cédula perdida era gratuito cuando no lo es. En enero de 2026, la DINUM anunció que Albert France Services no se generalizaría en su forma actual.
Pero Albert no murió. El componente para agentes públicos evolucionó hacia "Assistant IA", en prueba con 10.000 funcionarios hasta junio de 2026. Lo que se descartó fue la implementación prematura al ciudadano, no la arquitectura soberana.
La soberanía tecnológica es un objetivo legítimo, pero un modelo abierto en infraestructura propia no garantiza calidad. Si el producto no funciona bien, la soberanía es irrelevante — nadie lo va a usar. Francia acertó en la arquitectura y falló en la ejecución. El presupuesto de la DINUM para IA: apenas 1,2M€ anuales.
Singapur: pragmatismo seguro que sí escaló
En el otro extremo, Singapur desplegó Pair — una suite desarrollada por Open Government Products (OGP) dentro de GovTech. No intentó construir modelos propios. Usó LLMs comerciales con una condición no negociable: los datos se quedan dentro del perímetro gubernamental.
Los números: más de 60.000 usuarios registrados, 20.000 activos semanalmente, más de 10 millones de mensajes. Los funcionarios reportan un ahorro del 46% en tiempo dedicado a tareas administrativas. Disponible sin costo para todos los funcionarios en dispositivos gubernamentales.
La clave está en la especialización: Pair Chat para consultas generales, Pair NOMs para actas de reunión (horas reducidas a minutos), Pair Search para debates parlamentarios y legislación. También desarrollaron Sensemaker (3 millones de documentos analizados, 5.000 horas-persona ahorradas) y Kaki para reportes ciudadanos vía WhatsApp.
No necesitas soberanía total para gobernar la IA con seriedad. Singapur controla dónde se ejecutan los modelos, qué datos tocan y quién accede a los logs. La inversión no está en construir modelos sino en construir herramientas especializadas que resuelven problemas que los funcionarios reconocen como reales. El 46% de ahorro viene de entender que redactar actas era un problema que valía la pena resolver.
Reino Unido: construir, aprender, soltar
El caso más instructivo porque recorrió el ciclo completo. En 2024, el Incubator for AI (i.AI) lanzó Redbox: una plataforma en AWS que daba acceso a los principales LLMs y permitía cargar documentos hasta nivel "Official Sensitive".
Redbox nació de un hackathon, se escaló a Downing Street, y llegó a 6.000+ usuarios y 1,3 millones de mensajes. Funcionaba. Pero en 2025, cuando Copilot y Gemini se desplegaron con fuerza, i.AI cerró Redbox para redirigir recursos hacia herramientas especializadas.
Lo que surgió fue Humphrey: Consult (consultas públicas, 8.000 horas ahorradas), Parlex (debates parlamentarios), Minute (transcripción), Lex (búsqueda en legislación), y Caddy (atención ciudadana). Un ensayo con 20.000 funcionarios estimó un ahorro de casi dos semanas por persona al año.
Construir internamente tiene valor enorme como aprendizaje institucional. Pero sostener un producto genérico cuando el mercado lo ofrece no tiene sentido. La clave: saber qué construir (lo que nadie más puede) y qué comprar (lo que el mercado ya resolvió). Y tener la honestidad institucional de cerrar lo que ya no se justifica.
Lo que tienen en común (y lo que LATAM no tiene)
Equipos técnicos internos
DINUM, OGP, i.AI. No masivos — pero dentro del Estado, con capacidad de construir, evaluar y decidir. Sin eso, el gobierno es un comprador ciego.
Clasificación de datos clara
Los tres definen qué nivel de clasificación puede procesarse con IA y bajo qué condiciones. En LATAM, esa clasificación no existe.
Capacidad de iterar sin vergüenza
Francia discontinuó, UK cerró, Singapur evoluciona. Ninguno trató un piloto fallido como fracaso institucional — lo trató como información.
Inversión sostenida
No son lanzamientos de una vez — son programas con presupuesto recurrente. En LATAM, la IA gubernamental vive de proyectos con financiamiento puntual.
¿Qué modelo le sirve a Chile?
Ninguno se puede copiar directamente. Chile no tiene un campeón nacional de IA (como Mistral en Francia), ni un GovTech con autonomía (como Singapur), ni una tradición de gobierno digital de más de una década (como UK).
Pero tiene datos públicos valiosos, una Política Nacional de IA, una Estrategia de Gobierno Digital 2030, y equipos técnicos con capacidad real en algunos organismos.
Lo que no tiene — y lo que estos tres casos muestran como condición mínima — es un equipo central con mandato para construir herramientas de IA para el Estado, evaluar las del mercado, y definir estándares de seguridad y gobernanza que apliquen transversalmente.
La lección más profunda de Albert, Pair y Redbox no es técnica. Es institucional: la IA en gobierno no funciona como proyecto — funciona como capacidad. Y las capacidades se construyen con equipos, presupuesto y tiempo. No con lanzamientos.