Rediseño del Estado mediante IA Agéntica y el Marco TRIAL
Hacia una Productividad Gubernamental de Nueva Generación mediante Sistemas Autónomos
Versión 1.0 — Elaborado con base en el seminario de Elsewhen y fuentes académicas y de consultoría internacionales.
Contenido
Resumen Ejecutivo
La inteligencia artificial en el sector público ha superado la etapa de los asistentes personales para ingresar a la era de la productividad empresarial agéntica. Este documento propone un cambio de paradigma: pasar de herramientas que mejoran la eficiencia individual a sistemas autónomos capaces de rediseñar procesos gubernamentales complejos de extremo a extremo.
A través del Marco TRIAL — un instrumento de calificación de oportunidades con cinco dimensiones operacionales — se presenta una metodología replicable para identificar, priorizar e implementar casos de uso de alto impacto y bajo riesgo.
Dirigido a directivos de tecnología, líderes de modernización del Estado y equipos de gestión de compras gubernamentales.
1. El Salto hacia la Productividad Empresarial
1.1 De Asistentes a Agentes
La mayoría de las instituciones públicas han comenzado a experimentar con IA a nivel de usuario — asistentes de chat, copilotos, herramientas de resumen. Sin embargo, estas soluciones operan como mejoras individuales: ayudan a un funcionario a redactar mejor o a buscar información más rápido, pero no transforman el flujo institucional.
La IA Agéntica representa un salto cualitativo. Un agente de IA no se limita a responder preguntas: es un sistema que percibe su entorno, planifica secuencias de acción, ejecuta tareas de múltiples pasos y adapta su comportamiento en tiempo real. Mientras un asistente mejora la tarea de un individuo, un ecosistema de agentes transforma el flujo de toda la organización.
Deloitte identifica esta transición como el paso de un modelo de "herramienta bajo demanda" a uno de "inteligencia bajo demanda", donde humanos y agentes de IA colaboran de forma fluida.
1.2 El Contexto Latinoamericano
Un estudio publicado en 2025 en revistas de gestión pública analizó las experiencias de Brasil, Colombia, México, Chile y Uruguay, identificando un "trilema de la IA pública" basado en la tensión entre eficiencia, autonomía tecnológica y equidad. Los modelos más sostenibles emergen en administraciones con capacidades burocráticas sólidas y participación ciudadana activa.
En Chile, la Estrategia de Gobierno Digital 2030 contempla el desarrollo de "agentes de IA especializados en la administración pública", diseñados como servicios compartidos. En enero de 2026, el Estado inició la tercera fase del proyecto Algoritmos Éticos (GobLab UAI / ANID), con foco en IA generativa ética para el sector público.
2. El Marco TRIAL: Criterios de Calificación de Oportunidades
Para que la implementación de IA sea exitosa y justificable, es imprescindible cualificar las oportunidades de forma rigurosa. El Marco TRIAL evalúa los procesos según cinco principios fundamentales:
Tareas de bajo valor que consumen potencial humano: formularios, conciliación de datos, registro manual.
Procesos de alta frecuencia y estructura predecible. 30% más velocidad en ciclos de compra.
Trabajo que se arrastra semanas entre departamentos. La contratación pública = 13% del PIB OCDE.
Pilar técnico: sin datos estructurados y APIs estables, no existe agente funcional.
Zona "segura para experimentar": consecuencias controlables y reversibles.
3. Arquitectura de un Ecosistema Agéntico
Un sistema agéntico maduro no es un modelo único, sino una red de especialistas coordinados por una capa de orquestación. La arquitectura se organiza en tres niveles:
Agentes de Orquestación
Directores de proceso. Interpretan objetivos, descomponen en subtareas, asignan a especialistas y coordinan la ejecución.
Agentes Trabajadores (Workers)
Expertos en micro-tareas: extraer criterios, consultar historial, puntuar según rúbricas, generar comentarios explicativos.
Agentes Supervisores
Revisan calidad de outputs, detectan sesgos sistemáticos y verifican consistencia. Análogo a un revisor de calidad en tiempo real.
Rol Humano: De "en el circuito" a "sobre el circuito"
El humano supervisa el sistema, define límites éticos, recibe escalaciones y toma decisiones de excepción. Estratega, no operador.
| Modelo | Autonomía del agente | Rol humano | Casos de uso |
|---|---|---|---|
| Human-in-the-loop | Bajo | Aprueba cada decisión | Beneficios sociales, permisos complejos |
| Human-on-the-loop | Medio | Supervisa excepciones | Evaluación de licitaciones, contratos estándar |
| Human-out-of-the-loop | Alto | Audita resultados posteriores | Clasificación de gasto, reportes automáticos |
Fuente: Adaptado de Naviant (2026) y LinkedIn/Rethinking Agentic AI Governance (2025)
4. Caso de Estudio: Transformación de Compras Públicas
4.1 La Ineficiencia Sistémica
El proceso de licitación gubernamental es un ejemplo paradigmático de ineficiencia acumulada. En el Reino Unido, casi la mitad de los contratos públicos registran retrasos significativos, con un retraso promedio de 2.5 meses por proceso licitatorio.
La OCDE confirma que la IA ya se aplica a lo largo de todo el ciclo: el 54% de las soluciones apoya fases de pre-licitación, el 31% licitación activa, y solo el 4% fases operativas. El mayor potencial está en planificación y evaluación.
4.2 Intervención Agéntica en el Flujo de Evaluación
Un sistema de agentes puede generar evaluaciones de "primera pasada" que reduzcan semanas a horas:
- Ingerir documentos de licitación y respuestas de proveedores en múltiples formatos
- Generar automáticamente criterios de evaluación basados en el pliego
- Puntuar proveedores en cada criterio y dimensión definida
- Proporcionar comentarios explicativos que justifican cada calificación
- Detectar inconsistencias entre propuestas y requisitos técnicos
4.3 El Caso del Reino Unido
En 2025 se adjudicaron un 54% más de contratos de IA respecto a 2024, alcanzando £1.17 mil millones — un incremento del 102% en valor. En 2026, el primer trimestre acumula cerca de £250 millones, incluyendo el primer contrato público adjudicado a OpenAI.
5. Metodología de Implementación: De la Idea al Piloto
5.1 Preparación del Terreno
Antes de implementar cualquier agente, es necesario auditar la infraestructura de datos. Como advierte la OCDE: "realizar el pleno potencial de la IA requiere una implementación efectiva, gobernanza robusta de datos y un enfoque centrado en el usuario".
5.2 Talleres de Identificación con el Marco TRIAL
- Mapear flujos problemáticos con funcionarios de línea que conocen los cuellos de botella reales
- Puntuar cada oportunidad según los cinco principios TRIAL con "deslizadores" visuales
- Seleccionar oportunidades con máxima tediosidad, máxima repetitividad, mínimo riesgo
- Diseñar un experimento controlado con alcance acotado y métricas claras
5.3 Piloto, Iteración y Escala
Un piloto bien diseñado puede lograr 40% más velocidad en decisiones de compra y 35% de reducción en errores. La clave es documentar fallas antes de escalar: cada error es información de alta calidad.
6. Implicancias Estratégicas y Marco de Gobernanza
6.1 Reconfiguración Estado-Ciudadano
La IA agéntica no solo reduce costos: redefine la relación entre ciudadano y administración pública. Al automatizar lo repetible, se libera talento humano para diseño de políticas, atención a casos complejos y supervisión estratégica.
Deloitte describe esta transformación como el paso hacia "servicios públicos verdaderamente personalizados a escala", donde los sistemas agénticos conectan a cada ciudadano con los servicios correctos en el momento correcto.
6.2 El Riesgo de la Opacidad Algorítmica
La investigación latinoamericana advierte un riesgo sistémico: la IA puede desplazar la confianza desde la imparcialidad del funcionario hacia la opacidad del algoritmo, perpetuando desigualdades. Se requieren registros de decisiones auditables, repositorios de modelos públicos y protocolos de revisión ciudadana.
Chile avanza: la Estrategia 2030 incluye un repositorio de algoritmos públicos en la SGD. El proyecto Algoritmos Éticos de GobLab UAI (fase 3, 2026-2027) extiende estas herramientas a IA generativa en 13 servicios públicos.
6.3 Marco Regulatorio
En 2025, el Congreso chileno aprobó el texto base del Proyecto de Ley de Inteligencia Artificial, que establece el Consejo Asesor Técnico de IA — con representantes del Estado, academia, industria y sociedad civil — encargado de clasificar sistemas de alto y bajo riesgo.
7. Hoja de Ruta Recomendada
Auditar madurez de datos e identificar oportunidades TRIAL. Taller con equipos, mapeo de flujos, evaluación de infraestructura.
Definir arquitectura agéntica y gobernanza del experimento. Arquitectura de agentes, protocolo HITL, métricas de éxito.
Validar el sistema en un flujo real y acotado. Implementación, monitoreo, documentación de fallas.
Analizar resultados, corregir y expandir. Revisión de KPIs, ajuste de agentes, plan de expansión.
Conclusión
El Marco TRIAL ofrece una metodología práctica para guiar la adopción de IA agéntica en el sector público, comenzando por procesos con mayor dolor organizacional y menor riesgo. La arquitectura multi-agente proporciona la base técnica para sistemas escalables, transparentes y auditables.
El caso de compras públicas demuestra que los beneficios son alcanzables en el corto plazo. La precondición: infraestructura de datos sólida, gobernanza algorítmica transparente y liderazgo institucional comprometido con la experimentación responsable.