Cerrar la brecha de la AI: cómo el acceso al conocimiento de última generación libera los resultados de las misiones para el gobierno

El acceso al conocimiento de última generación representa un enfoque avanzado para encontrar, comprender y usar información, y va más allá de los métodos de búsqueda tradicionales y los repositorios de conocimiento estáticos.

Dentro del sector público, esto se traduce en que los sistemas y operadores de AI obtengan acceso al conocimiento correcto en el momento adecuado y con el contexto adecuado, lo que elimina la necesidad de buscar manualmente en fuentes desconectadas.

La tensión fiscal se está intensificando en muchas regiones. En los 193 estados miembros de la ONU evaluados, la inversión en infraestructura resiliente y tecnologías avanzadas sigue creciendo.² A los líderes se les pide ofrecer mejores resultados con menos recursos, y están recurriendo a la AI para cerrar esa brecha.

La implicación estratégica para los líderes del sector público es clara. La AI ya no es una iniciativa de innovación discrecional. Se está convirtiendo cada vez más en una prioridad de políticas y prestación de servicios, y las agencias que no puedan operacionalizarla enfrentarán una creciente presión por parte de los organismos de supervisión, los funcionarios electos y el público al que sirven.

La cifra del 72 % merece un análisis más detenido. La investigación de IDC identifica las principales barreras para el escalado de la AI: brechas de habilidades, riesgos de seguridad y cumplimiento, y preparación de datos.¹

Los almacenes de datos tradicionales se diseñaron para el análisis periódico de datos estructurados y comisariados. La AI agéntica depende del acceso rápido y regulado a una superficie de conocimiento mucho más amplia que podría incluir:

• Políticas y procedimientos

• Notas del caso y correspondencia

• Transcripciones de llamadas, formularios y logs operativos

• Señales de amenazas de ciberseguridad en tiempo real

La mayor parte de este contenido no está estructurada y se encuentra en sistemas en silos, lo que dificulta correlacionarlo y analizarlo. También es posible que los agentes de AI no puedan encontrarlo ni utilizarlo en su estado actual.

El desafío a menudo surge en la capa de recuperación. Sin un acceso gobernado al conocimiento autorizado, las aplicaciones de AI pueden producir salidas menos confiables, lo que dificulta que las agencias generen y mantengan la confianza del público.

Las normativas están comenzando a definir los requisitos para desplegar la AI en producción. La Ley de AI de la UE y la Ley de la Europa Interoperable reflejan una tendencia global más amplia hacia estándares formales para servicios públicos digitales confiables e interoperables. Al mismo tiempo, la soberanía digital y de la AI influyen cada vez más en las decisiones de adquisición y los requisitos operativos.

Según la investigación de IDC, las organizaciones del sector público que realizan un escalado de la AI generativa y agéntica priorizan:

• Garantías de residencia de datos (46 %)

• Barreras de protección de seguridad, incluida la contextualización basada en recuperación y los filtros de políticas (43 %)

• Auditabilidad de las indicaciones y acciones (40 %)

• Aprobaciones de intervención humana (39 %)

• Procedencia del modelo y lista de materiales del software (38 %)¹

Estos requisitos deben considerarse desde el principio, no agregarse después del despliegue. Dan forma a la arquitectura, la selección de herramientas y el diseño del sistema. Como señala IDC a partir de conversaciones con altos funcionarios, los responsables de formular políticas desean una infraestructura de AI que puedan “controlar en momentos de crisis”, lo que refleja un cambio más amplio de los requisitos de ubicación de datos a la autonomía estratégica sobre los roadmaps de AI.¹

Para los responsables de la toma de decisiones, esto significa evaluar los requisitos de gobernanza y soberanía al principio del proceso de selección. El rendimiento del modelo solo importa si la tecnología puede operar dentro de los requisitos de cumplimiento de la agencia.

Tres tendencias convergentes están moldeando esta evolución:

• Recuperación híbrida como patrón estándar: la búsqueda híbrida combina la búsqueda por palabras clave (léxica) y la búsqueda semántica para admitir RAG y flujos de trabajo agénticos, lo que equilibra las coincidencias exactas con la comprensión contextual.

• Protocolos de integración abiertos: los estándares, como el Protocolo de contexto de modelo (MCP), una especificación abierta para conectar aplicaciones de modelos de lenguaje grande (LLM) a fuentes de datos y herramientas externas, aceleran la integración al tiempo que aumentan los requisitos de gobernanza sobre lo que está conectado y cómo se registra en el log.

• Controles de seguridad y riesgos como mecanismos de seguridad: el filtrado de permisos, la redacción, los logs de auditoría y el rastreo de procedencia alinean la arquitectura de recuperación con marcos de trabajo, como el Marco de trabajo de gestión de riesgos de AI del Instituto Nacional de Estándares y Tecnología (NIST).³

Juntas, estas capacidades transforman la búsqueda en un servicio de recuperación preparado para la AI que puede mantener los datos en ubicaciones compatibles y, al mismo tiempo, permitir un acceso controlado y de baja latencia en sistemas distribuidos.

Cuando la recuperación es regulada y consistente, los beneficios se extienden a toda la organización. Para los equipos de TI y los desarrolladores, los conectores estandarizados, los enfoques de indexación y las API de recuperación reducen el trabajo de integración puntual y aceleran la entrega en los distintos proyectos. Para los equipos de seguridad y gobernanza, pueden limitar la copia innecesaria de datos y hacer que el acceso a la información sea más fácil de auditar.¹

Las agencias pueden esperar:

• Un panorama operativo unificado que derriba los silos de datos, mejora la visibilidad y les brinda a los equipos el contexto que necesitan para tomar decisiones más rápidas e informadas

• Ganancias de eficiencia al consolidar las herramientas fragmentadas de búsqueda y recuperación

• Menor exposición al incumplimiento mediante filtrado de permisos, redacción y logs de auditoría integrados

• Puesta en producción más rápida para casos de uso de AI en ciberseguridad gubernamental, gestión de casos y servicios al ciudadano

• Autonomía estratégica sobre roadmaps de AI, con la capacidad de desplegar en entornos soberanos o locales según lo requieran las políticas

Estos resultados importan porque los organismos de supervisión y los funcionarios electos buscarán en última instancia evidencia de gobernanza, auditabilidad e impacto de la misión. Una inversión en AI que no pueda demostrar estos resultados puede estar en riesgo.

La investigación señala una dirección estratégica clara. El escalado de AI no es principalmente un problema de selección de modelos. Es un problema de arquitectura, y la capa de recuperación juega un rol fundamental.

Para los líderes del sector público, surgen tres prioridades de los hallazgos de IDC:

• Trata la preparación de los datos como un requisito previo, no como un flujo de trabajo paralelo. Antes de expandir los pilotos de AI, invierte en la base de recuperación gobernada que los respaldará a escala.

• Diseña para la soberanía desde el principio. La residencia de datos, la auditabilidad y la supervisión humana no son casillas de verificación de cumplimiento. Son requisitos arquitectónicos que determinan la selección de la plataforma.

• Elige plataformas basadas en estándares abiertos. La interoperabilidad protege contra el bloqueo de proveedores y conserva la autonomía estratégica a medida que evolucionan las políticas y las condiciones geopolíticas.

Las agencias que actúen según estas prioridades ahora serán las que entreguen resultados de la misión medibles con AI en los próximos dos a tres años.

El reporte IDC Spotlight completo, copatrocinado por Elastic y AWS, proporciona los datos completos de la encuesta, el análisis de políticas globales y la guía arquitectónica a los que se hace referencia a lo largo de este artículo. Descarga el reporte IDC Spotlight: Cómo cerrar la brecha de AI en el gobierno

• Explora los casos de uso de AI en el sector público de Elastic.

• Mira cómo las organizaciones del sector público usan Elasticsearch.

• Lee el artículo sobre GenAI y búsqueda semántica en el sector público.