Este capítulo examina los desafíos observados en los casos de uso analizados y en investigaciones y análisis más amplios. Concluye que muchas iniciativas gubernamentales en materia de IA siguen siendo proyectos piloto. Destaca las barreras sistémicas comunes: la falta de competencias, las dificultades para acceder y compartir datos de alta calidad, la escasa orientación práctica, la aversión al riesgo y la débil medición de resultados y rendimiento de la inversión. Otros desafíos varían según la función, como la regulación inflexible o ambigua, los costos elevados o inciertos y los sistemas informáticos obsoletos.
Gobernar con la inteligencia artificial
Panorama actual y hoja de ruta en las funciones centrales de gobierno
Resumen
El examen de la OCDE de los casos de uso de la IA en la administración pública indica una elevada presencia de iniciativas en fase inicial, como experimentos y proyectos piloto. Esto indica:
Posibles desafíos en la transición de la experimentación a la implementación
Necesidad de mayor monitoreo e intercambio de información
Posible necesidad de medidas de política pública para fomentar la implementación y la escalabilidad.
Los desafíos en la implementación que comparten todas las funciones gubernamentales son:
Brechas en habilidades
Dificultades para obtener o compartir datos de calidad
Falta de marcos viables y de directrices sobre el uso de IA, especialmente en funciones gubernamentales específicas
Aversión al riesgo
Demostrar resultados y rendimiento de la inversión (RSI).
Las funciones gubernamentales se enfrentan a una variedad de otros desafíos, algunos más frecuentes en algunas funciones que en otras:
Entornos legales y regulatorios inflexibles u obsoletos
Costos elevados o inciertos de la adopción y escalado de la IA
Sistemas de tecnología de la información (TI) obsoletos.
El sector público enfrenta diversos desafíos de implementación en la adopción de la IA. Algunos abarcan todas las funciones gubernamentales, mientras que otros parecen más marcados en determinadas funciones. Por ejemplo, en casi todas las funciones existen carencias en materia de competencias y dificultades para acceder y compartir datos de calidad. La implementación de la IA debe tener en cuenta distintos entornos regulatorios en diferentes funciones, y los requisitos de cumplimiento varían significativamente entre funciones, como la contratación pública, la aplicación de la ley y la administración tributaria. Además, algunas funciones se enfrentan a más desafíos que otras en cuanto a garantizar el financiamiento o con sistemas obsoletos, ya que solo ahora estamos asistiendo a la aparición de infraestructuras digitales que comparten servicios con una mayor interoperabilidad e integración. Estos desafíos pueden traducirse en problemas más amplios, como las dificultades para ampliar el alcance de las soluciones y la aversión al riesgo que dificulta la innovación. En este capítulo se analizan los diversos desafíos en materia de implementación a los que se enfrentan las funciones gubernamentales, tal y como se analiza con más detalle en relación con cada función en el Capítulo 5. Muchos de estos desafíos reflejan el análisis regional específico sobre IA en el gobierno (OECD/CAF, 2022[1]; Brizuela et al., 2025[2]).
Posibles dificultades para pasar de la experimentación a la aplicación
La revisión de la OCDE sobre los usos de IA en la administración pública indica una elevada presencia de iniciativas en fase inicial, como experimentos y proyectos piloto. Esto concuerda con los debates mantenidos entre los grupos de trabajo y las redes pertinentes de la OCDE, en los que servidores públicos de ámbito nacional y local informan que los gobiernos se encuentran en las primeras fases de utilización de IA, buscando aprender a través de iniciativas a pequeña escala y probando diferentes enfoques.
En general, este enfoque es bueno. La OCDE lleva mucho tiempo alentando a los gobiernos tanto a nivel nacional como local a experimentar con nuevos enfoques de manera controlada e iterativa para minimizar los riesgos y costos y promover que los fracasos, que son inevitables, se produzcan rápidamente y generen lecciones aprendidas para los esfuerzos futuros (OECD, 2017[3]; 2024[4]). Esto es fundamental, sobre todo cuando se acostumbran por primera vez al uso de IA, ya que algunas estimaciones sugieren que más del 80 % de los proyectos de IA fracasan, el doble de la tasa de proyectos no relacionados con IA (Ryseff, De Bruhl and Newberry, 2024[5]). Por ejemplo, para que la adopción de la IA tenga éxito, puede ser necesario incorporar IA en áreas y procesos de bajo riesgo y utilizar datos generados internamente o abiertos para demostrar valor y obtener resultados rápidamente. Un ejemplo de este caso es el Centro de Servicios Compartidos del Gobierno de Finlandia para Finanzas y Recursos Humanos (Palkeet), que comenzó con aplicaciones modestas de RPA, allanando el camino hacia la "hiperautomatización" con aprendizaje automático (ML) (véase el Capítulo 5, "IA en la gestión financiera pública").
Sin embargo, el objetivo final de la mayoría de los proyectos de IA es la eventual implementación y, según corresponda, la ampliación de soluciones exitosas. En muchos países y funciones de la administración, los casos de uso de IA se encuentran en gran medida en la fase exploratoria (por ejemplo, pruebas de concepto o proyectos piloto) y todavía no se han implementado de forma más amplia ni se han ampliado más allá de su uso limitado. Por ejemplo, en el Reino Unido, uno de los gobiernos más avanzados en lo que respecta al uso de IA, un informe de la Comisión de Cuentas Públicas (PAC) del Parlamento (2025[6]) concluyó que el Gobierno "no cuenta con un mecanismo sistemático para reunir las enseñanzas extraídas de los proyectos piloto y que hay pocos ejemplos de adopción exitosa a gran escala en todo el Gobierno". Los resultados de una encuesta de Deloitte (2024[7]) realizada en 14 países refuerzan los desafíos relacionados con la ampliación de la GenAI, señalando también que este desafío no es exclusivo de los gobiernos. Según la encuesta, "un número significativo de encuestados tanto comerciales como gubernamentales han trasladado menos de un tercio de sus experimentos de GenAI a la producción completa". Esto se atribuye a otros desafíos analizados en este capítulo: la falta de conocimientos técnicos y la dificultad para medir el valor de la GenAI.
Las fuentes de datos existentes ofrecen información sobre el estado actual de la adopción de IA en el gobierno. Por ejemplo, los casos de uso analizados para este informe muestran que la mayoría han ido más allá de los pequeños proyectos piloto para aplicarse de alguna manera de forma más completa. De estos casos implementados, la mayoría no se han ampliado más allá de sus contextos originales (por ejemplo, en determinadas oficinas o para determinados procesos) para abordar otras necesidades. Esto no siempre es un objetivo p los usos de la IA en algunas funciones gubernamentales a menudo no son apropiados para otros. Sin embargo, los casos de uso de IA en el diseño y la prestación de servicios públicos que se exponen en el Capítulo 5 demuestran que, en efecto, es posible ampliar el alcance de enfoques que han tenido éxito. En este informe, la preponderancia de casos implementados que van más allá de los programas piloto se debe en parte a la tendencia de la OCDE a seleccionar más casos de uso implementados porque hay más información pública disponible sobre ellos, y es más probable que los gobiernos informen sobre ellos como parte de los ejercicios de recopilación de datos de la OCDE.
Otras fuentes de datos ofrecen perspectivas complementarias. El Observatorio de Tech Watch del Sector Público de la CE ha recopilado sistemáticamente casos de usos de IA durante varios años. Sus datos sobre casi 1 500 casos de uso de IA indican que la mayoría de las soluciones de IA se encuentran todavía en la fase prevista, piloto o en desarrollo (58 %), lo que sugiere que en el sector público de la UE la mayoría de los casos siguen siendo experimentales o no se han aplicado plenamente (Gráfico 3.1). Aunque el paso de los proyectos piloto a la producción parece ser un desafío —como se ha visto reforzado en los debates de la OCDE con los gobiernos—, la proporción de proyectos en fase de implementación ha aumentado en las últimas recopilaciones de datos. Esto sugiere que las administraciones podrían estar transitando sus iniciativas de las pruebas iniciales a una implementación más completa (EC, 2024[8]). Estos datos no tienen en cuenta en qué medida los proyectos ejecutados han ido más allá de su contexto inicial.
Fuente: Datos analizados por la OCDE de (EC, 2024[9]).
La base de datos "Sistemas de IA en el sector público de América Latina y el Caribe" indica una proporción mucho mayor de casos de uso implementados (70 %). (Muñoz-Cadena et al., 2025[10]). Sin embargo, es probable que esto se deba a la recopilación de datos para esta base de datos, que fue elaborada por investigadores utilizando información de dominio público. Es menos probable que la información de dominio público incluya detalles sobre casos de uso planificados o pilotados en comparación con las comunicaciones de los gobiernos, que en gran medida sirvieron de base para las bases de datos de la OCDE y la UE.
En general, de acuerdo con el trabajo de la OCDE sobre IA en los gobiernos desde 2019, incluso directamente con muchos gobiernos, parece que el estado esperado de implementación debería ser mayor en relación con las primeras etapas de las pruebas. La elevada presencia de casos en etapas iniciales se explicaría fácilmente si los casos de uso de los gobiernos hicieran especial hincapié en aprovechar las últimas tecnologías de IA, como los modelos de bases de IA generativa. Sin embargo, las investigaciones de la OCDE para este informe indican que, en gran medida, no es el caso; los gobiernos todavía tienden a adoptar enfoques más duraderos. Estas observaciones sugieren que es necesario seguir trabajando en este ámbito para comprender mejor los caminos que toman los gobiernos de la planificación a la implementación, así como para extraer lecciones aprendidas más específicas y factores para el éxito.
Tal como se analiza en el Capítulo 2, puede que algunas aplicaciones estrechas pero tradicionales de la IA —que es más probable que se implementen o incluso se amplíen— se hayan integrado o sean tan habituales que ya no den lugar a informes externos ni a una respuesta a los esfuerzos de recopilación de datos. Esto podría sesgar las cifras por la infrarrepresentación de las iniciativas implementadas que no dependen de sistemas y enfoques de IA más nuevos.
La falta de evidencia sobre la continuidad exige mayor monitoreo
Se necesita información adicional para entender mejor el estado y evolución de los casos de uso de IA gubernamental. Investigaciones futuras deberían indagar en esto más a fondo monitoreando el progreso del desarrollo de soluciones a lo largo del tiempo, lo que podría generar lecciones tanto de éxitos como de fracasos. La OCDE ha intentado explorar los avances conseguidos en los casos de uso de IA pertinentes analizados en productos anteriores; sin embargo, por lo general, hay pocos informes actualizados sobre los resultados de los proyectos piloto o el estado de los casos de uso implementados, lo que dificulta su seguimiento longitudinal. La mayor parte de la investigación realizada para determinar si un caso de uso es operativo se basa en la capacidad de acceder a un producto funcional (si es público), o la presencia de comunicados de prensa del gobierno, cobertura de noticias, artículos de blog o presentaciones públicas. Otra fuente son los casos de uso compartidos a través de informes públicos periódicos o archivos oficiales, incluidos los de la OCDE. Los inventarios o catálogos actuales son a menudo estáticos; representan proyectos como una fotografía en el tiempo, sin proporcionar información sobre su desarrollo y evolución, y a menudo no se actualizan. La recopilación de datos primarios por parte de los investigadores (es decir, realizar encuestas directamente a organizaciones gubernamentales para identificar nuevos esfuerzos y obtener actualizaciones y lecciones aprendidas sobre iniciativas conocidas) sería útil para futuras investigaciones, aunque requiere más recursos y tiempo.
Estas dificultades para acceder a información actualizada sobre casos de uso individuales ponen de relieve la importancia de que los gobiernos supervisen los casos de uso de IA, junto con un intercambio sistemático y regular de información, lo que reforzaría aún más los Principios de la OCDE en materia de transparencia y rendición de cuentas en el ámbito de IA. Esto no solo sería valioso para audiencias externas; documentar y difundir métodos y casos de uso exitosos (y no exitosos) puede ayudar a las organizaciones gubernamentales a replicar y escalar proyectos de IA de manera más efectiva. Este enfoque ayuda a evitar errores comunes, contribuye a garantizar la coherencia y acelera la adopción de tecnologías de IA en diversas entidades gubernamentales (OECD/UNESCO, 2024[11]). La supervisión inadecuada o inexistente también puede afectar futuros casos de uso, ya que las innovaciones en IA potencialmente eficaces pueden pasarse por alto o, por el contrario, los enfoques refutados pueden ampliarse de forma inadecuada. En el Capítulo 4, "Promoción de la transparencia en la forma en que el gobierno utiliza la IA", se ofrecen más debates y ejemplos de cómo lo están haciendo algunos gobiernos.
Podría ser necesario adoptar medidas de política para fomentar la implementación y escalabilidad
El hecho de que muchas iniciativas de IA se encuentren en las fases de planificación y piloto, o no estén claras en cuanto a su progreso, sugiere que los gobiernos deben mejorar sus capacidades de implementación para avanzar en proyectos más allá de las etapas de prueba iniciales, garantizar un despliegue exitoso y mantener el impacto a largo plazo (EC, 2024[8]). Para ello, es necesario establecer elementos básicos, como garantizar el acceso a conjuntos de datos, recursos informáticos y la experiencia necesaria para desarrollar y ampliar proyectos de IA. Estos factores se analizan en profundidad en el Capítulo 4. También es necesario superar otras dificultades de implementación, como se analiza más adelante.
Brecha de competencias, el desafío más común
Una reciente encuesta realizada por Salesforce en cinco países (2024[12]) señaló que la principal barrera para la adopción gubernamental de IA era la brecha de competencias internas para utilizarla, y el 60 % de los encuestados del sector público se refirieron a este desafío1. Los encuestados del sector público tenían un tercio más de probabilidades de indicar una brecha de competencias en su organización en comparación con el promedio de la industria. Las revisiones a nivel nacional arrojan resultados comparables: el 70 % de los organismos gubernamentales del Reino Unido afirman que las competencias son un obstáculo para la adopción de IA (UK NAO, 2024[13]). En un estudio sindical nacional realizado entre agosto y octubre de 2024 a 2000 empleados de la Función Pública Australiana (APS), el 92 % dijeron que no habían recibido formación sobre el uso de IA, y solo el 16 % dijo que se sentían equipados para usar la tecnología2. Desde octubre de 2024, el Gobierno australiano ha publicado y puesto a disposición de todos los empleados de la APS un módulo de formación sobre los fundamentos de la IA en la administración pública y una serie de sesiones magistrales sobre IA impartidas por profesionales. El Gobierno australiano cuenta con una serie de programas para mejorar las capacidades en materia de IA. La iniciativa AI CoLab proporciona un marco para la colaboración intersectorial, el diseño conjunto y la celebración de eventos periódicos. El acceso a una herramienta gubernamental de IA a través de una prueba beta cerrada de GovAI comenzó el 5 de mayo de 2025 y se amplió a todos los empleados de la APS el 31 de agosto de 2025.
Las brechas en materia de competencias también suponen un reto importante cuando se centran específicamente en los gobiernos subnacionales (UN Habitat, 2024[14]). Por ejemplo, las encuestas realizadas en Estados Unidos (EE.UU.) a los directores de sistemas estatales y a los ejecutivos de TI locales revelaron que solo el 20 % de los directores de sistemas estatales y el 25 % de los encuestados locales confiaban incluso ligeramente en que su personal de tecnología contaba con los conocimientos técnicos necesarios para responder a la llegada de la IA generativa (NASCIO, 2024[15]; PTI, 2024[16]). Más allá del desafío comúnmente discutido de los gobiernos, que compiten con el sector privado por el talento, en algunos casos, los gobiernos nacionales y subnacionales compiten entre sí por el mismo grupo limitado de talento. Las ciudades más pequeñas también pueden sufrir una "fuga de cerebros", ya que los jóvenes talentos se trasladan a ciudades más grandes que ofrecen más posibilidades profesionales (de Mello and Ter-Minassian, 2020[17]).
Los desafíos relacionados con la brecha de competencias se pueden observar en casi todas las funciones gubernamentales analizadas en el Capítulo 5. Los desafíos en materia de competencias limitan la capacidad de los gobiernos para aprovechar los últimos avances en IA y pueden contribuir a la reticencia de los servidores públicos a aceptar el uso de la IA en general. En varias funciones, los gobiernos están luchando por determinar exactamente qué tipos de habilidades se necesitan y para quién.
La falta de competencias puede exacerbar otros riesgos y desafíos (Trajkovski, 2024[18]). Por ejemplo, pueden dar lugar a malos resultados, a una sobreestimación y a una confianza indebida en las capacidades y sistemas de IA, a un uso indebido involuntario y al incumplimiento general de las leyes y otras normas. Los niveles inconsistentes de habilidades en los gobiernos pueden conducir a nichos de innovación, pero con poca capacidad para expandirse más allá de ellos.
Además, la falta de competencias internas en las administraciones públicas puede dar lugar a una dependencia excesiva de la externalización a través de la contratación pública (Mitchell, 2025[19]; Autio, Communigs and Elliott, 2023[20]). Si bien la contratación pública es un aspecto importante y normal de la obtención de bienes y servicios relacionados con IA, depender excesivamente de la contratación pública para desarrollar las capacidades internas puede provocar el vaciamiento de las capacidades gubernamentales (Trajkovski, 2024[18]). Esto puede formar un círculo vicioso, en el que los gobiernos carecen de las competencias adecuadas para diseñar programas de mejora de las competencias, comprender para qué competencias contratar y comprender plenamente las ofertas de los proveedores para adquirir los bienes y servicios adecuados a un precio justo. En general, sin un desarrollo proactivo de las habilidades, "las agencias públicas se encontrarán simplemente reaccionando a los cambios tecnológicos en lugar de dirigir estas tecnologías emergentes para servir eficazmente a los intereses de la sociedad" (Trajkovski, 2024[18]). Si el gobierno no puede demostrar un uso eficiente y eficaz de la IA y el autocontrol de esta, es poco probable que pueda regular la tecnología. Esto también contribuye al desafío de los altos costos de adopción de la IA, como se analiza a continuación; contratar personal externo puede costar de tres a cuatro veces más por persona que los empleados gubernamentales (UK DSIT, 2025[21]).
Varios gobiernos han puesto en marcha programas de mejora de competencias y de contratación específica (véase el Capítulo 4, "Fomento de las competencias y el talento"), y algunos incluso han utilizado la IA como herramienta para lograr estos objetivos (véase el Capítulo 5, "La IA en la reforma de la función pública").
Falta de datos de alta calidad y de capacidad para compartirlos
A través de todos los niveles de la administración y de casi todas las funciones gubernamentales analizadas en profundidad en el Capítulo 5, los desafíos en materia de datos constituyen un obstáculo para el desarrollo y uso de IA en la administración. Un reciente estudio realizado por RAND (2024[5]; 2025[22]) constató que los problemas relacionados con los datos eran uno de los principales factores que impulsaban los proyectos de IA fallidos, incluida la falta de datos adecuados, y señaló la importancia del trabajo, que a menudo se percibía como de bajo "prestigio de actividad" (por ejemplo, limpieza de datos).
En algunas funciones, los datos necesarios pueden simplemente no existir o no haberse digitalizado nunca del papel (por ejemplo, como se observa a menudo en la administración de justicia), o la calidad de los datos disponibles es deficiente (por ejemplo, registros mal estructurados, incompletos o mal escritos, discrepancias en los formatos de los datos). Esto puede deberse a diversas razones, como un control deficiente de los procesos de entrada de datos o incluso la falta de previsión previa de que dichos datos podrían llegar a ser importantes algún día. Pese a ser demorosos y engorrosos, estos problemas de calidad a menudo pueden superarse, por ejemplo, mediante procesos de digitalización, limpieza de datos y validación.
El énfasis reiterado en la falta de datos suficientes y de calidad puede parecer contradictorio, ya que los gobiernos poseen enormes cantidades de datos y, a menudo, los ponen a disposición como datos abiertos de gobierno (OGD) para, entre otras cosas, ayudar a servir como insumos para la formación de sistemas de IA (OECD, 2023[23]). Sin embargo, en muchos casos, lo que supone un desafío es la capacidad de los organismos gubernamentales para compartir datos entre sí. Esto puede deberse a normas que impiden el intercambio o no son claras para los servidores públicos, procesos de aprobación de meses de duración o, con menos frecuencia, a que los gobiernos supriman los derechos de reutilización de datos en los contratos con las empresas. Estas cuestiones también se reflejan al compartir datos entre jurisdicciones y niveles de gobierno, lo que añade desafíos a la adopción de IA en los gobiernos subnacionales. Algunos países están tratando de cumplir con las normas de protección y gestión de datos, como el Reglamento General de Protección de Datos (RGPD) de la UE, aunque estas cuestiones de gestión de datos generalmente existían mucho antes de que dichas normas entraran en vigor. En otros casos, existe una falta de protocolos técnicos o políticos para el intercambio, o una falta de interoperabilidad entre los sistemas informáticos y los formatos de datos. En la mayoría de los casos, estos problemas son síntomas de un problema más sistémico —gobernanza de datos inadecuada que da lugar a una recopilación y gestión de datos no estratégica, esporádica y fragmentada— y normas conexas en todo el gobierno. Las normas anticuadas u onerosas sobre el intercambio de datos también contribuyen y es posible que deban reconsiderarse para tener en cuenta los avances tecnológicos y, al mismo tiempo, proteger la privacidad.
En general, es fundamental que los gobiernos establezcan actividades sólidas de gobernanza y gestión de datos para tener éxito en la adopción de IA, aunque solo el 59 % de los países de la OCDE cuentan con una estrategia de datos para el sector público, y son aún menos los que proporcionan una guía práctica para su aplicación (OECD, 2024[24]). Sin una sólida gobernanza de datos, los gobiernos se arriesgan a desarrollar e implementar sistemas de IA que utilicen datos de baja calidad, lo que da lugar a resultados que van desde simples inexactitudes hasta sesgos sistémicos y resultados injustos para los ciudadanos. Sin una sólida gobernanza de datos entre organizaciones y niveles de gobierno, las ambiciones de los gobiernos en materia de IA tendrían que limitarse en gran parte a pequeños experimentos y proyectos piloto en entornos limitados que son la norma hoy en día, como se ha comentado anteriormente.
Fomentar el desarrollo de sectores públicos basados en datos ha sido durante mucho tiempo un objetivo central de la OCDE (2019[25]; 2023[23]). Además, varios gobiernos están consolidando los fundamentos necesarios para que los datos puedan ser utilizados por los gobiernos al desplegar sistemas de IA (véase en el Capítulo 4, "Crear fundamentos sólidos para los datos").
Falta de marcos viables y directrices sobre el uso de IA
Las estrategias nacionales para la IA en el gobierno, ya sea las estrategias específicas o las integradas en instrumentos más amplios, son ahora comunes e importantes para definir una visión del éxito de la IA. Sin embargo, por lo general solo proporcionan detalles de alto nivel sobre compromisos y aspiraciones, ofreciendo orientaciones concretas limitadas para facilitar la materialización de los beneficios de la IA y, al mismo tiempo, proteger frente a sus riesgos. Además, a menudo no abordan las consideraciones operativas clave que podrían hacerlas efectivas. Por ejemplo, a menudo se pasan por alto la gestión de la inversión en tecnología y la contratación pública, a pesar de ser cruciales para la IA en el gobierno (van Noordt, Medaglia and Tangi, 2023[26]; Monteiro, Hlacs and Boéchat, 2024[27]). Para cerrar esta brecha, los gobiernos necesitan una guía práctica que esté alineada con las estrategias y proporcione a sus instituciones una dirección y garantías tangibles. La orientación también es importante para los gobiernos subnacionales, como las ciudades. Esto puede ser importante tanto para garantizar la alineación con los enfoques nacionales —ya que los gobiernos subnacionales a menudo siguen o se inspiran en los esfuerzos nacionales— como para ayudar a los gobiernos subnacionales a cumplir sus propias ambiciones digitales y de IA, así como las necesidades de sus ciudadanos y residentes.
Dichas orientaciones pueden ser de delimitación, abordando cuestiones de todo el sistema para promover una adopción fiable de IA, o específicas, centradas en funciones y aplicaciones gubernamentales particulares. Las orientaciones transversales aportan claridad y orientación sobre elementos fundamentales como la gobernanza de datos, el desarrollo del talento y la inversión. Por el contrario, la orientación vertical ayuda a los servidores públicos a navegar por las oportunidades y riesgos de la IA a través de medios efectivamente adaptados a los diferentes ámbitos de políticas. Estos enfoques no son exclusivos y ambos pueden aplicarse de forma complementaria.
En general, no existen directrices transversales y verticales concretas para la IA en el gobierno. Por ejemplo, una investigación del Comité Mixto de Cuentas Públicas y Auditoría del Parlamento de Australia (2025[28]) — que no necesariamente representa opiniones del Gobierno Australiano — constató que, si bien algunas entidades gubernamentales están empezando a adoptar IA, carecen de orientación al respecto. Recomendó que se creara un grupo de trabajo integrado por todos los sectores del gobierno para estudiar las normas y los marcos de gobernanza necesarios para los sistemas de IA en toda la administración pública. Sin embargo, existen excepciones notables, como el "Manual de IA para el Gobierno del Reino Unido" (Capítulo 4, Recuadro 4.2) y el enfoque estructurado de Francia para integrar la IA en los RR.HH. (Recuadro 5.19). Los gobiernos deben ir más allá de las declaraciones de intenciones y ofrecer orientaciones claras y prácticas sobre la adopción de la IA, la inversión, la gobernanza de datos, la contratación pública y el desarrollo de la fuerza laboral (Morley et al., 2019[29]).
En el Capítulo 5 se cita esta brecha como un desafío en muchas funciones gubernamentales. En general, la falta de orientación puede contribuir a la aversión al riesgo, ya que brindarla puede aclarar la incertidumbre y reducir las dudas entre los funcionarios. La necesidad de orientación se ha planteado específicamente en las funciones de diseño regulatorio, contratación pública, lucha contra la corrupción y promoción de la integridad pública, y administración tributaria para abordar las incertidumbres jurídicas y de gobernanza que dejan a los servidores públicos con incertidumbre sobre si pueden usar la IA en estas funciones y de qué manera. En algunos casos, se necesita orientación para interpretar claramente las leyes y reglamentos, y su aplicación práctica. En otros, aportan claridad en situaciones en las que puede que todavía no existan normas formales. Dadas las variaciones sectoriales, los enfoques transversales de la IA deben complementarse con orientaciones especializadas que tengan en cuenta los desafíos políticos, los perfiles de riesgo y el panorama de datos. Los gobiernos también deberán tener en cuenta que la IA es un ámbito que evoluciona rápidamente, y que dicha orientación debe ser flexible y es probable que necesite adaptación e iteración para mantenerse al día con el ritmo del cambio.
En el Capítulo 4, "Establecimiento de mecanismos y procesos clave de gobernanza" y "Uso de instrumentos de política para orientar una IA fiable", se puede encontrar más información sobre las medidas gubernamentales para superar este desafío.
Impulsar la innovación mitigando los riesgos
Un estudio elaborado por la OCDE (2024[30]) reveló que, en lo que respecta a la IA en la administración pública, los gobiernos tienden a centrarse en los aspectos negativos (es decir, los riesgos de la IA y cómo mitigarlos), pero no tanto en los positivos (es decir, los beneficios de la IA y cómo aprovecharlos). Esto no es exclusivo de los enfoques de los gobiernos con respecto a las actividades internas de IA. En lo que respecta a la economía y la sociedad en general, los expertos en IA han constatado que los debates e iniciativas de política pública suelen reconocer que la IA puede reportar beneficios significativos, pero las acciones públicas a menudo no se centran explícitamente en la consecución de dichos beneficios. Por el contrario, las abordan indirectamente a través de efectos positivos indirectos al tratar de mitigar los riesgos (OECD, 2024[31]). Estos expertos han instado a los gobiernos a tomar medidas más directas para aprovechar las oportunidades que presenta la IA.
Gran parte de este enfoque orientado al riesgo puede atribuirse a la aversión al riesgo, que durante mucho tiempo ha obstaculizado los esfuerzos de innovación del gobierno digital y el sector público, fomentando una cultura resistente al cambio en la que se debe evitar el fracaso a toda costa, incluso en lo relativo a la IA (OECD, 2021[32]; 2017[3]; 2019[33]; Desouza, 2018[34]; SAS, 2020[35]; Richter, 2024[36]). Una encuesta llevada a cabo por Deloitte (2024[7]) mostró que el 63 % de los líderes del sector público creían que la GenIA erosionaría el nivel general de confianza en las instituciones nacionales y mundiales. Esta cautela contribuyó a una adopción más lenta de la IA en el gobierno que en la industria. En el Capítulo 5 se presentan ejemplos de aversión al riesgo en varias funciones gubernamentales, especialmente en la contratación pública, la lucha contra la corrupción y la promoción de la integridad pública. Por ejemplo, las instituciones de integridad pueden ser reacias al riesgo por miedo a cometer errores en el proceso de adopción de IA, ya que las directrices gubernamentales hacen hincapié en lo que no se debe hacer en lugar de ofrecer directrices prácticas sobre cómo adoptar la IA de manera fiable. También surgen problemas como resultado de una corrección excesiva en respuesta a incidentes de IA, especialmente los que se cubren en los medios de comunicación. Ejemplos de ello son los casos en los que chatbots públicos proporcionaron información errónea o fueron pirateados (Hodges, 2024[37]; Fagan, 2024[38]). La aversión al riesgo también es un tema de conversación frecuente cuando se debate sobre IA en las reuniones de grupos de trabajo y foros pertinentes de la OCDE.
Los gobiernos deben aplicar una de las mejores prácticas generalmente aceptadas para promover el desarrollo de la IA, por ejemplo, considerando el nivel de riesgo o impacto potencial que podría tener un sistema de IA y desarrollando medidas adaptadas y proporcionales para superar posibles problemas adversos. Sin embargo, los gobiernos a menudo parecen tratar la mayoría de los esfuerzos de IA como si fueran de alto nivel de riesgo o impacto, exigiendo requisitos estrictos en todos los ámbitos e imponiendo engorrosos requisitos burocráticos, desalentando a los servidores públicos que buscan innovar. Esto puede servir como desincentivo suficiente para evitar el proceso de exploración y puede verse en un estudio de Deloitte (2023[39]), que analizó todas las iniciativas de política en la base de datos OECD.AI de políticas y estrategias nacionales3 .En él se concluyó que las políticas ponderadas por riesgo, cuyo objetivo es pasar de un enfoque único para todos a un enfoque basado en datos y riesgo, eran poco frecuentes y representaban el 2 % de las iniciativas incluidas en la base de datos. El problema también se reconoce en el memorándum de Estados Unidos de abril de 2025 sobre "Aceleración del uso federal de IA mediante innovación, gobernanza y confianza pública" ([40]), que señala a las agencias gubernamentales de "eliminar los requisitos burocráticos innecesarios que inhiben la innovación y la adopción responsable".
Los servidores públicos también pueden desarrollar "aversión algorítmica". Esto es algo opuesto al "sesgo de automatización" discutido en el Capítulo 1, donde "los humanos son reacios a usar algoritmos a pesar de su rendimiento superior" (Cheng and Chouldechova, 2023[41]; Sunstein and Gaffe, 2024[42]), a menudo después de ver errores en los resultados de la IA. Esto sugiere posibles problemas de competencias relacionados con la comprensión de la IA, sus puntos fuertes y débiles relativos y cómo utilizar óptimamente sus resultados. También sugiere una falta de confianza en sus habilidades para la colaboración hombre-máquina, así como una falta de entornos controlados para probar y experimentar de manera segura con IA. Estos sesgos, que pueden distorsionar la percepción de la fiabilidad de la IA, pueden mitigarse mediante intervenciones estructuradas, como formaciones sobre las fortalezas y limitaciones de la IA, tal y como se analiza más adelante en el Capítulo 4 (Featherson, Shlonsky and Lewis, 2019[43]). Los trabajadores también necesitan sentir que tienen voz sobre los insumos utilizados para un sistema de IA y que pueden utilizar su criterio profesional en la forma en que se utilizan los resultados (Dietvorst, Simmons and Massey, 2018[44]; Cheng and Chouldechova, 2023[41]).
Existe cierta evidencia de que la aversión al riesgo por la IA en el gobierno puede estar disminuyendo a medida que los gobiernos se familiarizan más con la tecnología. Un estudio reciente realizado por Google Public Sector concluyó que las preocupaciones sobre IA de los líderes de TI pública de EE.UU., en relación con cuestiones como la privacidad y la seguridad, están desapareciendo (Teale, 2025[45]). Sin embargo, los gobiernos tendrán que ser más activos para superar este enfoque orientado al riesgo y considerar mejor las concesiones que apuntan mejor a las oportunidades. Los diversos habilitadores y salvaguardias de la IA que se analizan en el Capítulo 4 pueden ayudar a desviar la atención de una cultura de aversión al riesgo hacia una adopción más controlada y una gestión del riesgo informada.
Demostrar resultados y rendimiento de la inversión
Los gobiernos han dado pasos importantes en la implementación de soluciones de IA en diversos ámbitos públicos, demostrando beneficios tangibles en eficiencia, precisión y prestación de servicios. Sin embargo, el seguimiento de los avances y la evaluación retrospectiva exhaustiva del impacto siguen siendo aspectos subdesarrollados de la implementación de la IA gubernamental. Si bien algunos casos aislados de éxito están bien documentados, como se observa más adelante, a menudo faltan esfuerzos integrales para evaluar la contribución de la IA a la creación de valor público. Esto se puede observar en el caso del Reino Unido, donde "solo el 8 % de los proyectos de IA muestran beneficios medibles y solo el 16 % muestran costos de pronóstico, lo que dificulta su evaluación en comparación con un análisis de costo-beneficio". (UK DSIT, 2025[21]). Una encuesta de Deloitte específica para la IA generativa (Austin et al., 2024[7]) en 14 países muestra que, a pesar de prever un aumento de las inversiones en IA, el 78 % de los líderes gubernamentales encuestados afirman tener dificultades para medir los impactos de la IA general, un porcentaje significativamente mayor que el de otros sectores, lo que supone un obstáculo para la adopción y la ampliación de la IA incluso cuando se resuelven otros desafíos, como las brechas de talento.
Múltiples soluciones de IA han demostrado resultados concretos y medibles que ilustran el potencial de la tecnología para transformar la prestación de servicios públicos. Estos resultados cuantificables proporcionan puntos de referencia valiosos para comprender el impacto directo de la IA en la eficiencia operativa y la calidad del servicio:
El sistema Amauta Pro AI del Perú ha transformado la velocidad a la que los tribunales pueden responder a las víctimas de violencia doméstica. Este sistema impulsado por IA ha reducido el tiempo necesario para redactar proyectos de resolución sobre medidas de protección de 3 horas a 40 segundos (véase el Recuadro 5.63).
En la UE, el proyecto DATACROS desarrolló una herramienta para detectar anomalías en las estructuras de propiedad de las empresas que puedan indicar riesgos de corrupción, blanqueo de capitales y otros delitos financieros. En 2021, la herramienta de predicción detectó correctamente el 83 % de las empresas sancionadas y el 88 % de las empresas con propietarios sancionados (véase el Recuadro 5.27).
La Agencia Federal para la Gestión de Emergencias (FEMA) de los Estados Unidos desarrolló un sistema de IA para evaluar los daños estructurales en las zonas afectadas por el huracán Ian, que redujo el número de estructuras que requieren revisión humana de más de un millón a solo 77 000. En un plazo de 72 horas tras la llegada del huracán a tierra en 2022, la FEMA tuvo conocimiento de la magnitud de los daños en las regiones afectadas, lo que permitió acelerar la asignación de recursos y la planificación de la recuperación (véase el Recuadro 5.58).
Son especialmente notables los casos en los que los sistemas de IA se han comparado explícitamente con el rendimiento humano, lo que pone de relieve mejoras significativas en la velocidad, escala y utilización de recursos que superan la capacidad humana. En Singapur, las agencias gubernamentales transformaron la contratación con herramientas de IA disponibles en el mercado, lo que permitió a una agencia procesar más de 3 000 solicitudes para su programa de gestión asociada de manera eficiente, ahorrando 44 000 EUR (equivalente) y más de 150 días de productividad del personal4. Las comparaciones con el desempeño humano son importantes porque se centran en el contraste clave que se necesita para la toma de decisiones basada en evidencia. Además, promueven una comprensión más profunda del desempeño humano, lo que permite revelar supuestos y sesgos implícitos que afectan el rendimiento humano.
Más allá de los casos de uso individuales, algunos gobiernos han comenzado a documentar el impacto de la IA a nivel organizativo y nacional, revelando importantes beneficios financieros y mejoras operativas. Estas evaluaciones más amplias ayudan a establecer el valor acumulado de las inversiones en IA en todas las funciones gubernamentales. La Agencia Tributaria australiana, por ejemplo, ha informado de que su enfoque de IA, que combina análisis en tiempo real, formularios prellenados y sistemas de detección de anomalías, ayudó a proteger unos 78,9 millones de dólares australianos de ingresos en más de 636 000 interacciones con usuarios en 2023-2024 (Recuadro 5.5). Del mismo modo, se observaron resultados sustanciales en Austria gracias a la actividad del Centro de Competencia en Analítica Predictiva (PACC) del Ministerio Federal de Finanzas, que permitió analizar 6,5 millones de casos en los sectores del impuesto sobre la renta, impuesto de sociedades y valor agregado, así como en las transacciones aduaneras en 2023 (Recuadro 5.3). Estos análisis detectaron casos de declaración falsa en las liquidaciones de impuestos de los empleados e identificaron actividades fraudulentas, que dieron lugar a unos ingresos fiscales adicionales de aproximadamente 185 millones EUR. Mirando al futuro, un estudio reciente del Instituto Alan Turing (2024[46]) sobre los servicios públicos del Reino Unido indican que la IA podría ayudar a automatizar el 84 % de las transacciones relacionadas con los servicios del gobierno central, ahorrando un equivalente de aproximadamente 1 200 personas-año de trabajo cada año.
A pesar de estos éxitos, este tipo de consideraciones son raras, y los gobiernos se enfrentan a importantes desafíos a la hora de monitorear sistemáticamente el progreso e impacto de la IA. Una barrera clave es la falta de marcos de medición y evaluación bien definidos que permitan evaluar las contribuciones de la IA de forma estandarizada. Muchas aplicaciones de IA se integran en complejos procesos administrativos, lo que dificulta el aislamiento y la medición de sus efectos específicos. Además, el desafío de comparar la IA con el rendimiento humano se agrava por el hecho de que muchas tareas basadas en IA serían inviables o prohibitivamente engorrosas si no existiera la automatización. También existe un conocimiento limitado del impacto a largo plazo del uso de los LLM en la cognición humana, y de si su uso coherente afecta a la creatividad, las habilidades de pensamiento crítico y la productividad de quienes los utilizan.
Una consideración final es que diferentes contextos pueden requerir diferentes metodologías. Por ejemplo, un tema de debate en la última edición de la Mesa Redonda de la OCDE sobre Ciudades Inteligentes (2024[4]) señaló que las ciudades deben explorar diferentes metodologías para medir y evaluar el éxito que se ajusten a sus propios objetivos y les permitan establecer metas medibles. Están surgiendo algunos esfuerzos iniciales de los gobiernos para abordar estos problemas, como la publicación del Gobierno del Reino Unido sobre las mejores prácticas para evaluar el impacto de los métodos de evaluación de IA (Frontier economics, 2024[47]). Los EE.UU (2025[48]) también han publicado recientemente una política de adquisiciones de IA que reconoce que los organismos gubernamentales deben "salvaguardar el dinero de los contribuyentes mediante el seguimiento del rendimiento de IA y gestión de riesgos". Sin mecanismos de monitoreo sólidos, los gobiernos corren el riesgo de estimar erróneamente el valor y los riesgos potenciales de la IA, así como perder oportunidades de mejora.
Establecer marcos eficaces de medición del impacto es crucial para garantizar que las inversiones en IA generen valor real para las administraciones públicas y los ciudadanos. A medida que los gobiernos asignen más recursos al desarrollo y despliegue de la IA, será imprescindible demostrar un claro retorno de la inversión (RSI). Disponer de mecanismos fiables de evaluación retrospectiva del impacto puede ayudar a los responsables de la formulación de políticas a tomar decisiones informadas sobre la ampliación de las soluciones de IA, la optimización de la asignación de recursos y la justificación de un financiamiento adicional. Además, la evaluación de impacto proporciona información esencial para refinar los sistemas y enfoques de IA, lo que permite ciclos de mejora continua. Los productos documentados también facilitan el intercambio de conocimientos entre entidades gubernamentales, lo que ayuda a ampliar los enfoques exitosos y a evitar que se repitan los infructuosos. Tal vez lo más importante sea la presentación de informes transparentes sobre los impactos de la IA, tanto positivos como negativos, esencial para mantener la confianza y la rendición de cuentas a medida que estas tecnologías se integran más profundamente en las funciones y actividades centrales del gobierno. Los diferentes métodos de evaluación son adecuados para cada contexto, pero los gobiernos deben intentar comparar la implementación de la IA con la situación en la que no existe. La OCDE ha elaborado directrices para elegir un enfoque de evaluación basado en diversas consideraciones clave (Varazzani et al., 2023[49]).
Entornos legales y regulatorios inflexibles u obsoletos
Los entornos regulatorios inflexibles, obsoletos o inadecuados (por ejemplo, excesivos o deficientes) plantean muchos desafíos. Muchas funciones se enfrentan a restricciones regulatorias o legales en el acceso e intercambio de datos, como se ha comentado anteriormente. Además, puede haber confusión sobre la precisión de la IA y sobre si los errores involuntarios introducidos por el uso de IA podrían dar lugar a un incumplimiento de regulaciones y otras normas, por ejemplo, en informes fiscales. La complejidad de las regulaciones también es un factor por considerar. Por ejemplo, los funcionarios de las administraciones tributarias se enfrentan a leyes muy complejas en torno a procesos fiscales, lo que contribuye a que se basen en gran medida en enfoques clásicos basados en normas. Estos desafíos son tan comunes a nivel local como en los gobiernos nacionales (OECD, 2024[4]).
A veces, el reto está en las lagunas regulatorias que conducen a confusión sobre lo que es aceptable con IA. Esta confusión puede contribuir a otros desafíos, como la aversión al riesgo o la preferencia por el mantenimiento de la propia situación existente (Samuleson and Zeckhauser, 1988[50]). Por ejemplo, como en muchos países no se aborda específicamente, los funcionarios encargados de la contratación pública a menudo no tienen claro si la IA puede utilizarse en procesos de contratación, por temor a que al hacerlo puedan verse expuestos a desafíos por parte de los licitadores infructuosos u otros que cuestionen la equidad del proceso. Esto proporciona una falta general de incentivos para el cambio. También existe confusión sobre si los sistemas avanzados de IA, que son muy capaces pero funcionan de forma opaca, pueden cumplir con estándares regulatorios como las Normas Internacionales de Auditoría o las reglas probatorias del sistema judicial penal. Como resultado, algunas personas podrían optar por no utilizar la IA con el fin de evitar estos riesgos, lo que a su vez limitaría los posibles beneficios derivados de su implementación.
Los entornos regulatorios plantean un desafío único en cuanto a diseño e implementación de la regulación. Más allá de las normas que restringen el uso de IA, los reguladores también deberían ser cautos y evitar hacer cambios frecuentes en las regulaciones, y en la forma en que se implementan y se hacen cumplir. Las entidades reguladas necesitan un nivel de claridad y previsibilidad para cumplir con las regulaciones de una manera que cause una interrupción mínima en las operaciones comerciales. Los frecuentes cambios regulatorios, aunque se basen en información de calidad basada en la IA, pueden dar lugar a un entorno regulatorio volátil, lo que dificulta a las empresas la planificación de estrategias a largo plazo y a que el público se mantenga informado sobre la legislación vigente.
Los gobiernos pueden superar estos desafíos garantizando que las regulaciones y otras reglas formales estén actualizadas, sean ágiles y minimicen la ambigüedad. Hay evidencia de que los gobiernos están avanzando en esta dirección. Por ejemplo, Deloitte (2023[39]) concluyó que la regulación adaptativa, que de un modo "regular y olvidar" a un enfoque receptivo e interactivo, es uno de los tipos de políticas más comunes monitoreadas por el Observatorio de Políticas OECD.AI. También es importante contar con directrices adicionales que ayuden a contextualizar las regulaciones en funciones particulares del gobierno. El análisis de cómo lo están haciendo los gobiernos se encuentra en el Capítulo 4, "Establecimiento de mecanismos y procesos clave de gobernanza" y "Uso de instrumentos de política para orientar una IA confiable".
Costos elevados o inciertos de la adopción y escalada de la IA
Si bien la adopción de la IA tiene el potencial de reducir costos a través de una mayor productividad y eficiencia, muchas organizaciones gubernamentales tienen dificultades para realizar las inversiones financieras iniciales para comenzar sus viajes de adopción de IA, o para ampliar los casos de uso que resultan exitosos. Estos costos pueden variar en ocasiones desde el pago de tarifas de licencia por empleado para ofertas de IA basadas en servicios, como ChatGPT o Microsoft Copilot, hasta amplios costos de desarrollo, personalización y soporte para soluciones internas más personalizadas (Shark, 2025[51]; Barrett and Greene, 2024[52]). En el Reino Unido, una encuesta realizada por SAS a servidores públicos (2025[53]) destacó que el principal desafío eran las restricciones presupuestarias y los costos (planteadas por el 67 % de los encuestados), seguidas de cerca por la falta de competencias internas (63 %). A pesar de la naturaleza crítica del financiamiento de IA, el Índice de Gobierno Digital (DGI) de la OCDE (2024[24]) destaca que solo el 15 % de los países de la OCDE cuentan con un marco de inversión en IA pública.
En el Capítulo 5 se mencionan los desafíos financieros que plantea la adopción de IA para varias funciones gubernamentales, como el diseño y la implementación de la regulación, los servicios públicos, la administración tributaria, la lucha contra la corrupción y el fomento de la integridad pública, así como la participación ciudadana. En algunos casos, los desafíos financieros también están relacionados con los costos de contratación o adquisición de talento calificado, y las carencias en materia de competencias se han analizado anteriormente como un desafío aparte. Funciones como la administración tributaria también ha indicado que el proceso para asegurar los presupuestos en el gobierno es un desafío.
Este desafío puede contribuir a la conclusión de la OCDE de que los gobiernos a menudo parecen estancados en las fases exploratoria y piloto, con una escalada limitada de soluciones exitosas. Por ejemplo, las autoridades tributarias han dicho a la OCDE que llevar a cabo pequeñas pruebas piloto es barato y fácil, incluso con sistemas avanzados obtenidos del sector privado. Sin embargo, estos costos pueden aumentar exponencialmente a medida que las ofertas de IA se implementan de forma más amplia dentro de las organizaciones o se amplían a otras partes del gobierno. Los costos son particularmente altos para las soluciones específicamente diseñadas, ya que un grupo de 10 países se centró en la IA en aras del interés público y afirmó que "se ha asumido que la barrera para escalar los modelos de IA es principalmente la falta de disponibilidad y asequibilidad de los ordenadores" (France Élysée, 2025[54]).
Los gobiernos deben reconocer que la inversión insuficiente en tecnología aumenta los costos a largo plazo y los costos totales de propiedad (UK DSIT, 2025[21]). Algunos gobiernos están tratando de abordar estos problemas mediante inversiones específicas, así como la prestación de servicios centrales que ayudan a aliviar la necesidad de que cada organismo cree o compre sus propias soluciones. Pueden verse en el Capítulo 4, en los apartados "Invertir con propósito", "Crear infraestructuras digitales" y "Crear espacios para experimentar". Algunos también utilizan modelos de código abierto o exploran modelos más pequeños que pueden diseñarse para responder a necesidades sociales y comunitarias específicas, lo que requiere menos poder computacional y datos (France Élysée, 2025[54]).
Aunque los costos señalados por los gobiernos en el Capítulo 5 tienden a centrarse en los financieros, es útil que los gobiernos tengan en cuenta que no solo los costos monetarios afectan a la adopción y la escalada de la IA. Los costos psicológicos relacionados con el uso de la IA también pueden afectar al grado en que las personas utilizan las herramientas de IA en su trabajo diario, incluso si las inversiones se realizan para ponerlas a disposición. Estos costos pueden incluir los costos de búsqueda, que ocurren cuando las personas buscan información pero encuentran información obsoleta, lenguaje confuso o requisitos confusos, o los costos cognitivos, los recursos mentales que las personas gastan en comprender información compleja (Shahab and Lades, 2021[55]). Las "auditorías de fricción" (también conocidas como ‘sludge audits’ en inglés) son evaluaciones estructuradas del comportamiento de un proceso de toma de decisiones cuyo objetivo es identificar, prevenir y reducir fricciones innecesarias y costos psicológicos, que impiden que las personas tomen acciones que de otro modo tomarían (OECD, 2024[56]). Al realizar auditorías de fricción sobre el uso de herramientas de IA, los gobiernos pueden comprender y abordar las barreras a la aceptación que pueden limitar la adopción y escalada de la IA.
Los gobiernos pueden carecer de claridad sobre cuánto puede o debe costar el desarrollo y uso de la IA
Los desafíos analizados anteriormente son más relevantes cuando se conocen dichos costos. Los gobiernos han informado a la OCDE de que, con frecuencia, existe incertidumbre o confusión sobre el costo que podría o debería suponer el desarrollo o el uso de diferentes tipos de sistemas de IA. Esto dificulta a las instituciones públicas en su planificación eficaz y evaluación de ofertas de proveedores a la hora de considerar la contratación pública para buscar soluciones. Aclarar estos costos puede ayudar a garantizar que los gobiernos estén preparados para adoptar sistemas de IA de forma estratégica y sostenible. Sin embargo, la OCDE no pudo identificar ninguna investigación que abordara el costo del desarrollo o el uso de diferentes tipos de sistemas de IA en el gobierno. Esto sugiere un área óptima para futuras investigaciones y análisis. Aun así, comprender los costos en un sentido más amplio o a partir de proyectos gubernamentales específicos de IA puede ayudar a los gobiernos a llegar a estimaciones con fines de planificación. Esta sección pretende dar los primeros pasos para ayudar a los gobiernos a hacerlo, con la posibilidad de profundizar en el trabajo de la OCDE sobre este tema en el futuro.
El costo de adoptar IA puede variar significativamente dependiendo del tipo de sistema y su escalada de uso. Por ejemplo, los gobiernos pueden optar por diversas opciones a la hora de adoptar la IA, como las que se mencionan a continuación.
Herramientas de concesión de licencias del sector privado con precios fijos por usuario o licencia
Las empresas que ofrecen herramientas de IA suelen cobrar por usuario. Este es el caso de servicios como Microsoft 365 Copilot, ChatGPT de OpenAI o Claude de Anthropic. Las licencias para estos servicios se pueden adquirir a nivel de empresa, con precios que oscilan entre 30 y 100 USD por usuario y mes. Por ejemplo, la versión empresarial de Microsoft 365 Copilot cuesta 30 USD al mes5. Por lo tanto, un gobierno ejecutando un proyecto piloto comparable al piloto de seis meses de Australia con 7.600 empleados en 60 organismos (2024[57]) podría estimarse en torno a los 1,37 millones de dólares solo en el caso de las licencias; sin incluir adiciones como tiempo de personal para la administración del programa piloto y la presentación de informes sobre resultados, así como otros gastos generales. Para el proyecto piloto de Australia, el Tesoro australiano (2025[58]) estimó que la licencia podría pagarse por sí misma para un personal gubernamental de nivel medio si la IA permitiera ahorrar 13 minutos de su tiempo semanal y destinarlo a tareas de mayor valor. Los costos de ChatGPT Enterprise no se publican en el sitio web de OpenAI, aunque cuando se le preguntó, ChatGPT sugirió un costo de 60-100 USD por usuario al mes, que varía según el volumen y características. Los precios del Plan Empresarial Claude de Anthropic también dependen de las necesidades y características de las empresas. Si bien los precios no están disponibles en el sitio web de Anthropic, los sitios web de terceros calculan un costo de 60 USD por persona al mes6.
Uso de sistemas de IA generativa del sector privado con precios basados en el volumen, como tokens
Los sistemas GenAI suelen ofrecerse a través de precios basados en el volumen, basados en el número de llamadas a la API. Mientras que la prestación a través de licencias es más pertinente cuando los servidores públicos utilizan directamente las herramientas de IA (por ejemplo, al utilizar Copilot para ayudar a redactar documentos), la tarificación basada en el volumen es más pertinente cuando los gobiernos crean servicios internos o de cara al público que se conectan con un modelo propietario, o cuando quieren personalizar (es decir, ajustar) el contenido que considera el modelo o cómo produce los resultados. Las principales funciones del precio incluyen:
Tokens de entrada: tokens incluidos en un prompt, o indicación con instrucciones, contexto o datos enviados al modelo.
Tokens de salida: tokens generados por el modelo en respuesta a una entrada.
Tokens de entrenamiento: datos (por ejemplo, fragmentos de texto) de los que aprende un modelo de IA durante la formación.
Los modelos ven los datos como tokens, no como oraciones o párrafos. El costo de los tokens depende de la empresa y puede basarse en el nivel de complejidad y recursos necesarios para un modelo individual. Por ejemplo, los costos de algunos modelos de uso común se indican en la Tabla 3.1.
Un millón de tokens representan aproximadamente 750 000 palabras, 100 000 líneas de código, 11 horas de audio transcrito o 1 hora de vídeo transcrito
Nota: A 10 de abril de 2025. Los costos de inferencia para utilizar un modelo concreto o su equivalente tienden a disminuir con el tiempo (Stanford HAI, 2025[59]).
Fuente: https://openai.com/api/pricing, https://ai.google.dev/gemini-api/docs/pricing, https://mistral.ai/products/la-plateforme, https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them, https://prompt.16x.engineer/blog/code-to-tokens-conversion, https://prompt.16x.engineer/blog/code-to-tokens-conversion, https://blog.google/technology/ai/google-gemini-next-generation-model-february-2024.
Además, algunas empresas están ofreciendo modelos base a través de niveles específicos dedicados a organismos gubernamentales7. Estos servicios buscan cumplir con los estrictos estándares de seguridad de los gobiernos. Además, su objetivo es adaptarse a las necesidades de los gobiernos, proporcionando soluciones que faciliten la gestión de sus propios requisitos de seguridad, privacidad y cumplimiento, así como permitirles utilizar los servicios para actividades que puedan estar fuera de las políticas de uso estándar. Las experiencias de un laboratorio de IA del gobierno central en la aplicación de este enfoque se analizan en el Recuadro 3.1. Los modelos privados también se pueden utilizar junto con los modelos de código abierto, como se indica a continuación.
Operaciones y gastos
Un laboratorio de IA del gobierno central en un país sigue un enfoque gradual para explorar, probar y ampliar los proyectos de IA para su uso en el sector público por parte de servidores públicos. En total, tiene alrededor de 100 proyectos en fase de estudio, unos 15 en fase de pruebas limitadas y entre cinco y siete son accesibles para usuarios reales mediante un despliegue piloto o completo.
El laboratorio utiliza alojamiento en la nube e IA de Azure OpenAI, Vertex AI (Google) y Amazon Web Services (AWS). Cuenta con un presupuesto de unos 17,5 millones de euros. Todo el trabajo se realiza internamente. La mayoría de sus gastos son de personal, que incluyen aproximadamente:
15 empleados a tiempo completo equivalentes (ETC) para talento técnico (siete para desarrollo e ingeniería de IA, cuatro para diseño e investigación de usuarios y cuatro para nube/infraestructura).
6 ETC para la gestión de la prestación de servicios, que es fundamental para garantizar que el talento técnico pueda centrarse en desafíos técnicos, mientras que los gestores de la prestación de servicios se centran en abordar desafíos relacionados con las políticas y la burocracia.
6 ETC para análisis de impacto que utilizan la ciencia de datos para estudiar resultados e impacto de los proyectos.
Su proyecto más grande cuenta con unos 4 000 usuarios y alrededor de 8 ETC que trabajan en él. Otros proyectos son más pequeños, y algunos cuentan con uno o dos ETC. En total, los productos del laboratorio tienen unos 10 000 usuarios mensuales. Los costos totales de los servicios en la nube de IA, incluidos los tokens, rondan los 3 500 EUR al mes.
Lecciones aprendidas
Los primeros proyectos son, por mucho, los más caros y lentos, con importantes inversiones en la configuración de infraestructuras en la nube y plantillas de despliegue que pueden reutilizarse fácilmente para futuros proyectos. Los despliegues que duraron tres semanas cada uno para los primeros proyectos ahora tardan 30 minutos.
Es importante contar con una sólida infraestructura en la nube y compartirla de manera óptima entre proyectos para promover sinergias.
El laboratorio tuvo en cuenta las ventajas y desventajas de utilizar modelos de IA privados frente a las implementaciones personalizadas de modelos de código abierto (por ejemplo, Llama de Meta). Determinó que los modelos privados de precio por volumen eran más efectivos porque los servidores públicos tienden a usar los sistemas de IA de 9:00 a 18:00. Para una implementación personalizada, tendrían que pagar por el uso de la GPU todo el día, incluso cuando los modelos no se están utilizando. En general, los precios basados en tokens eran menos costosos para sus necesidades. Además, este enfoque permite que el laboratorio genere nuevas instancias de modelos de forma más rápida y sencilla. Por ejemplo, puede implementar un nuevo modelo GPT-4.1 en unos cinco minutos, mientras que la implementación personalizada de un modelo de código abierto podría llevar semanas de trabajo de infraestructura.
En general, el laboratorio estimó que habría costado 9 300 EUR al mes alojar por sí mismo un modelo Llama, donde actualmente gastan alrededor de 3 500 EUR en tokens.
A medida que ha crecido el uso de herramientas de IA del laboratorio, este está llegando a los límites en que los proveedores de nube están dispuestos a proporcionar en términos de precios de pago por uso. A medida que su uso continúa aumentando, se enfrentan a la opción de 1) comprar capacidad de GPU de los proveedores de la nube, o 2) modelos de código abierto con alojamiento propio y pagar por el acceso a la GPU directamente (como se mencionó en el punto anterior). Para el laboratorio, la opción 1 puede ser óptima porque todavía permite un despliegue rápido.
El costo del desarrollo de IA, tanto en términos de recursos técnicos (por ejemplo, servicios en la nube o tokens) como de recursos humanos, está disminuyendo rápidamente. El laboratorio está descubriendo que cada vez más pueden usar IA para construir IA, lo que puede cambiar las demandas laborales. Aún no se han determinado las implicaciones para esto.
Fuente: Entrevista de la OCDE a funcionarios de un país no revelado el 18 de abril de 2025. La OCDE no publica el nombre del país o del laboratorio debido a la naturaleza preliminar de las estimaciones y los análisis.
Desarrollo de aplicaciones de ML personalizadas y específicas (tanto internas como adquiridas)
Los sistemas de IA restringidos y adaptados a tareas específicas del sector público pueden variar desde gastos relativamente pequeños hasta proyectos multimillonarios. Estos sistemas implican desarrollos de ML para casos de uso específicos, como la detección de fraudes, la optimización del tráfico o la clasificación de documentos. Los pilotos simples podrían construirse por unos pocos miles de dólares, mientras que los sistemas nacionales complejos pueden costar millones o decenas de millones (USD), especialmente si se exploran aplicaciones de defensa (Barnett, 2020[60]). Por ejemplo, el gobierno de Australia Meridional está probando cuatro cámaras con IA para reducir la congestión del tráfico mediante el análisis de congestión y ajuste de los ciclos de los semáforos a un costo de 218 000 USD (equivalente) (Jackson, 2025[61]).
Sin embargo, los costos varían mucho según la complejidad y el contexto, y es posible que se necesiten costos adicionales para la preparación de datos, la infraestructura y el monitoreo y mantenimiento continuos. Dado que los enfoques y costos asociados varían de forma considerable según el caso de uso, es difícil proporcionar estimaciones más allá de estos ejemplos. Podría justificarse un análisis más detallado para considerar los diferentes aspectos de estos casos de uso y lo que los distintos gobiernos de todo el mundo han pagado por ellos.
Desarrollo de modelos de GenAI personalizados diseñados y entrenados desde cero
En comparación con el desarrollo y la formación personalizados de un modelo de GenAI, que se analiza más adelante, los modelos de IA de código abierto previamente entrenados (como los modelos Llama de Meta) pueden ofrecer costos reducidos, ya que el gobierno sigue siendo capaz de personalizar en gran medida el modelo para satisfacer sus necesidades8. Los modelos de código abierto pueden alojarse por sí solos en la nube o en las instalaciones, lo que ofrece a los gobiernos un mayor control sobre sus datos y una eficiencia de costos a largo plazo. Aunque el uso de un modelo de código abierto previamente entrenado puede reducir los costos de ajustes a los que se generan con los ajustes, el resto de los costos pueden ser considerables. Por ejemplo, el autoalojamiento elimina las tarifas recurrentes de tokens o licencias, pero requiere una inversión inicial significativa en hardware e infraestructura, recursos de nube, consumo de energía y costos de mantenimiento y soporte.
A pesar de una mayor inversión inicial en comparación con los precios basados en licencias o volumen, algunos gobiernos han descubierto que el autoalojamiento puede ser rentable a gran escala y desbloquear usos no viables a través de API comerciales (por ejemplo, tareas de inteligencia sensibles, servicios locales siempre activos u operaciones sin conexión en infraestructuras críticas). Por ejemplo, China Taipéi invirtió 7,4 millones de USD en el desarrollo de su propio modelo básico, denominado Motor de diálogo con IA confiable (TAIDE por sus siglas en inglés), que utiliza los modelos de código abierto Llama de Meta (Creery, 2024[62])9.
El uso gubernamental de la plataforma de código abierto Polis (Recuadro 5.36) representa un uso más restringido de IA de código abierto que los esfuerzos de TAIDE para desarrollar un modelo base. Una organización gubernamental que creó una versión personalizada y autodistribuida de Polis para una campaña de participación pública a gran escala, compuesta por 33 Polis polacos regionales y nacionales con 30 000 participaciones, incurrió en unos costos globales de alrededor de 422 500 EUR durante un período de 14 meses10. Estos gastos consistieron en 195 000 EUR para el desarrollo web experto, servicios en la nube y un sprint de diseño conjunto de experiencia de usuario (UX) subcontratado, y 227 500 EUR en tiempo de personal para implementar Polis en los flujos de trabajo existentes de la organización y para coordinar y llevar a cabo actividades de participación cívica. Desde entonces, la misma organización ha invertido 200 000 EUR en seguir mejorando su aplicación de Polis, dividido 50/50 entre costos técnicos y de personal. Este trabajo de mejora incluyó el diseño e implementación de la interfaz de usuario (UI) y otros trabajos de desarrollo técnico, que han sido de código abierto para otros usuarios de Polis. En general, la organización estima que basta con dos empleados a tiempo completo (ETC) para gestionar el trabajo, con la combinación de conocimientos técnicos necesarios (como desarrollo técnico, gestión de proyectos, diseño de UX y participación digital).
Los modelos de código abierto también se pueden utilizar junto con modelos privados. Por ejemplo, uno de los asistentes virtuales analizados en el Capítulo 5 utiliza tanto Gemini 1.5 Flash de Google como un modelo Llama de Meta, que utiliza la interfaz de chat y la orquestación de los dos modelos desarrollados internamente mediante tecnologías de código abierto11. El sistema se está pilotando con 18 000 usuarios, y los principales costos están asociados con el uso del LLM de Gemini y el alojamiento web en la nube para la aplicación de chat. Si bien la plataforma LLM le cuesta al gobierno alrededor de 18 000 EUR al mes, esperan una reducción sustancial ya que entienden cómo usar el modelo de manera más eficiente. El alojamiento web cuesta alrededor de 2 300 EUR al mes. En conjunto, estiman sus costos en 0,93-1,55 euros por usuario y mes. Los funcionarios están en conversaciones iniciales para ampliar el programa piloto en otros departamentos. El equipo de desarrollo y coordinación está formado por aproximadamente 10 ETC.
Desarrollo de modelos GenAI personalizados construidos y entrenados desde cero
El desarrollo de modelos GenAI personalizados y entrenados suele ser la opción más cara (para un rendimiento comparable) debido a la alta inversión inicial y la complejidad operativa. Los costos de capacitación de un LLM dependen del tamaño del modelo (los modelos más grandes con más parámetros requieren más potencia computacional y consumen más energía), la calidad y cantidad de datos de entrenamiento (lo que influye en el costo de adquisición y curación de los datos), las opciones de infraestructura (ya sea que la capacitación se realice en instalaciones o en la nube) y la eficiencia de los algoritmos de entrenamiento utilizados.
Las empresas de IA a menudo no divulgan públicamente los costos de formación asociados a sus modelos, aunque los investigadores estiman que los modelos populares actuales cuestan entre 41 y 192 millones de USD (Stanford HAI, 2025[59]). Dado que el costo de la formación de los modelos más avanzados se multiplica por dos o por tres cada año, algunos estudios estiman que la formación de los modelos más grandes podría costar más de 1 000 millones EUR de aquí a 2027 (Cottier et al., 2024[63]). Si bien estos costos pueden parecer altos, pueden palidecer en comparación con las importantes inversiones en investigación y desarrollo, los costos de personal y los esfuerzos de recopilación de datos necesarios para lograr los últimos modelos de base (Stanford HAI, 2025[59]). Las empresas líderes en IA también tienen otros requisitos previos para desarrollar tales modelos, como un profundo talento técnico y, a menudo, asociaciones estratégicas con otras empresas.
Sin embargo, los gobiernos no necesariamente tienen que embarcarse en la construcción de sistemas tan extensos y poderosos que busquen vencer a los competidores del mercado. Por ejemplo, la formación desde cero de LLM financiados por el gobierno puede requerir menos personal y recursos de costos, especialmente para aquellos con menos parámetros o que buscan maximizar la relevancia para un país, región o idioma específicos. Por ejemplo, OpenEuroLLM tiene un presupuesto total de 37,4 millones de euros, lo que implica que una fracción de esta suma se dedicará al entrenamiento de su modelo de fundación con otra fracción para el personal (EC, 2025[64])12. En otro ejemplo, un país europeo desarrolló y entrenó un LLM en la lengua nacional, cuyo costo total, incluido el personal, ascendió a unos 500 000 EUR, de los cuales 300 000 EUR se destinaron al uso de la GPU.13 Otro ejemplo es GPT-NL en Países Bajos, que está invirtiendo unos 13,5 millones EUR proporcionados por el Ministerio de Asuntos Económicos y Clima de los Países Bajos (EZK) para formar un modelo (2023[65]). Se han emprendido otros esfuerzos en Japón, Singapur, España, Suecia y los Emiratos Árabes Unidos (Chavez, 2024[66]). El modelo de lenguaje multilingüe de acceso abierto de BigScience (BLOOM)14 desarrollado de forma colaborativa, contó con importantes contribuciones de organismos públicos. El proyecto fue liderado principalmente por Hugging Face y el Centro Nacional de Investigación Científica (CNRS) de Francia, con el apoyo de una subvención pública para computación en el supercomputador público francés «Jean Zay». El costo estimado del entrenamiento es de 2 a 5 millones de USD.
Infraestructuras tecnológicas heredadas y obsoletas
Las ambiciones de muchos gobiernos en materia de IA tardan en materializarse debido a que los sistemas informáticos heredados están obsoletos y no son adecuados para el desarrollo o uso de la IA, o son inadecuados para gestionar e intercambiar grandes cantidades de datos interoperables y de calidad (Irani et al., 2023[67]). Estos sistemas pueden dar lugar a importantes oportunidades perdidas. Por ejemplo, solo en un área de atención en el Reino Unido, "los servicios financiados por los contribuyentes del NHS a los consejos locales se están perdiendo 45 000 millones de libras esterlinas en ahorros de productividad, más que suficiente para pagar por cada escuela primaria en el Reino Unido durante un año completo, porque con demasiada frecuencia dependen de tecnología antigua y obsoleta" (UK DSIT, 2025[68]). El gobierno (2025[21]) estima que el 28 % de los sistemas informáticos del gobierno central están obsoletos, alcanzando el 70 % en algunas organizaciones, y el 57 % de los funcionarios del gobierno del Reino Unido encuestados por la empresa de software SAS (2025[53]) citó los sistemas heredados como una barrera para la adopción de IA. La cuestión también ha sido planteada por el UK PAC (2025[6]) como un impedimento para el uso de IA en el gobierno.
En el Capítulo 5 se analiza cómo la tecnología obsoleta heredada afecta a la adopción de IA. Por ejemplo, el potencial de IA en la gestión financiera pública está limitado por los sistemas de información de gestión financiera obsoletos de los gobiernos de todo el mundo, que tienen más de una década de antigüedad en la mayoría de los países de la OCDE (Rivero del Paso et al., 2023[69]; OECD, 2024[70]). A pesar de la importancia del desafío, las consideraciones y el análisis de los efectos adversos de la tecnología heredada en la adopción de IA parecen ser menores en la mayoría de los países y las funciones gubernamentales. Si bien el párrafo anterior incluye detalles significativos sobre la escala del desafío en el Reino Unido para ilustrar el punto, esto se debe en gran medida a que la mayoría de los demás gobiernos no han realizado el análisis necesario para articular el problema de tal manera.
Este desafío depende de otros, como los importantes costos de financiar la reparación de los sistemas heredados. La tecnología obsoleta heredada también contribuye a otros desafíos, como los problemas de datos y una "dependencia excesiva de los contratistas para aumentar los costos", incluso para mantener sistemas obsoletos, con "el mantenimiento de los sistemas heredados que a menudo cuesta de tres a cuatro veces el de las alternativas modernas" (UK DSIT, 2025[68]). Estos gastos podrían asignarse mejor en esfuerzos de innovación y modernización.
Los gobiernos están adoptando diversas medidas para modernizar sus sistemas con el fin de que estén más preparados para la IA. En un caso novedoso, el Departamento de Defensa de Estados Unidos está usando IA para modernizar el código heredado (Harper, 2024[71]). Más tradicionalmente, algunos gobiernos están proporcionando financiamiento específico para los esfuerzos de modernización (véase el Capítulo 4, "Financiamiento de la IA y apoyo a inversiones coherentes en todo el gobierno").
Para superar los desafíos de implementación descritos en este capítulo, así como para mitigar los riesgos descritos en el Capítulo 1, los gobiernos pueden recurrir a las políticas públicas. De hecho, algunos gobiernos ya lo están haciendo. El siguiente capítulo examina las medidas de política que los gobiernos pueden adoptar —y algunas que ya están adoptando— para ofrecer una IA fiable y aprovechar todo su potencial.
Bibliografía
[7] Austin, T. et al. (2024), A snapshot of how public sector leaders feel about generative AI, https://www2.deloitte.com/us/en/insights/industry/public-sector/ai-adoption-in-public-sector.html.
[57] Australia DTA (2024), Evaluation of whole-of-government trial into generative AI: Now available, https://www.dta.gov.au/blogs/evaluation-whole-government-trial-generative-ai-now-available.
[58] Australia Treasury (2025), Evaluation of a trial of generative AI (Copilot) in The Treasury, https://evaluation.treasury.gov.au/publications/evaluation-generative-artificial-intelligence.
[20] Autio, C., K. Communigs and B. Elliott (2023), A Snapshot of Artificial Intelligence Procurement Challenges, https://files.thegovlab.org/a-snapshot-of-ai-procurement-challenges-june2023.pdf.
[60] Barnett, J. (2020), JAIC awards biggest contract yet to buy AI for the battlefield, https://fedscoop.com/battlefield-ai-jaic-booz-allen.
[52] Barrett, K. and R. Greene (2024), The Future of AI For the Public Sector: The Challenges and Solutions, https://www.businessofgovernment.org/blog/future-ai-public-sector-challenges-and-solutions.
[2] Brizuela, A. et al. (2025), Analysis of the generative AI landscape in the European public sector, European Commission, https://op.europa.eu/s/z4XY.
[66] Chavez, P. (2024), Sovereign AI in a Hybrid World: National Strategies and Policy Responses, https://www.lawfaremedia.org/article/sovereign-ai-in-a-hybrid-world--national-strategies-and-policy-responses.
[41] Cheng, L. and A. Chouldechova (2023), “Overcoming Algorithm Aversion: A Comparison between Process and Outcome Control”, Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems, pp. 1-27, https://doi.org/10.1145/3544548.3581253.
[63] Cottier, B. et al. (2024), The rising costs of training frontier AI models, https://arxiv.org/abs/2405.21015.
[62] Creery, J. (2024), Taiwan Builds Own AI Language Model to Counter China’s Influence, https://www.bloomberg.com/news/articles/2024-01-25/taiwan-builds-own-ai-language-model-to-counter-china-s-influence?.
[17] de Mello, L. and T. Ter-Minassian (2020), “Digitalisation challenges and opportunities for subnational governments”, OECD Working Papers on Fiscal Federalism, No. 31, OECD Publishing, Paris, https://doi.org/10.1787/9582594a-en.
[34] Desouza, K. (2018), Delivering Artificial Intelligence in Government: Challenges and opportunities, https://www.businessofgovernment.org/sites/default/files/Delivering%20Artificial%20Intelligence%20in%20Government.pdf.
[44] Dietvorst, B., J. Simmons and C. Massey (2018), “Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them”, Management Science, Vol. 64/3, pp. 1155-1170, https://doi.org/10.1287/mnsc.2016.2643.
[64] EC (2025), A pioneering AI project awarded for opening Large Language Models to European languages, https://digital-strategy.ec.europa.eu/en/news/pioneering-ai-project-awarded-opening-large-language-models-european-languages.
[8] EC (2024), Adoption of AI, blockchain and other emerging technologies within the European public sector – A public sector Tech Watch report, Publications Office of the European Union, https://data.europa.eu/doi/10.2799/3438251.
[9] EC (2024), Public Sector Tech Watch latest dataset of selected cases, http://data.europa.eu/89h/e8e7bddd-8510-4936-9fa6-7e1b399cbd92 (accessed on 4 March 2025).
[38] Fagan, M. (2024), AI for the People: Use Cases for Government, https://www.hks.harvard.edu/sites/default/files/centers/mrcbg/working.papers/M-RCBG%20Working%20Paper%202024-02_AI%20for%20the%20People.pdf.
[43] Featherson, R., A. Shlonsky and C. Lewis (2019), “Intervetions to Mitigate Bias in Social Work Decision-Making: A Sytematic Review”, Research on Social Work Practice, Vol. 29/7, https://doi.org/10.1177/1049731518819160.
[54] France Élysée (2025), The Paris Charter on Artificial Intelligence in the Public Interest, https://www.elysee.fr/en/emmanuel-macron/2025/02/11/the-paris-charter-on-artificial-intelligence-in-the-public-interest.
[47] Frontier economics (2024), Guidance on the impact of AI interventions, https://www.frontier-economics.com/uk/en/news-and-insights/news/news-article-i21121-analysing-the-impact-of-ai-interventions-in-government.
[65] Government of the Netherlands (2023), The Netherlands is building its own open language model GPT-NL, https://www.digitaleoverheid.nl/nieuws/nederland-bouwt-eigen-open-taalmodel-gpt-nl/.
[71] Harper, J. (2024), Pentagon using AI to modernize legacy code, https://defensescoop.com/2024/09/12/pentagon-artificial-intelligence-modernize-legacy-code-john-hale/.
[37] Hodges, D. (2024), Fumbles can’t kill the government’s AI appetite, https://www.themandarin.com.au/249756-red-faces-and-fumbles-cant-kill-governments-ai-appetite/.
[67] Irani, Z. et al. (2023), “The impact of legacy systems on digital transformation in European public administration: Lesson learned from a multi case analysis”, Government Information Quarterly, Vol. 40/1, p. 101784, https://doi.org/10.1016/j.giq.2022.101784.
[61] Jackson, B. (2025), South Australian drivers to be monitored by AI cameras, https://www.news.com.au/technology/south-australian-drivers-to-be-monitored-by-ai-cameras/news-story/8a63be3e80d4bba60735d58ec8c473db.
[39] Mariani, J., W. Eggers and P. Kishnani (2023), The AI regulations that aren’t being talked about, https://www2.deloitte.com/us/en/insights/industry/public-sector/ai-regulations-around-the-world.html.
[19] Mitchell, S. (2025), Skills gap in public sector IT fuels outsourcing reliance, https://itbrief.co.uk/story/skills-gap-in-public-sector-it-fuels-outsourcing-reliance.
[27] Monteiro, B., A. Hlacs and P. Boéchat (2024), “Public procurement for public sector innovation: Facilitating innovators’ access to innovation procurement”, OECD Working Papers on Public Governance, No. 80, OECD Publishing, Paris, https://doi.org/10.1787/9aad76b7-en.
[29] Morley, J. et al. (2019), “From What to How: An Initial Review of Publicly Available AI Ethics Tools, Methods and Research to Translate Principles into Practices”, Science and Engineering Ethics, Vol. 26/4, pp. 2141-2168, https://doi.org/10.1007/s11948-019-00165-5.
[10] Muñoz-Cadena, S. et al. (2025), Sistemas de IA en el sector público de América Latina y el Caribe (Versión V2), https://sistemaspublicos.tech/sistemas-de-ia-en-america-latina/ (accessed on 29 April 2025).
[15] NASCIO (2024), Generative Artificial Intelligence and its Impact on State Government IT Workforces, National Association of State Chief Information Officers, https://www.nascio.org/resource-center/resources/generative-artificial-intelligence-and-its-impact-on-state-government-it-workforces/.
[24] OECD (2024), “2023 OECD Digital Government Index: Results and key findings”, OECD Public Governance Policy Papers, No. 44, OECD Publishing, Paris, https://doi.org/10.1787/1a89ed5e-en.
[31] OECD (2024), “Assessing potential future artificial intelligence risks, benefits and policy imperatives”, OECD Artificial Intelligence Papers, No. 27, OECD Publishing, Paris, https://doi.org/10.1787/3f4e3dfb-en.
[70] OECD (2024), “Financial Management Information Systems in OECD countries”, OECD Papers on Budgeting, No. 2024/02, OECD Publishing, Paris, https://doi.org/10.1787/ce8367cd-en.
[56] OECD (2024), Fixing Frictions: ’Sludge audits’ around the world, OECD Publihing, https://doi.org/10.1787/14e1c5e8-en-fr.
[30] OECD (2024), “Governing with Artificial Intelligence: Are governments ready?”, OECD Artificial Intelligence Papers, No. 20, OECD Publishing, Paris, https://doi.org/10.1787/26324bc2-en.
[4] OECD (2024), Shaping smart cities of all sizes, OECD Publishing, https://www.oecd.org/content/dam/oecd/en/about/programmes/cfe/the-oecd-programme-on-smart-cities-and-inclusive-growth/Proceedings-4th-Roundtable-Smart-Cities-Inclusive-Growth.pdf/_jcr_content/renditions/original./Proceedings-4th-Roundtable-Smart-Cities-In.
[23] OECD (2023), “2023 OECD Open, Useful and Re-usable data (OURdata) Index: Results and key findings”, OECD Public Governance Policy Papers, No. 43, OECD Publishing, Paris, https://doi.org/10.1787/a37f51c3-en.
[32] OECD (2021), “The OECD Framework for digital talent and skills in the public sector”, OECD Working Papers on Public Governance, No. 45, OECD Publishing, Paris, https://doi.org/10.1787/4e7c3f58-en.
[25] OECD (2019), The Path to Becoming a Data-Driven Public Sector, OECD Digital Government Studies, OECD Publishing, Paris, https://doi.org/10.1787/059814a7-en.
[3] OECD (2017), Fostering Innovation in the Public Sector, OECD Publishing, Paris, https://doi.org/10.1787/9789264270879-en.
[1] OECD/CAF (2022), The Strategic and Responsible Use of Artificial Intelligence in the Public Sector of Latin America and the Caribbean, OECD Public Governance Reviews, OECD Publishing, Paris, https://doi.org/10.1787/1f334543-en.
[11] OECD/UNESCO (2024), G7 Toolkit for Artificial Intelligence in the Public Sector, OECD Publishing, Paris, https://doi.org/10.1787/421c1244-en.
[28] Parliament of Australia (2025), Report 510: Inquiry into the use and governance of artificial intelligence systems by public sector entities - ’Proceed with Caution’, https://parlinfo.aph.gov.au/parlInfo/download/committees/reportjnt/RB000567/toc_pdf/Report510Inquiryintotheuseandgovernanceofartificialintelligencesystemsbypublicsectorentities-'ProceedwithCaution'.pdf.
[16] PTI (2024), AI and City/County Government: Survey Results, Public Technology Institute, https://fusionlp.org/wp-content/uploads/2024/11/AI-Survey-City-and-County-Final-2024.pdf.
[36] Richter, A. (2024), Navigating Generative AI in Government, https://businessofgovernment.org/report/navigating-generative-ai-government.
[69] Rivero del Paso, L. et al. (2023), Digital Solutions Guidelines for Public Financial Management, https://www.imf.org/en/Publications/TNM/Issues/2023/10/06/Digital-Solutions-Guidelines-for-Public-Financial-Management-537781.
[5] Ryseff, J., B. De Bruhl and S. Newberry (2024), The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RAND, https://www.rand.org/pubs/research_reports/RRA2680-1.html.
[22] Ryseff, J. and A. Narayanan (2025), Why AI Projects Fail, https://www.rand.org/pubs/presentations/PTA2680-1.html.
[12] Salesforce (2024), 6 in 10 IT Workers Report Shortage of AI Skills in the Public Sector, https://www.salesforce.com/news/stories/public-sector-ai-statistics/.
[50] Samuleson, W. and W. Zeckhauser (1988), “Status quo bias in decision making”, Journal of Risk and Uncertainty, Vol. 1, pp. 7-59, https://doi.org/10.1007/bf00055564.
[53] SAS (2025), Slow uptake of AI in government hindering strategic goals, new research finds, https://www.sas.com/en_gb/news/press-releases/2024/september/slow-uptake-of-ai-in-government-hindering-strategic-goals.html.
[35] SAS (2020), AI in government: The path to adoption and deployment, https://www.sas.com/en_sa/insights/articles/analytics/ai-in-government.html.
[55] Shahab, S. and L. Lades (2021), “Sludge and transaction costs”, Behaviorual Public Policy, Vol. 1/22, https://doi.org/10.1017/bpp.2021.12.
[51] Shark, A. (2025), What the Rising Costs of AI Means for Government, https://statetechmagazine.com/article/2025/01/what-rising-costs-ai-means-government.
[59] Stanford HAI (2025), Artificial Intelligence Index Report 2025, https://hai-production.s3.amazonaws.com/files/hai_ai_index_report_2025.pdf.
[42] Sunstein, C. and J. Gaffe (2024), An Anatomy of Algorithm Aversion, Elsevier BV, https://doi.org/10.2139/ssrn.4865492.
[45] Teale, C. (2025), Public-sector concerns over AI are lessening, survey says, https://www.route-fifty.com/artificial-intelligence/2025/02/public-sector-concerns-over-ai-are-lessening-survey-says/403328.
[46] The Alan Turing Institute (2024), AI for bureaucratic productivity: Measuring the potential of AI to help automate 143 million UK government transactions, https://www.turing.ac.uk/news/publications/ai-bureaucratic-productivity-measuring-potential-ai-help-automate-143-million-uk.
[18] Trajkovski, G. (2024), “Bridging the public administration‐AI divide: A skills perspective”, Public Administration and Development, Vol. 44/5, pp. 412-426, https://doi.org/10.1002/pad.2061.
[33] Ubaldi, B. et al. (2019), “State of the art in the use of emerging technologies in the public sector”, OECD Working Papers on Public Governance, No. 31, OECD Publishing, Paris, https://doi.org/10.1787/932780bc-en.
[6] UK Committee of Public Accounts (2025), Use of AI in Government, https://committees.parliament.uk/publications/47199/documents/244683/default/.
[68] UK DSIT (2025), Archaic tech sees public sector miss £45 billion annual savings, https://www.gov.uk/government/news/archaic-tech-sees-public-sector-miss-45-billion-annual-savings.
[21] UK DSIT (2025), State of digital government review, https://www.gov.uk/government/publications/state-of-digital-government-review/state-of-digital-government-review.
[13] UK NAO (2024), Use of artificial intelligence in government, National Audit Office, https://www.nao.org.uk/wp-content/uploads/2024/03/use-of-artificial-intelligence-in-government.pdf.
[14] UN Habitat (2024), Global assessment of Responsiuble AI in cities, https://unhabitat.org/sites/default/files/2024/08/global_assessment_of_responsible_ai_in_cities_21082024.pdf.
[40] US OMB (2025), Accelerating Federal Use of AI through Innovation, Governance, and Public Trust, https://www.whitehouse.gov/wp-content/uploads/2025/02/M-25-21-Accelerating-Federal-Use-of-AI-through-Innovation-Governance-and-Public-Trust.pdf.
[48] US OMB (2025), Driving Efficient Acquisition of Artificial Intelligence in Government, White House Office of Management and Bydget, https://www.whitehouse.gov/wp-content/uploads/2025/02/M-25-22-Driving-Efficient-Acquisition-of-Artificial-Intelligence-in-Government.pdf.
[26] van Noordt, C., R. Medaglia and L. Tangi (2023), “Policy initiatives for Artificial Intelligence-enabled government: An analysis of national strategies in Europe”, Public Policy and Administration, https://doi.org/10.1177/09520767231198411.
[49] Varazzani, C. et al. (2023), “Seven routes to experimentation in policymaking: A guide to applied behavioural science methods”, OECD Working Papers on Public Governance, No. 64, OECD Publishing, Paris, https://doi.org/10.1787/918b6a04-en.
[72] Waters, R. (2024), Meta under fire for ‘polluting’ open-source, https://www.ft.com/content/397c50d8-8796-4042-a814-0ac2c068361f.
← 1. "Salesforce realizó una encuesta doble anónima a 600 profesionales de TI (200 líderes de TI y 400 colaboradores individuales de TI) en Australia, Francia, Alemania, el Reino Unido y Estados Unidos. Los encuestados trabajan en diferentes sectores, como el tecnológico, el de servicios financieros, el de medios de comunicación y entretenimiento, el de manufactura, el minorista, el sanitario, el sector público, etc. La encuesta se presentó en diciembre de 2023 y enero de 2024". (2024[12]).
← 2. La fuente de esta frase es un informe del Comité Mixto de Cuentas Públicas y Auditoría, Parlamento de Australia (2025[28]). Las conclusiones del Comité y de la Comisión no son necesariamente representativas de las opiniones del Gobierno australiano.
← 5. Basado en el sitio web orientado a Estados Unidos de Microsoft (https://www.microsoft.com/en-us/microsoft-365/copilot) a 10 de abril de 2024. Precios de suscripción anual.
← 7. Véanse, por ejemplo, https://openai.com/global-affairs/introducing-chatgpt-gov y https://www.anthropic.com/news/expanding-access-to-claude-for-government.
← 8. El uso de modelos de "código abierto" para este informe no implica que dichos modelos se lancen bajo una licencia de código abierto aprobada por la Open Source Initiative (OSI), una organización sin fines de lucro administradora de The Open Source Definition (https://opensource.org/osd). OSI ha criticado a algunas compañías que llaman a sus modelos código abierto porque solo proporcionan los pesos para el modelo, y no otros elementos, como los datos de entrenamiento, código y prácticas de entrenamiento (Waters, 2024[72]), Algunos argumentan que estos modelos deberían llamarse "peso abierto" en lugar de "código abierto".
← 10. Información proporcionada a la OCDE por un país que no ha sido divulgado. La OCDE no publica el nombre del país o proyecto debido a la naturaleza preliminar de las estimaciones y los análisis.
← 11. Información proporcionada a la OCDE por un país que no ha sido divulgado. La OCDE no publica el nombre del país o proyecto debido a la naturaleza preliminar de las estimaciones y los análisis.
← 13. Cifras comunicadas a la OCDE por un país no divulgado.