La inteligencia artificial agéntica son sistemas capaces de ejecutar por sí mismos flujos de trabajo de varios pasos y de coordinarse entre ellos. Esta IA agéntica puede ayudar a resolver muchos de los problemas que hoy en día supone un desafío para las administraciones públicas. Algunos retos presentes en prácticamente cualquier organismo, son por ejemplo:

• Miles de solicitudes y expedientes que se dilatan en el tiempo por falta de capacidad de tramitación.
• Una atención a la ciudadanía saturada, con largas esperas y respuestas poco homogéneas.
• Tareas repetitivas y manuales que consumen el tiempo de personal cualificado.
• Cuellos de botella que se arrastran de un departamento a otro a lo largo de un procedimiento.

El potencial es evidente. Pero hay un matiz decisivo: sin un diseño adecuado, las iniciativas se dispersan y una proporción muy alta acaba abandonándose. Distintos análisis del sector coinciden en que la causa más frecuente de fracaso no es un algoritmo defectuoso, sino haber destinado el esfuerzo a un problema que no era prioritario o que no estaba maduro para abordarse.

De ahí que la pregunta relevante no sea «¿cómo hacemos IA?», sino «¿por dónde conviene empezar?». Un enfoque sensato pasa por centrar el esfuerzo en lo prioritario (los llamados quick-wins, que ofrecen resultados desde el primer momento), ir acumulando experiencia técnica, funcional y económica, y desplegar de forma progresiva las infraestructuras necesarias. La vía más eficaz para lograrlo es trabajar sobre casos de uso bien elegidos. Y para elegirlos con criterio hace falta una metodología.

Gracias a casi 20 años de actividad en el ámbito de los datos y la inteligencia artificial, en ITELLIGENT hemos desarrollado metodologías propias para distintas necesidades. Una de ellas, la metodología para la identificación, el análisis y la priorización de casos de uso para el despliegue de IA agéntica, es la que abordamos en este post.

Una visión de conjunto: metodología en cinco fases

El método se organiza en cinco fases secuenciales pero iterables. Cada una parte del resultado de la anterior y produce un entregable concreto, de modo que las decisiones quedan documentadas y son trazables:

1. Descubrimiento de Casos de Uso. ¿Qué casos de uso podrían ser objeto de automatización agéntica? Tres vías de descubrimiento de los casos de uso y un filtro para evaluar el encaje de la IA agentica en cada caso de uso.
2. Caracterización de los Casos de Uso.  ¿Qué necesidades (técnicas, legales, etc) requiere cada caso de uso? Ficha multidimensional para cada caso de uso, con el nivel de autonomía de la IA agentica como principal eje de riesgo.
3. Análisis de viabilidad e impacto de los Casos de Uso. ¿Cómo de viable (a nivel técnico, normativo, económico…) es el caso de uso?  Se analizan, para cada caso de uso, los datos requeridos, las técnicas necesarias, coste/ROI y cumplimiento regulatorio (RGPD, RIA, ENS), entre otros.
4. Priorización de los Casos de Uso. ¿Cómo priorizar los casos de uso atendiendo a distintos criterios (impacto, viabilidad, riesgo, …)? A partir de una doble matriz se mide “impacto-viabilidad” y “valor público-riesgo” de cada caso de uso.
5. Selección de los Casos de Uso y hoja de ruta. ¿Cómo seleccionar consensuadamente los casos de uso y establecer una hoja de ruta para su desarrollo?  Se consensua los casos de uso a desarrollar y se establece la hoja de ruta para su paso a producción

Fase 1. Descubrimiento de casos de uso

Todo empieza por construir un inventario de procesos susceptibles de mejorarse con agentes de IA (casos de uso). Para no depender de una sola fuente de ideas (ni de la intuición de unos pocos), la propuesta de casos de uso se apoya en tres vías complementarias que se refuerzan entre sí: la vía estratégica, que parte de los objetivos de la organización. La vía operativa, que recoge mediante talleres y entrevistas el conocimiento de quienes ejecutan los procesos cada día. Y la vía basada en datos, que analiza los registros de actividad reales para objetivar volúmenes, tiempos y grado de intervención manual. Una vez que se tiene una propuesta de casos de uso, se evalúa el encaje de cada caso de uso con la IA agentica (filtro de encaje agentico) y se descartan aquellos en los que un agente no aportaría valor frente a alternativas más simples —una automatización de reglas o un modelo básico—, evitando forzar la tecnología donde no toca.

Resultado: un catálogo estructurado de casos candidatos, cada uno con una ficha normalizada y su línea base (la situación de partida sin IA), imprescindible para medir después la mejora.

Fase 2. Caracterización de los casos de uso

Cada caso de uso candidato se describe con un perfil de varias dimensiones en lugar de una única etiqueta de «complejidad». La razón es que, aunque un caso de uso puede ser “técnicamente” sencillo, puede ser complejo en otras dimensiones (ej. contener datos personales o ser Alto Riesgo según el Reglamento de Inteligencia Artificial o RIA). Entre esas dimensiones, el nivel de autonomía del sistema de IA agentico merece un tratamiento propio, porque es el principal factor de riesgo en el ámbito público. Para ello se define un espectro que va de un nivel N0 (el agente sugiere y decide el humano) a N3 (el agente actúa de forma autónoma, auditado a posteriori), pasando por niveles intermedios de propuesta validada y ejecución supervisada. A la autonomía se suman la complejidad de integración (cuántos sistemas hay que conectar), la complejidad de orquestación (si interviene un agente o varios coordinados), la naturaleza de los datos (ej. estructurados o no estructurados), el nivel de riesgo normativo (ej. sistemas de alto riesgo según el RIA) y el impacto en derechos (ej. se manejan datos personales). En definitiva, el perfil de cada caso de uso determina de forma directa qué supervisión, qué controles y qué tipo de piloto necesitará el caso de uso en su desarrollo.

Resultado:

un perfil documentado y justificado para cada caso de uso candidato, que sirve de base objetiva para la priorización de la fase siguiente.

Fase 3. Análisis de viabilidad e impacto de los casos de uso

Para cada caso de uso candidato ya perfilados se realiza un análisis completo y homogéneo, que responde a una pregunta doble: ¿es viable? y ¿qué impacto tendría? El análisis técnico se realiza a partir de la metodología que se muestra en la Figura y que recorre de forma ordenada las fuentes de datos disponibles, cómo extraerlas y prepararlas, qué capacidades analíticas y de razonamiento necesita el agente, cómo interactuará con el usuario, cómo aprenderá de esa interacción y qué infraestructura hará falta. Además, hay que tener en cuenta que en el sector público la viabilidad técnica es solo la condición de partida y se requiere también analizar otros aspectos, ya que un caso de uso sin una base jurídica válida es inviable por diseño, por muy atractivo que parezca. Para ello se abordan aspectos como la protección de datos (RGPD), el Reglamento Europeo de IA (RIA) y la seguridad de la información (ENS). Conviene recordar que los anteriores son marcos complementarios: la evaluación de impacto sobre derechos fundamentales del RIA no sustituye a la evaluación de impacto en protección de datos del RGPD. A los aspectos anteriores, en esta fase se requiere también un análisis económico realista (incluido el consumo de los modelos), dado que el sobrecoste es una de las causas más frecuentes de que un proyecto se abandone

Resultado: una ficha de viabilidad por caso de uso, con su diseño preliminar, sus riesgos, su coste estimado y las evaluaciones normativas que serán obligatorias.

Fase 4. Priorización de los casos de uso

Con los casos analizados, llega el momento de ordenarlos. La priorización no se basa en la impresión de una reunión, sino en una puntuación multicriterio explícita y auditable, que se representa visualmente para forzar decisiones claras. La herramienta central es una matriz que cruza el impacto de cada caso de uso con su viabilidad. Los casos de alto impacto y alta viabilidad son los quick-wins: por ahí conviene empezar. Los de alto impacto, pero menor viabilidad, son apuestas estratégicas a medio plazo. El resto se deja en segundo plano o se replantea. A esta lógica se le superpone una segunda lente propia del sector público (valor público frente a riesgo), que evita priorizar un caso de uso valioso pero cuyo riesgo la organización todavía no está preparada para gobernar. Algunos criterios, como disponer de base jurídica, funcionan como filtro eliminatorio: si no se cumplen, el caso se detiene.

Resultado: una cartera de casos ordenada por prioridad, con criterios explícitos y trazables, lista para la decisión final.

Fase 5. Selección de casos de uso y hoja de ruta

La última fase transforma la lista priorizada en compromisos. La selección se acuerda en un taller de consenso con las áreas implicadas y se valida formalmente, dejando constancia de las decisiones. Para cada caso de uso elegido se definen sus indicadores y su línea base, se asigna un responsable y se traza una hoja de ruta. El paso a producción no es automático. Los pilotos se ejecutan en entornos controlados, sin afectar a los servicios reales, y solo escalan si superan unos criterios de éxito definidos de antemano. Para los casos con mayor nivel de autonomía de los agentes o riesgo, se establecen medidas con una justificación documentada de que el sistema es seguro para su uso previsto. Esta Fase es la principal salvaguarda frente al patrón, tan común, del piloto prometedor que nunca llega a desplegarse.

Resultado: una cartera de casos seleccionados, documentada y con una hoja de ruta, y un mecanismo claro de decisión para escalar solo lo que funciona.

 

Conclusión: elegir bien es la mitad del trabajo

La IA agentica ofrece a las administraciones una oportunidad real de mejorar sus servicios y aliviar sus cuellos de botella. Pero el valor no está en adoptar la tecnología por sí misma, sino en identificar dónde aporta más, empezar por lo asumible y crecer sobre lo aprendido. Recorrer estas cinco fases, de la proposición al piloto, convierte una ambición difusa en un plan ordenado, medible y conforme a la normativa, y reduce el riesgo de que la iniciativa se quede a medio camino. En ITELLIGENT aplicamos esta metodología en proyectos de transformación digital para organismos públicos, combinándola con nuestra experiencia en gobernanza del dato, soberanía tecnológica y cumplimiento normativo (ENS, ISO, RGPD y RIA).

 

Si su organización está valorando iniciativas de IA agéntica y necesita un método riguroso para decidir por dónde empezar, contacte con nuestro equipo