NLP para comprobación normativa en la administración local

Por qué usar NLP para control normativo en ayuntamientos

Los municipios manejan diariamente textos legales: decretos, ordenanzas, expedientes de licencia, solicitudes de subvención y justificantes. Las técnicas de procesamiento del lenguaje natural (NLP) pueden acelerar la lectura, identificar cláusulas relevantes y detectar incumplimientos formales, pero deben integrarse con controles humanos y legales. Bien aplicado, NLP reduce tiempos de revisión y homogeneiza criterios; mal aplicado, aumenta el riesgo de errores administrativos y vulneraciones de derechos (RGPD) o requisitos de seguridad (ENS RD 311/2022).

Casos prácticos de uso inmediato

• Revisión automática de solicitudes de subvención frente a requisitos del decreto (Ley 38/2003): extracción de datos clave (fechas, titularidad, domicilio fiscal) y verificación de requisitos mínimos.
• Detección de cláusulas prohibitivas o incompatibilidades en proyectos para licitaciones (Ley 9/2017): identificación de términos como “subcontratación”, límites de presupuesto o referencias normativas.
• Análisis de permisos urbanísticos: comparación entre expediente y ordenanza municipal para localizar omisiones o condicionantes.
• Generación de resúmenes ejecutivos que enlazan al fragmento normativo y justifican la decisión administrativa.

Limitaciones técnicas y riesgos legales

• Falsos negativos: un modelo puede omitir un incumplimiento sutil. Para decisiones que afecten derechos, la revisión humana es obligatoria.
• Datos personales y confidencialidad: cualquier texto que contenga datos personales está sujeto al RGPD. El tratamiento debe seguir principios de minimización, base legal y evaluación de impacto cuando proceda.
• Seguridad y soberanía: si el procesamiento usa servicios en la nube o modelos externos, asegúrese del cumplimiento del ENS (RD 311/2022) y de las políticas de contratación pública.
• Clasificación de riesgo según EU AI Act: sistemas que influyan en decisiones administrativas sustantivas pueden entrar en el ámbito de sistemas de alto riesgo. Revise obligaciones de documentación técnica, gestión de riesgos y transparencia.

Implementación práctica: pipeline recomendado

1. Ingesta y normalización

   • Fuentes: PDF escaneados (ocr), XML de expediente, bases de datos internas.
   • Normalizar formatos y etiquetar metadatos (origen, fecha, expediente, jurisdicción).

2. Preprocesado y anonimización

   • Aplicar OCR con control de calidad.
   • Si hay datos personales, evaluar necesidad de anonimización o seudonimización conforme RGPD.

3. Extracción y estructura

   • Técnicas: NER (entidades), extracción de cláusulas, relación de entidades (por ejemplo, beneficiario–importe).
   • Mapear a un esquema definido por la unidad jurídica (glosario de términos municipales).

4. Comparación normativa y reglas

   • Implementar reglas (pattern matching) y modelos ML para detección de incumplimientos.
   • Asociar cada hallazgo a la fuente normativa concreta (artículo/epígrafe) y mostrar el fragmento textual.

5. Scoring y priorización

   • Asignar niveles de riesgo (alto/medio/bajo) basados en probabilidad y impacto administrativo.
   • Priorizar revisión humana por riesgo alto o cuando la confianza del modelo sea baja.

6. Registro y trazabilidad

   • Mantener logs inmutables de decisiones y evidencias (versión de modelo, datos de entrada, fecha), necesarios para auditoría y transparencia.

7. Interfaz y proceso de revisión

   • Presentación: fragmento encontrado + justificación normativa + confidencia del modelo.
   • Flujo: propuesta automática → revisión jurídica → decisión final con firma electrónica.

Métricas de calidad y control

• Precisión y recall por tipo de hallazgo (por ejemplo, omisión de requisito documental).
• Tasa de discrepancia entre modelo y revisores humanos (objetivo: definir umbral aceptable).
• Tiempo medio de revisión antes y después de la herramienta.
• Registro de apelaciones o recursos administrativos vinculados a revisiones automatizadas.

No confíe solo en métricas globales: analice errores críticos (falsos negativos que supongan vulneración de derechos) y adopte umbrales conservadores.

Requisitos contractuales y normativa aplicable

• Incluir cláusulas en pliegos de contratación (Ley 9/2017) que exijan: propiedad de datos, explicabilidad mínima, registros de operaciones y cumplimiento ENS.
• Para módulos que procesen subvenciones, reflejar en la especificación funcional los requisitos derivados de la Ley 38/2003.
• Preparar documentación técnica y evaluaciones de impacto necesarias bajo el EU AI Act si la herramienta califica como de alto riesgo.
• Garantizar el cumplimiento del RGPD en tratamiento y conservación de datos.

Buenas prácticas operativas

• Human-in-the-loop: todas las salidas relevantes deben estar validadas por personal jurídico o técnico competente.
• Versionado de modelos y datos de entrenamiento; pruebas de regresión antes de despliegues.
• Explicabilidad: mostrar qué texto apoyó la detección y cómo se relaciona con la norma.
• Formación interna: sesiones para que los equipos jurídicos y técnicos entiendan limitaciones del modelo.
• Pilotos controlados: empezar por un expediente administrativo con bajo impacto y escalar progresivamente.

Caso de uso mínimo viable (MVP)

• Objetivo: automatizar la comprobación de requisitos formales en solicitudes de subvención.
• Alcance: 5 requisitos clave (identidad, fecha, justificación económica, proyecto, firma).
• Tiempo estimado: 3 meses (datos, OCR, NER, reglas, interfaz).
• Resultado esperado: reducción del 30–50% del tiempo de revisión inicial (medición real en piloto).

Toma de acción (takeaway)

Checklist de cinco pasos para empezar:

1. Seleccione un proceso administrativo concreto y define 5–10 requisitos a comprobar.
2. Recopile ejemplos reales (anónimos) para construir y evaluar modelos.
3. Diseñe un pipeline con revisión humana obligatoria para hallazgos de riesgo.
4. Añada requisitos contractuales (Ley 9/2017) y controles ENS/RGPD desde la especificación.
5. Lance un piloto, mida precisión y tasa de discrepancia, y documente todo para auditoría.

Implementar NLP en comprobación normativa puede ahorrar tiempo y homogeneizar criterios administrativos, siempre que se combinen garantías legales, seguridad (ENS RD 311/2022) y controles humanos. Si busca un punto de partida, OptimGov ha ayudado a entidades locales a definir pilotos con estas garantías; sin embargo, el primer paso práctico es elegir un proceso concreto y reunir los expedientes necesarios para entrenar y validar el modelo.