Triage automatizado de reclamaciones y recursos con IA en ayuntamientos

Por qué un triage automatizado ayuda a la atención ciudadana

Los ayuntamientos reciben un flujo creciente de reclamaciones, quejas y recursos administrativos. Un sistema de triage basado en IA puede reducir tiempos de respuesta, priorizar asuntos urgentes (seguridad, riesgo sanitario) y asignar expedientes al departamento correcto. No se trata de delegar decisiones legales a un modelo: es una herramienta de clasificación y apoyo a la gestión para que el personal focalice esfuerzo donde más impacto tiene.

Beneficios concretos:

Reducción del tiempo de asignación de expedientes.
Detección temprana de casos urgentes o repetitivos.
Mejora de SLAs y cumplimiento normativo por derivación adecuada.
Registros estructurados para análisis posterior (cuellos de botella, temas recurrentes).

Riesgos clave y marco regulatorio imprescindible

Antes de desplegar cualquier solución conviene evaluar riesgos operativos y legales:

Protección de datos: cumplir RGPD (minimización, bases legitimadoras, derechos ARCO). Diseñar flujos que eviten exponer datos sensibles a modelos externos.
Seguridad: cumplir ENS (RD 311/2022) para servicios que procesen información de la administración.
Transparencia y obligaciones del AI Act: evaluar si el sistema está dentro del ámbito del reglamento (por ejemplo, clasificación que afecta derechos) y preparar documentación y evaluaciones de riesgo según corresponda.
Sesgos y errores de clasificación: riesgo de priorizar mal o crear discriminaciones en atención.

Diseño práctico: pasos mínimos para un triage fiable

1. Definir objetivos y límites funcionales

¿Qué se quiere automatizar? (clasificación temática, prioridad por urgencia, detección de duplicados).
Decidir exclusiones: recursos con efecto suspensivo, reclamaciones externas a competencias municipales, o asuntos que siempre requieran intervención humana.

2. Taxonomía y etiquetas operativas

Crear un catálogo de categorías corto y operativo (p. ej. seguridad, servicios sociales, vía pública, tributario, duplicado).
Definir prioridades objetivas: riesgo para personas, plazo legal próximo, impacto colectivo.

3. Datos y preparación

Utilizar históricos anonimizados para entrenar clasificadores. Mantener un SBOM de modelos y datasets.
Evitar usar datos sensibles sin bases legales claras y medidas de pseudonimización.

4. Modelo y arquitectura

Empezar con clasificadores supervisados ligeros (fine-tuned LLMs con control, o modelos de NLP tradicionales) y reglas heurísticas (keywords, expresiones de urgencia).
Diseñar integración con el GED/expediente electrónico existente para crear o actualizar expedientes automáticamente.

5. Supervisión humana (human-in-the-loop)

Modelo sugiere categoría y prioridad; un empleado valida en las primeras fases.
Establecer umbrales de confianza: por debajo de X% la derivación es manual.

6. Registro, trazabilidad y transparencia

Registrar la sugerencia del modelo, la decisión humana y la versión del modelo (model card). Esto facilita auditoría y cumplimiento del AI Act.
Informar a la persona reclamante, si procede, sobre uso de IA en la gestión (transparencia mínima).

7. Monitoreo y métricas

Métricas operativas: tiempo medio de asignación, tasa de validación humana, recall/precision por categoría, falsos negativos en urgencias.
Métricas de cumplimiento: número de accesos a datos, auditorías de acceso, incidentes de seguridad.

Controles técnicos y organizativos imprescindibles

Acceso restringido y logging conforme ENS.
Enmascaramiento/pseudonimización cuando se compartan datos para entrenamiento.
Evaluación de impacto (AIA) si el sistema puede tener efectos significativos en derechos; documentación exigida por el AI Act.
Plan de respuesta a incidencias de IA: reversión a proceso manual y notificación interna.

Ejemplo operativo rápido (mínimo viable)

Entrada: correo/portal/Telefono → OCR/NLP extrae texto.
Clasificador devuelve: {categoría: "vía pública", prioridad: "alta", confianza: 0.87}.
Regla: si prioridad alta → notificar a servicios técnicos y generar expediente provisional.
Empleado valida en cola de revisión: acepta/ajusta categoría.
Sistema registra versión de modelo, decisión y tiempo de asignación.

Integración y despliegue seguro

Piloto de 60-90 días con un único canal (por ejemplo, portal de reclamaciones).
Revisión semanal de decisiones automáticas y ajustes de taxonomía.
SLA claros con proveedor para actualización de modelos, auditorías y eliminación de datos.

En plataformas modulares como OptimGov es posible acelerar esta integración manteniendo controles de seguridad, pero el diseño organizativo y legal siempre precede la implementación técnica.

Takeaway — Acción inmediata recomendada

Realiza un piloto controlado: selecciona un canal, define 6-8 categorías operativas, usa históricos anonimizados para entrenar un clasificador simple y establece un umbral de validación humana. Documenta el proceso (registro de decisiones y versión de modelo), verifica cumplimiento RGPD y ENS, y prepara una AIA si el alcance puede afectar derechos. Un piloto así permite medir impacto real en tiempos de respuesta con riesgo limitado.