Gobernar con la inteligencia artificial

IA en el diseño e implementación de la regulación

La IA puede contribuir a mejoras significativas en el diseño e implementación de la regulación. Puede permitir a los gobiernos adaptar las estrategias regulatorias para obtener mejores resultados económicos, sociales y ambientales, al tiempo que abordan de manera efectiva los desafíos y preocupaciones relevantes, como la rendición de cuentas, la transparencia y las cargas regulatorias. Para lograrlo, los gobiernos deben alejarse del enfoque tradicional de "regular y olvidar" de la formulación de políticas regulatorias y adoptar un enfoque de "adaptar y aprender" (OECD, 2024[24])1. Las tecnologías digitales, incluida la IA, desempeñan un papel fundamental en este cambio, no solo al ampliar el conjunto de herramientas regulatorias, sino también al permitir una elaboración de normas más innovadora, efectiva y eficiente mediante el diseño, la toma de decisiones y la aplicación de la ley basados en datos (OECD, 2021[25]).

Situación actual

En lo que respecta a la mejora del diseño normativo, la IA ofrece a los responsables de la formulación de políticas una serie de oportunidades significativas. Los sistemas regulatorios pueden ser complejos, con miles de leyes en numerosos ministerios y agencias competentes. La IA puede ayudar a navegar por un conjunto existente de regulaciones y puede analizar conjuntos de datos vastos y complejos para identificar brechas, solapamientos y patrones en los marcos regulatorios. Esto puede permitir tomar decisiones de diseño más informadas y específicas para mejorar los resultados. La IA también puede automatizar tareas rutinarias, lo que puede generar eficiencias al agilizar procesos como el análisis de políticas, Análisis de Impacto Regulatorio (RIA, por sus siglas en inglés) y redacción de textos legales. Puede fortalecer el involucramiento de las partes interesadas al facilitar entendimientos regulatorios simplificados y analizar las consultas públicas. La IA también puede permitir el análisis anticipatorio y la experimentación que pueden informar la gestión de riesgos, mejorando el diseño de marcos regulatorios listos para el futuro.

En cuanto a la implementación regulatoria, la IA puede ayudar a mejorar el rendimiento de los organismos de prestación de servicios. Por ejemplo, pueden utilizar algoritmos de IA para optimizar los recursos de inspección, mejorar la seguridad y reducir las cargas regulatorias para las empresas. Los reguladores han estado utilizando la IA para mejorar las actividades y los procesos de estas instituciones con el fin de proteger mejor los intereses públicos y la eficiencia de los recursos (OECD, 2021[25]). Los enfoques específicos incluyen:

• Mejorar los enfoques basados en el riesgo con análisis de datos que ayuden a aumentar la precisión y los parámetros de las evaluaciones de riesgo para mejorar la forma en que se dirigen las inspecciones.

• Mejorar los esfuerzos para monitorear y detectar el incumplimiento, como en las plataformas de redes sociales, lo que mejora la eficiencia de la supervisión de las entidades regulatorias.

• Potenciar las diversas actividades de los reguladores económicos para entender y supervisar mejor sus sectores y mercados.

Redacción de regulaciones y documentos conexos

Los sistemas de IA que utilizan NLP, como los LLM, ofrecen grandes oportunidades para simplificar y mejorar los aspectos escritos de la gobernanza regulatoria. Los gobiernos pueden utilizar estos sistemas para elaborar borradores a partir de plantillas y normativas existentes, garantizando así el cumplimiento de las normas y ahorrando tiempo y recursos. En Estados Unidos (EE.UU.), por ejemplo, la legislatura estatal de California se convirtió en la primera del país en utilizar la IA para redactar una resolución en 2023 (Tribune News Service, 2023[26]), Costa Rica siguió de cerca este tema y utilizó ChatGPT para redactar los proyectos de ley para regular la IA (Guio and Müller-Daubermann, 2024[27]). La IA también puede utilizarse para cruzar nuevos proyectos de ley con la legislación vigente, identificando conflictos y reduciendo los errores humanos, lo que da lugar a una normativa más sencilla, coherente y accesible (Recuadro 5.12).

Recuadro 5.12. Uso de la IA en la redacción de leyes y respuestas en el Reino Unido

La incubadora de inteligencia artificial del Gobierno del Reino Unido (i.AI) ha desarrollado dos sistemas basados en IA, Lex y Parlex, para mejorar la redacción de leyes y la formulación de políticas.

Lex: este sistema tiene como objetivo mejorar el proceso de redacción legislativa proporcionando herramientas avanzadas de IA para navegar, explicar e interrogar la legislación del Reino Unido. Entre las características clave se incluyen las capacidades de búsqueda semántica que permiten a los usuarios localizar materiales legislativos relevantes para el contexto de manera eficiente, y las herramientas de redacción asistidas por IA que generan notas explicativas para los proyectos de ley del gobierno, lo que reduce el esfuerzo manual y aumenta la precisión en el lenguaje jurídico. El sistema también se diseñó con un profundo conocimiento de los términos jurídicos específicos del Reino Unido, lo que le permitió capturar con precisión los matices de la terminología jurídica, promoviendo así la innovación y la colaboración en el sector jurídico.

Parlex: este sistema de IA está diseñado para ayudar a los responsables de la formulación de políticas mediante el pronóstico de las reacciones parlamentarias a las políticas propuestas. Mediante el análisis de los registros parlamentarios históricos, Parlex proporciona información sobre cómo los parlamentarios podrían responder a las nuevas políticas, lo que permite a los funcionarios desarrollar estrategias efectivas para la implementación de políticas. Por ejemplo, puede realizar una "verificación de vibración parlamentaria" de posibles leyes, prediciendo el apoyo o la oposición entre los parlamentarios basándose en debates pasados. Esta herramienta ayuda a los responsables de la formulación de políticas a comprender el clima político y a anticipar los desafíos o el apoyo a las políticas antes de formular propuestas formales.

Tanto Lex como Parlex ejemplifican el compromiso del Reino Unido de integrar la IA en los servicios públicos, con el objetivo de mejorar la eficiencia, la precisión y la planificación estratégica en el desarrollo legislativo y político.

Fuente: https://ai.gov.uk/projects/parlex-and-lex, https://www.thetimes.com/uk/politics/article/parlex-ai-to-advise-ministers-on-how-policies-will-be-received-99txwlwph.

Agilización de los análisis regulatorios

El Análisis de Impacto Regulatorio (RIA) y la evaluación ex post son elementos fundamentales de una buena gobernanza regulatoria. No deben considerarse como requisitos discretos que han de aplicarse sucesivamente, sino como herramientas mutuamente complementarias integradas en el ciclo de políticas para fundamentar la adaptación adecuada de los enfoques regulatorios (o alternativos) (OECD, 2024[24]; 2021[28]).

Los reguladores pueden utilizar la IA para mejorar cada uno de estos elementos, al tiempo que utilizan la IA para mejorar la velocidad y la precisión de la evaluación y minimizar la carga que suponen dichas actividades. Esto puede permitir una evaluación más frecuente de la regulación para ayudar a crear regulaciones adaptables y adaptables al futuro que sigan siendo relevantes y efectivas en un entorno rápidamente cambiante. Este uso de la IA puede ser especialmente necesario para garantizar una gobernanza adecuada de la IA. Los expertos en IA señalan como riesgo principal que los mecanismos e instituciones de gobernanza no puedan mantenerse al día con el rápido ritmo de los avances tecnológicos (OECD, 2024[29]).

Como paso inicial, la IA puede ayudar a estimar la carga que representan las posibles nuevas regulaciones y otras políticas, lo que puede influir en la facilidad con que las empresas pueden adaptarse a los cambios regulatorios y en la probabilidad de que cumplan. Naturalmente, esto afecta al éxito de cualquier medida regulatoria. También es importante que los reguladores consideren la posibilidad de comparar los diferentes enfoques de gobernanza y sus correspondientes compensaciones costo-beneficio para una formulación de políticas más eficiente y económicamente racional (Recuadro 5.13).

Recuadro 5.13. Desarrollo de IA para medir los costos de cumplimiento en Alemania

En Alemania, el Centro de Servicios para la Mejoramiento de la Legislación de la Oficina Federal de Estadística está desarrollando un sistema de ML para ayudar a estimar los costos de cumplimiento con el fin de respaldar el impacto regulatorio. Este enfoque implica identificar partes de borradores legales que influyen en los costos de cumplimiento, utilizando la IA para la extracción de datos web de textos legales. Después utiliza la IA para predecir como el nuevo texto jurídico modifica los costos de cumplimiento y estimar si estos costos son bajos o altos. Si los costos son probablemente bajos, la oficina utilizará la IA para calcular los costos de cumplimiento. Pero si los costos probablemente sean altos, la estimación será hecha manualmente por humanos para ayudar a garantizar la exactitud. Este proceso debería permitir a la Oficina centrarse en estimaciones de gran esfuerzo y liberar recursos para otros proyectos. Sin embargo, sigue habiendo desafíos relacionados con la estructura de los datos extraídos, la comprensibilidad de los textos jurídicos alemanes, la calidad de los datos, la explicabilidad de las variables utilizadas en el sistema y la correspondencia entre las fuentes de datos.

Fuente: (Walprecht and Lewerenz, 2024[30]).

La IA también puede mejorar la evaluación de políticas y apoyar una toma de decisiones más informada e iterativa al permitir una sofisticada experimentación y evaluación de políticas. Mediante la simulación de escenarios regulatorios del futuro, la IA permite a los responsables de la formulación de políticas modelar y predecir los posibles impactos de diferentes opciones regulatorias (OECD, 2025[31]). Esto ayuda a realizar evaluaciones de impacto normativo, ya que ayuda a los responsables de la toma de decisiones a comprender las consecuencias de las regulaciones propuestas para los diferentes sectores y partes interesadas. Puede ayudar a prever de forma preventiva la efectividad de posibles políticas, al descubrir patrones que pueden no resultar evidentes de inmediato a través de los métodos de análisis tradicionales.

Por ejemplo, la Universidad de Dublín lideró el desarrollo de la Simulación de Políticas de Innovación para la Economía Inteligente (IPSE, por sus siglas en inglés), una herramienta que simula el efecto de instrumentos de política basados en perfiles regionales e información sectorial. El objetivo es comprender mejor los posibles factores impulsores de la innovación y su impacto antes de que se pongan en marcha los instrumentos de política (Nesta, 2024[32]). Del mismo modo, PolicyEngine es una herramienta que utiliza legislación lista para la digitalización con el fin de fundamentar los cambios en las políticas y los modelos para ver cómo afectarían los cambios a los gobiernos y la ciudadanía. Los usuarios pueden seleccionar su país (Canadá, Reino Unido, Estados Unidos y Nigeria están actualmente disponibles), el ámbito de actuación pertinente y los parámetros de actuación que van a modificarse, así como calcular el impacto económico y presupuestario para ver cómo afectan los cambios a los ingresos públicos, por ejemplo. PolicyEngine ha integrado ChatGPT en su sistema para ofrecer un análisis más detallado y explicaciones a los usuarios (Martin, 2023[33]).

Promoción de la participación de las partes interesadas en el diseño regulatorio

Si bien los gobiernos están mejorando lentamente sus actividades de participación de las partes interesadas en materia de gobernanza regulatoria, la mayoría de los países de la OCDE tienen un amplio margen para mejorar estos esfuerzos (OECD, 2023[34]). La IA puede mejorar la eficiencia y la efectividad de los procesos al involucrar a las partes interesadas en el diseño de las políticas. Para ello, puede utilizar análisis avanzados e interfaces de usuario inteligentes, contribuir a un proceso de diseño regulatorio más inclusivo, mejorar la capacidad de respuesta de los gobiernos y aumentar la transparencia y la confianza en el gobierno. Un número cada vez mayor de chatbots de IA están facilitando las consultas públicas sobre regulaciones nuevas o revisadas al interactuar con muchas partes interesadas de forma simultánea, y sintetizando datos para que los gobiernos ajusten aún más sus propuestas regulatorias. Los chatbots también pueden responder instantáneamente a las consultas de las partes interesadas, guiarlas a través del proceso de consulta y simplificación de textos legislativos complejos para mejorar la comprensión del público. Esto hace que el proceso de consulta regulatoria sea más accesible para las partes interesadas y reduce las cargas para los reguladores en lo que respecta al diseño de políticas participativas. La sección "Participación cívica y gobierno abierto" de este capítulo analiza en mayor medida cómo se está utilizando la IA para la participación de las partes interesadas y la participación pública.

Mejoramiento de las funciones de los reguladores económicos

Los reguladores económicos se encargan de diversas funciones en las que puede aplicarse la IA, como la fijación de tarifas, la autorización de actividades, la tramitación de reclamaciones, la mediación en conflictos, la supervisión de los mercados y la realización de inspecciones y actividades de aplicación de la ley. Más allá de las funciones regulatorias esenciales, los reguladores económicos llevan a cabo muchas actividades para ser efectivos en su trabajo, como la investigación para comprender mejor los sectores y mercados que supervisan.

Si bien se están realizando algunos esfuerzos, los reguladores se encuentran en las primeras etapas del uso de la IA, y pocos exploran o prueban su uso2^. Según una encuesta del Organismo de Reguladores Europeos de Comunicaciones Electrónicas (BEREC, por sus siglas en inglés), "la adopción de IA por parte de las agencias reguladoras nacionales está todavía en sus inicios" y muy pocos reguladores han "realizado o tienen previsto realizar estudios para explorar formas de adoptar la IA" (BEREC, 2023[35]). No obstante, los usos actuales y potenciales de la IA en los enfoques regulatorios reflejan una tendencia más amplia hacia un mayor uso de los datos y las tecnologías digitales. Un análisis llevado a cabo por la OCDE (OECD, 2025[31]; 2020[36]) muestra que las herramientas digitales ayudan a los reguladores al permitir un mejor uso de los datos y una toma de decisiones informada. Ante la presión de hacer más con menos, los reguladores recurren cada vez más a la IA para hacer que los procesos sean más eficientes y efectivos.

Los recientes debates entre la Red de Reguladores Económicos (NER)3 de la OCDE y los ejemplos de la literatura reciente revelan que la IA ya se utiliza en las inspecciones, el monitoreo del mercado y en áreas de cara al consumidor, como la tramitación de quejas o la respuesta a consultas de los consumidores. Por ejemplo4:

• Los reguladores de las comunicaciones electrónicas de la UE utilizan la IA para modelar las cadenas de radio y optimizar el uso compartido del espectro, detectar contenidos ilegales o prohibidos en línea, gestionar las relaciones con los clientes, por ejemplo, clasificando las reclamaciones, y medir a gran escala las experiencias en línea de la ciudadanía y los comportamientos de las plataformas. Esto puede ir acompañado de una supervisión del mercado para garantizar que los productos que se venden en línea cumplen las normas de seguridad de los productos (Recuadro 5.14) (BEREC, 2023[35]; Faculty, 2021[37]).

• El Regulador de Energía de Austria (E-control) está desarrollando una aplicación de IA para ayudar a los consumidores a entender sus facturas de energía y un chatbot para responder a las consultas de los consumidores.

• El Regulador del Agua del Perú (Sunass) (2024[38]) está aplicando IA en la elaboración de informes de inspección. La aplicación automatiza la generación de informes en función de las variables registradas por los inspectores en las tablas, lo que simplifica significativamente el proceso y reduce el tiempo dedicado a la redacción de informes. Los informes son validados por los especialistas para garantizar su exactitud. Sunass también ha desarrollado una herramienta que utiliza análisis geoespaciales y un algoritmo de clasificación para calcular las necesidades de inversión y las brechas en el sector hídrico del Perú.

• La Autoridad del Mercado de Capitales Israelí ha comenzado a desarrollar una herramienta impulsada por IA que agrega información de sitios web sobre seguros y ahorros. El proyecto integra modelos financieros avanzados, ML y NLP para permitir una identificación más temprana y precisa de los riesgos, anomalías y casos sospechosos de fraude en los mercados de capitales. Además, proporciona herramientas para aumentar la transparencia para el público en general y los inversores. El sistema, que se encuentra actualmente en la fase de prueba de concepto, ofrece herramientas visuales para los modelos de formación, la supervisión del rendimiento, la toma de decisiones y la generación de conocimientos prácticos para los empleados de la Autoridad5.

• La Agencia Nacional de Transporte Terrestre (ANTT) de Brasil utiliza la IA en su supervisión de las infraestructuras de transporte para respaldar el cumplimiento efectivo de su mandato como regulador económico en el sector. El Sistema de Información Vial combina datos sobre aspectos como accidentes, asistencia en carretera, posibles infractores, peajes, cámaras de velocidad y sensores de tráfico en 26 concesionarios. El sistema registra 15 000 entradas por segundo con datos en tiempo real y combina herramientas de IA con una interfaz humana con un equipo las 24 horas del día, los 7 días de la semana. La información permite a la ANTT supervisar las actividades del sector del transporte por carretera de una forma más efectiva y respalda la toma de decisiones regulatorias basadas en datos por parte de la ANTT y otros agentes públicos.

Recuadro 5.14. La herramienta SAFE AI de Dinamarca

Dinamarca desarrolló en 2021 una herramienta de IA para rastrear productos peligrosos en Internet en 16 países europeos, automatizando así un proceso que anteriormente requería búsquedas manuales. La herramienta, denominada SAFE, fue desarrollada por la Autoridad Danesa de Tecnología de la Seguridad en cooperación con una empresa privada de TI para automatizar el trabajo que exige muchos recursos y mejorar la seguridad de los consumidores.

La herramienta SAFE utiliza el reconocimiento de imágenes y textos para buscar en la web productos peligrosos o deficientes, utilizando información del Safety Gate, el sistema europeo de alerta rápida para productos peligrosos (RAPEX) y el sistema de información y comunicación sobre vigilancia del mercado. La herramienta recibe formación continua a través de los comentarios de los usuarios para mejorar la precisión de sus conclusiones. Las conclusiones de SAFE pueden utilizarse para advertir a las autoridades de cualquier producto no conforme que se comercialice en sus mercados.

SAFE es la continuación de una herramienta de IA anterior de la autoridad, llamada AIME, desarrollada para el mercado danés en 2020. La autoridad recibió fondos de la Comisión Europea para desarrollar una herramienta similar para su uso en toda la UE, lo que condujo a la creación de la herramienta SAFE.

Fuente: https://www.sik.dk/en/business/nyheder/new-digital-fine-toothed-comb-denmark-about-make-more-300-million-european-consumers-safer.

Refinación de validación de criterios de riesgo

Una implementación efectiva de la regulación depende de una comprensión precisa de los riesgos. Las autoridades públicas deben basar sus actividades de inspección y aplicación de la ley en criterios de riesgo. Por lo tanto, es fundamental supervisar la evolución de los riesgos en la vida real, permitir respuestas adaptativas a los posibles cambios y actualizar periódicamente los criterios de riesgo.

Las técnicas de ML pueden calcular la precisión de las evaluaciones de riesgos y perfeccionar los parámetros (Recuadro 5.15). Las aplicaciones recientes de ML son prometedoras a la hora de identificar los principales predictores de riesgo, mejorando considerablemente la efectividad de la focalización basada en el riesgo (OECD, 2021[28]). A medida que los algoritmos de ML evolucionan con nuevos datos, deben actualizarse periódicamente para seguir siendo confiables (Cary Coglianese, 2024[39]). Si bien estas herramientas tienen un potencial considerable, los reguladores deben usar su discreción al utilizar aplicaciones de IA para predecir el cumplimiento normativo y garantizar así la exactitud y evitar sesgos.

Recuadro 5.15. Criterios de riesgo para las contribuciones agrícolas en la Provincia Autónoma de Trento

En Italia, la Provincia Autónoma de Trento trabajó con la OCDE para analizar los parámetros de riesgo utilizados por la Agencia de Pagos Agrícolas (APPAG, Agenzia Provinciale per i Pagamenti), proponer revisiones e introducir prácticas estándar sólidas de ML. La APPAG paga contribuciones agrícolas relacionadas con la gestión de tierras agrícolas, como la siega manual o el uso limitado de pesticidas. Las contribuciones son proporcionales a la superficie de la tierra de acuerdo con la solicitud presentada por el agricultor. Debido a que los recursos de supervisión son limitados, la selección de sitios para inspeccionar con la mayor precisión posible es particularmente importante. Los criterios de riesgo de la APPAG para planificar las inspecciones pertinentes se validaron aplicando técnicas de ML. Un algoritmo capaz de predecir las solicitudes de contribución agrícola de mayor riesgo permitió la revisión de los parámetros existentes, haciéndolos significativamente más efectivos en la focalización de riesgos (solicitudes de alto riesgo) y la identificación de situaciones de incumplimiento.

Fuente: (OECD/EU, 2024[40]).

Mejoramiento de la modelización de riesgos para orientar mejor las inspecciones

Los reguladores pueden utilizar la IA para mejorar la modelización de riesgos y orientar mejor las inspecciones. Mediante un enfoque basado en el riesgo, los reguladores destinan sus recursos a actividades que suponen una amenaza para los bienes públicos y, en términos más generales, para la consecución de los objetivos deseados. La mejora de la eficiencia de las inspecciones y la aplicación de la normativa depende de que se comprendan con precisión los riesgos para el interés público (OECD, 2014[41]). Es necesario establecer y evaluar criterios de riesgo para medir el nivel de riesgo planteado por los operadores privados y orientar los esfuerzos de aplicación de la normativa. Esto protege mejor los bienes públicos, garantiza el uso eficiente de los recursos y fomenta una relación basada en la confianza con las empresas (OECD, 2018[42]; Blanc, 2018[43]). Véase Recuadro 5.16 como ejemplo de este enfoque.

Recuadro 5.16. La Toscana y la OCDE elaboran criterios de riesgo para las solicitudes de subvención

La aplicación de técnicas de IA por parte de los reguladores ayuda a mejorar el conocimiento con respecto de qué características de las empresas pueden ser predictores efectivos de riesgo. Esto podría mejorar considerablemente la focalización basada en el riesgo. Mediante el uso de herramientas de IA y análisis de datos avanzados, las autoridades regulatorias pueden adaptar sus estrategias de supervisión, centrando los recursos en las áreas más críticas y minimizando los riesgos, garantizando al mismo tiempo que sus acciones sean eficientes y tengan impacto.

La región italiana de la Toscana aplicó una metodología basada en el riesgo a los controles documentales de las solicitudes de financiamiento de actividades económicas que operan en la región, en particular de subvenciones europeas para incentivar la innovación. La OCDE ayudó a desarrollar parámetros de riesgo que orientan el control de estas solicitudes de incentivos. Mediante el análisis de la relación entre las características de las pequeñas y medianas empresas (PYMES) que solicitan financiamiento público y una adecuada estimación del riesgo potencial, se construyeron sistemas predictivos de ML. Dependiendo del tipo de solicitud, las administraciones públicas podrían utilizar estos múltiples sistemas para orientar, mejorar y acelerar la toma de decisiones sobre subvenciones y solicitudes de financiamiento.

Estas herramientas y algoritmos podrían servir de base para clasificar futuras aplicaciones, una vez actualizados los sistemas con los datos pertinentes y a medida que los conjuntos de datos crezcan con el tiempo. El uso continuo de estas herramientas podría poner de relieve la recaída asociada al incumplimiento malicioso o la mejora del comportamiento de los establecimientos a medida que mejoran en la preparación de sus aplicaciones.

Fuente: (OECD/EU, 2024[40]).

La modelización de riesgos basada en la IA también puede mejorarse a través de los datos recopilados en las redes sociales. Los resultados de las inspecciones históricas y las bases de datos ya sirven para orientar mejor las futuras inspecciones y las estrategias preventivas. Las autoridades de cumplimiento de la regulación también han empezado a adquirir y utilizar los datos disponibles en las plataformas de redes sociales para detectar posibles incumplimientos. Mientras que las fuentes tradicionales de información dependen de las autoridades y los inspectores, las redes sociales permiten el acceso directo a la ciudadanía expuesta a riesgos. Esto contribuye a fundamentar aún más los enfoques basados en el riesgo y a garantizar que las decisiones estén orientadas a los resultados.

Las inspecciones deben guiarse por la evaluación de riesgos, y las quejas públicas a menudo ponen de manifiesto los riesgos emergentes. Las mejores inspecciones comienzan con decisiones informadas y coherentes. Las denuncias deben utilizarse para mejorar la planificación de las inspecciones basada en el riesgo y, sólo en unos pocos casos, deben dar lugar a inspecciones sin demora. Por lo tanto, un sistema de gestión de reclamaciones basado en el riesgo es esencial para garantizar el equilibrio adecuado entre las inspecciones proactivas —que se producen después de una cuidadosa planificación basada en el riesgo— y las inspecciones reactivas —que no se planifican y se producen ad hoc en respuesta a las reclamaciones consideradas graves—.

Las denuncias oficiales se suelen presentar a través de aplicaciones específicas. Sin embargo, el público puede mostrarse reacio a utilizar estas iniciativas o simplemente ignorar que esto puede ayudar a hacer un seguimiento de los problemas de salud y seguridad. Por lo tanto, las autoridades reguladoras podrían utilizar plataformas de redes sociales y ML para apoyar el análisis de riesgos y obtener información más amplia y oportuna que con los métodos tradicionales (OECD, 2021[28]). La OCDE apoyó una iniciativa en la región italiana del Lacio para poner a prueba las quejas en las redes sociales como fuente de los CMS inspirados en iniciativas internacionales (Recuadro 5.17).

Recuadro 5.17. Mejoramiento de los criterios de riesgo a través de reclamos de clientes en la región de Lacio

Las autoridades regulatorias deben utilizar la evaluación de riesgos para orientar sus estrategias de aplicación de la ley con el fin de evitar o abordar los impactos negativos potenciales más probables o más graves del incumplimiento. Las reclamaciones de la ciudadanía disponibles en Internet podrían ser una fuente esencial de información y desempeñar un papel crucial a la hora de hacer cumplir la normativa vigente. Al mejorar sus herramientas para recopilar y analizar las opiniones del público, las autoridades pueden mejorar la identificación de riesgos y la planificación de inspecciones.

Cuando la ciudadanía no utilizan los canales oficiales para dar su opinión, incluidas las quejas por riesgos, es probable que lo hagan a través de las redes sociales y otros sitios web. Se recogieron dos millones de opiniones sobre restaurantes de TripAdvisor y se seleccionó una muestra de 5 000 comentarios. Cada revisión de esta muestra se categorizó manualmente en función de la presencia de problemas de higiene o intoxicación alimentaria. Este conjunto de datos preclasificados se utilizó para entrenar un algoritmo de ML, un enfoque basado en una memoria bidireccional de largo plazo (LSTM). Este algoritmo LSTM se aplicó para analizar nuevas revisiones en el sitio web y clasificarlas, identificando revisiones negativas (con problemas de higiene). Incluso con los limitados datos preclasificados utilizados para entrenar el algoritmo, el rendimiento del sistema osciló entre el 81 % y el 83 %, lo que demuestra su eficiencia.

Fuente: (OECD/EU, 2024[40]).

Mejoramiento de la identificación de incumplimientos

Un registro de datos preciso debería sustentar una supervisión del cumplimiento normativo más inteligente y la focalización de las situaciones de incumplimiento. Cuando los inspectores se enfrentan al desafío de aumentar el número de datos potencialmente sospechosos, las soluciones de ML pueden ayudar a identificar los datos no confiables y detectar el incumplimiento.

Las herramientas innovadoras agilizan la presentación de datos, detectan anomalías y analizan patrones de cumplimiento normativo (Recuadro 5.18), mejorando la eficiencia de la supervisión por parte de las autoridades reguladoras.

Recuadro 5.18. Buena reputación de aprobaciones y cumplimiento normativo en Israel

En 2024, la Unidad de Fideicomiso del Registro de Organizaciones Benéficas del Ministerio de Justicia de la Autoridad de Corporaciones de Israel introdujo un proceso automatizado basado en IA en su sistema central de aprobación regulatoria para emitir aprobaciones de "Good Standing" (gestión adecuada). Esta aprobación es vital para más de 23 000 organizaciones sin fines de lucro al año, ya que sirve como requisito previo para los reembolsos de impuestos de los donantes y los criterios de elegibilidad para los beneficios públicos y las oportunidades de contratación.

El nuevo sistema automatizado basado en IA superó importantes desafíos en el reconocimiento óptico de caracteres (OCR, por sus siglas en inglés) y la detección de objetos para identificar el cumplimiento normativo de las normas de gestión adecuadas y detectar signos sospechosos de corrupción o gestión incorrecta. Ahora los supervisores pueden centrarse en los casos detectados, mientras que el tiempo medio de respuesta se ha reducido de 45 días a una hora, lo que supone un nuevo nivel de servicio público.

El proyecto fue una de las nueve iniciativas ganadoras de una convocatoria abierta de implementaciónde la IA anunciada por el Ministerio de Innovación, Ciencia y Tecnología, en colaboración con la Agencia Nacional Digital de Israel.

Fuente: Funcionarios del Gobierno de Israel, https://www.gov.il/en/pages/most_ai_government_agencies_open_call_winners.

Gestión de riesgos y desafíos

Riesgos asociados

• Datos inadecuados o sesgados en los sistemas de IA.

• Falta de transparencia y explicabilidad.

Si los sistemas de IA se basan en datos inadecuados o sesgados, podrían producirse resultados inexactos o adversos para algunas personas o grupos. Con respecto a la GFP, esto podría dar lugar, por ejemplo, a resultados regulatorios negativos cuando algunas personas o grupos se seleccionan indebidamente para acciones de aplicación de la ley.

Los sistemas avanzados de IA suelen tomar decisiones dentro de una caja negra, a menudo sin que ni siquiera los operadores del sistema comprendan cómo llegaron a la decisión (Valderrama, Hermosilla and Garrido, 2023[44]; OECD, 2024[29]). Este riesgo de explicabilidad limitada requiere una supervisión y evaluación humanas del sistema de IA y sus resultados para garantizar una toma de decisiones regulatorias transparente y responsable. Si la IA se utiliza para el diseño o la entrega de la regulación, como la redacción de textos, la realización de evaluaciones y la participación de las partes interesadas, se debe prestar especial atención a: las entradas y salidas de dicha aplicación; la calidad de los datos utilizados; la precisión y confiabilidad de las salidas de la IA; la explicabilidad de tales salidas; la transparencia del uso de IA en la toma de decisiones; y la rendición de cuentas por los impactos asociados en el diseño e implementación de la regulación.

Este riesgo puede dificultar la promoción de la rendición de cuentas y la creación de confianza en la capacidad de los gobiernos para utilizar la IA con el fin de mejorar la elaboración de normas. En general, los sistemas de IA de los gobiernos deben ser responsables y auditables, lo que ayuda a reforzar el principio de rendición de cuentas de la OCDE en materia de IA. Cuando sea factible y apropiado, los gobiernos deben dar prioridad a que los sistemas de IA sean abiertos y transparentes para fomentar la confianza pública y permitir el escrutinio y la validación externos lo que puede incluir hacer públicos los datos, desarrollar algoritmos de código abierto y garantizar procesos transparentes de toma de decisiones para impulsar la confianza en las decisiones respaldadas por la IA. Además, deben existir estructuras claras para garantizar unos mecanismos de rendición de cuentas y supervisión adecuados, teniendo en cuenta quién es responsable de cada elemento de los resultados del sistema de IA y quién es responsable de la calidad o la revisión de los resultados de toda la iniciativa de IA.

Desafíos de implementación

• Entornos legales y regulatorios inflexibles u obsoletos.

• Falta de datos de alta calidad y capacidad para compartirlos.

• Brechas de habilidades.

Si bien la IA ofrece muchas oportunidades de gobernanza regulatoria adaptable, los cambios frecuentes en el diseño regulatorio pueden perturbar tanto a las empresas como al público. Los ajustes basados en el análisis continuo de datos pueden dar lugar a un entorno normativo 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. Además, los responsables de la formulación de políticas y los organismos reguladores pueden enfrentarse a desafíos en cuanto al acceso, la recopilación y el procesamiento de datos, lo que limita el alcance en el que los sistemas de IA llevarán a cabo análisis confiables y recomendaciones válidas. Por ejemplo, Australia cuenta con una Ley de Disponibilidad y Transparencia de los Datos que proporciona una base legal para compartir los datos del Gobierno australiano. Sin embargo, en muchos casos el intercambio de datos se ve obstaculizado por la falta de protocolos o de sistemas incompatibles (Productivity Committee, 2024[45]). La mejora de las capacidades de gestión de datos es fundamental para cualquier uso de la IA que esté evaluando e informando la base empírica para el diseño o la entrega regulatoria.

Dado que la IA en la gobernanza regulatoria sigue requiriendo la intervención humana, la falta de conocimientos técnicos puede dar lugar a malos resultados y a un uso indebido de la IA. Los datos recopilados por la OCDE durante el debate con sus miembros muestran que los reguladores tienen dificultades para igualar la experiencia de las empresas tecnológicas debido al alto costo y la escasez de competencias digitales. Para cerrar esta brecha y mejorar la efectividad regulatoria, los gobiernos deben invertir en el desarrollo de competencias digitales y promover la colaboración con el sector tecnológico, por ejemplo, a través de alianzas y contrataciones públicas para adquirir competencias y capacidades si aún no están presentes.

Potencial sin explotar y camino a seguir

La IA en el diseño e implementación de la gobernanza regulatoria todavía se encuentra en sus etapas iniciales en comparación con las aplicaciones comerciales. Sin embargo, existe un mayor margen para que la IA se utilice en la política regulatoria —con una serie de temas clave derivados de estudios de casos que los gobiernos pueden considerar— para avanzar en la madurez de la IA en el diseño y la entrega de la regulación. En cuanto al diseño normativo:

• La IA puede aprovecharse aún más para diseñar regulaciones, ya que actualmente se invierte poco en el alcance de su aplicación potencial. Aunque los gobiernos ya utilizan la IA, muchas de estas aplicaciones se centran en la toma de decisiones operativas, las medidas de cumplimiento, los procesos internos generales y la implementación de servicios o productos públicos. Sin embargo, estas aplicaciones de IA se pueden adaptar fácilmente al diseño normativo. Por ejemplo, los chatbots utilizados en la prestación de servicios públicos o en las revisiones de solicitudes y subvenciones pueden reutilizarse para recabar la opinión de las partes interesadas y analizar la legislación para su revisión reglamentaria. La IA utilizada para la prestación de servicios y el seguimiento de las actividades del mercado también puede utilizarse para monitorear de forma continua los impactos de las regulaciones existentes, proporcionando información en tiempo real y permitiendo ajustes oportunos por parte de los reguladores.

• Una legislación más digital permite una aplicación más amplia de IA a lo largo de todo el ciclo de formulación de políticas. La IA puede utilizarse para simplificar la legislación, lograr que el lenguaje sea neutro desde el punto de vista tecnológico y mejorar el diseño para el procesamiento automatizado de casos. Si la legislación puede administrarse parcial o totalmente de forma digital, la IA puede utilizarse para respaldar la aplicación, el cumplimiento y la revisión ex post, así como para generar datos que ayuden a fundamentar mejor el diseño y la experimentación de la política regulatoria.

• El uso de la IA para anticipar escenarios y riesgos futuros con miras a un diseño normativo más informado. La IA puede ofrecer información valiosa sobre previsiones, ofreciendo a los gobiernos la posibilidad de ver las tendencias emergentes y los cambios en diversos sectores para planificar proactivamente las respuestas normativas. Por ejemplo, la IA puede prever el crecimiento de las tecnologías o las aplicaciones tecnológicas en el sector sanitario, permitiendo a los reguladores probar los marcos existentes o desarrollar otros nuevos para garantizar la seguridad y la efectividad antes de su adopción generalizada. Esto puede ayudar a aumentar la confianza en el gobierno, ya que los gobiernos asumen un papel proactivo, en lugar de reactivo, en la protección de la ciudadanía (OECD, 2024[46]).

En cuanto a otras áreas de política pública para avanzar en el uso de la IA en el diseño regulatorio, los gobiernos deben abordar las incertidumbres legales y de gobernanza. Es posible que muchos gobiernos no dispongan de las estructuras y marcos jurídicos adecuados para desplegar con confianza la IA en el ámbito de la gobernanza regulatoria. Esto puede deberse, por ejemplo, a ambigüedades en el texto jurídico sobre el cumplimiento y la rendición de cuentas, que requieren un juicio jurídico. Aunque los países están tomando medidas para aclarar el uso de la IA en la administración, se necesitan directrices más maduras sobre el uso de la IA en el diseño normativo. Una gobernanza de la IA más sólida es crucial, no solo para los sistemas regulatorios, sino para todas las aplicaciones gubernamentales, con el fin de garantizar un despliegue responsable y confiable de la IA.

Las autoridades públicas también deben adaptar los mecanismos de cumplimiento de la regulación para brindar una buena protección a los bienes públicos y a la ciudadanía de manera efectiva en el contexto de la globalización y la tecnología, aprovechando estos cambios para lograr mejores resultados. Los pasos adelante incluyen garantizar que los reguladores tengan los mandatos, poderes, funciones y mecanismos de rendición de cuentas necesarios para utilizar la IA, y proporcionar acceso a datos de alta calidad, precisos y seguros para protegerse contra las ciberamenazas. A la hora de implementar la IA para la prestación de servicios regulatorios, nos enfrentamos a tres áreas principales de atención:

• Otorgando a los reguladores las facultades adecuadas de recopilación de datos. Para recopilar e interpretar de manera efectiva a los datos procedentes de diversas fuentes, los reguladores necesitan una legislación sólida. La regulación de los mercados basados en datos requiere un conjunto de herramientas adecuadas, de modo que los reguladores puedan solicitar y recibir suficiente información en tiempo real y en la forma pertinente (OECD, 2020[36]). Dado que las aplicaciones de la IA suelen basarse en la recopilación masiva de datos, las autoridades reguladoras deben estar legalmente facultadas para recopilarlos, procesarlos y publicarlos cuando proceda, respetando al mismo tiempo los principios de privacidad y protección de datos y garantizando que las condiciones jurídicas e institucionales favorezcan el acceso y el intercambio de datos en aras del interés público (OECD, 2021[47]). Los reguladores deben colaborar con los gobiernos y parlamentos nacionales para garantizar un marco jurídico adecuado que defina sus competencias y facultades.

• Mejoramiento de las competencias y conocimientos de los reguladores en materia de IA. Para aprovechar el potencial de las técnicas de ML y el análisis de macrodatos, los reguladores deben aumentar su experiencia en IA contratando a científicos de datos y expertos en ciber riesgos. Atraer y retener talento en materia de datos en medio de la competencia del sector privado es un desafío para los reguladores y la administración pública en general. Además, todos los responsables de la formulación de políticas y organismos reguladores deberían invertir en el desarrollo de capacidades para reforzar la confianza de los responsables de la formulación de políticas en las aplicaciones de la IA. Estos esfuerzos se realizan tanto a nivel nacional como internacional. Por ejemplo, se pueden desarrollar nuevos foros de intercambio y cooperación internacional para que los funcionarios compartan sus conocimientos y experiencias, como la Red Internacional de Cooperación en materia de Regulación Digital (INDRC) establecida para fomentar el debate entre los reguladores (DRCF, 2023[48]).

• Garantizar una sólida gobernanza de datos y estrategias que sustenten el uso de IA. La transición digital ofrece beneficios, pero también plantea nuevos desafíos para la gobernanza de los datos (véase el Capítulo 4, sección "Creación de una base de datos sólida", en el que se ofrece un análisis detallado sobre la gestión, la recopilación, el suministro y el uso de datos para la IA). Es esencial contar con estrategias sólidas para mitigar los riesgos potenciales. Desarrollar una estrategia de datos es una forma global de abordar la gobernanza de los datos. Una encuesta realizada entre los miembros de la Red de Reguladores Económicos (NER) de la OCDE en 2024 reveló que el 55 % de los encuestados estaban en proceso de desarrollar una estrategia de datos, mientras que el 29 % ya tenía una en funcionamiento6. Estos hallazgos ponen de relieve la necesidad de contar con estrategias sólidas de gobernanza y datos para apoyar un uso efectiva de los datos y la IA.

Procesos clave del gobierno

Los procesos clave del gobierno —como la reforma de la función pública, la contratación pública, los esfuerzos anticorrupción, la evaluación de políticas y la participación cívica— son vitales para construir instituciones eficientes, transparentes y responsables. Estos procesos fortalecen la confianza pública, mejoran la prestación de servicios y fomentan una gobernanza basada en evidencia. Los gobiernos están utilizando la IA para garantizar la integridad de la gestión y el gasto de los fondos de los contribuyentes, así como para impulsar el talento del sector público de cara al futuro.

Notas

← 1.  La Recomendación de la OCDE para una Gobernanza Regulatoria Ágil (2021[328]) tiene como objetivo ayudar a los gobiernos a desarrollar e implementar enfoques regulatorios ágiles y resilientes y facilitar la cooperación institucional en respuesta y para estimular la innovación. Se destaca la necesidad de ajustar las herramientas de gestión regulatoria y permitir una mayor experimentación para fomentar el aprendizaje continuo y la adaptación.

← 2.  La 22^ª reunión de la Red de Reguladores Económicos de la OCDE se celebró en París en abril de 2024.

← 3.  https://www.oecd.org/en/networks/network-of-economic-regulators.html.

← 4.  A menos que se indique lo contrario, los detalles se han obtenido a partir de la colaboración de la OCDE y del trabajo con los reguladores nacionales.

← 5.  Información proporcionada por el Gobierno de Israel a la OCDE.

← 6.  Reunión interna de la Red de Reguladores Económicos (2024).