Colombia necesita pasar de la reacción a la anticipación en la gestión pública
Colombia atraviesa una discusión fiscal que suele concentrarse en dos alternativas, aumentar los ingresos o reducir los gastos. Ambas son necesarias, pero dejan por fuera una tercera pregunta que, a mi juicio, debería ocupar un lugar central en el debate público. ¿Estamos utilizando bien los recursos que ya tiene el Estado?
De acuerdo con la Actualización del Plan Financiero 2026 del Ministerio de Hacienda, el déficit fiscal del Gobierno Nacional Central cerró 2025 en 6,4 % del producto interno bruto. En un contexto como este, la eficiencia y la eficacia dejan de ser expresiones propias de los informes administrativos y se convierten en una necesidad nacional.
Aunque suelen confundirse, no significan lo mismo. Para el Departamento Administrativo de la Función Pública, la eficacia es el grado en que se realizan las actividades planeadas y se alcanzan los resultados previstos. La eficiencia, por su parte, se relaciona con el uso económico u óptimo de los recursos para generar resultados.
Dicho de una manera sencilla, ser eficaz es cumplir el objetivo, mientras que ser eficiente es lograrlo utilizando adecuadamente los recursos disponibles. Una entidad puede cumplir la meta de realizar mil inspecciones y, por tanto, declararse eficaz. Sin embargo, podría ser poco eficiente si la mayoría de esas visitas se efectuó en lugares de bajo riesgo mientras los problemas más graves permanecieron sin detectar.
Esta diferencia es fundamental para comprender el verdadero valor de la estadística, los sistemas predictivos y la inteligencia artificial en las políticas públicas. Su principal aporte no consiste simplemente en automatizar trámites ni en reemplazar funcionarios. Consiste en ayudar al Estado a responder mejor cuatro preguntas fundamentales relacionadas con dónde está el problema, cuándo puede agravarse, quién necesita atención prioritaria y en qué punto deben concentrarse primero los recursos públicos.
La gestión pública tradicional suele actuar después de que el problema se hace visible. Se interviene cuando el hospital está congestionado, cuando la violencia ya aumentó, cuando apareció un brote epidemiológico, cuando se destruyó el bosque o cuando una inspección tardía descubre una infracción que llevaba meses ocurriendo. La analítica predictiva propone cambiar esa lógica mediante el uso de datos históricos y actuales para anticipar riesgos y orientar las decisiones antes de que el daño sea mayor.
Cardiff y los datos que revelaron la violencia que la policía no veía
El caso que mejor representa esta idea no comenzó con una plataforma sofisticada de inteligencia artificial. Comenzó con una observación sencilla. En Cardiff, capital de Gales, muchas personas heridas en hechos violentos acudían a los servicios de urgencias, pero no denunciaban la agresión ante la policía.
Por esa razón, los mapas policiales mostraban solamente una parte del problema. Había calles, bares, establecimientos y horarios en los que ocurrían agresiones de manera reiterada, pero que podían permanecer invisibles para las autoridades si las víctimas no presentaban una denuncia.
El denominado Modelo de Cardiff para la Prevención de la Violencia empezó a integrar la información de la policía con datos anonimizados recopilados en los servicios hospitalarios de urgencias. Los hospitales registraban el lugar preciso de la agresión, la fecha, la hora, el arma utilizada, el número de agresores y otros elementos relevantes. Posteriormente, esta información se compartía semanalmente con analistas de la policía y del gobierno local.
El cambio decisivo no fue acumular más datos, sino convertirlos en decisiones. Al unir información que antes permanecía separada, las autoridades pudieron localizar puntos calientes de violencia que no aparecían claramente en los registros policiales. Según la descripción oficial de la Universidad de Cardiff, las rutas de patrullaje se ajustaban semanalmente, se trasladaban agentes hacia los sectores y horarios de mayor riesgo, se intervenían establecimientos asociados con agresiones y se modificaban condiciones de las licencias para la venta de alcohol.
También se adoptaron medidas concretas, como restringir horarios, retirar licencias a determinados establecimientos y exigir recipientes resistentes o distintos al vidrio durante eventos de alta afluencia. La política pública dejó de distribuir la misma respuesta por toda la ciudad y comenzó a concentrar sus esfuerzos en lugares, días y horarios específicos.
Los resultados son especialmente relevantes. Una evaluación comparó a Cardiff con 14 ciudades semejantes de Inglaterra y Gales. Después de ajustar otros factores, el programa se asoció con una reducción relativa del 42 % en las hospitalizaciones relacionadas con violencia y del 32 % en las lesiones graves registradas por la policía frente a las ciudades de comparación.
La evaluación económica estimó que, solamente en 2007, el programa evitó aproximadamente 6,9 millones de libras esterlinas en costos económicos y sociales. Dentro de esa cifra se calcularon reducciones brutas de 1,25 millones de libras para el sistema de salud y 1,62 millones para el sistema de justicia penal. Entre 2003 y 2007, el beneficio social acumulado fue estimado en 82 libras por cada libra invertida.
Cardiff demuestra algo que Colombia debería observar con atención. No siempre se necesita aumentar indiscriminadamente el número de policías, inspectores o funcionarios. En ocasiones, el primer paso para mejorar la capacidad del Estado consiste en integrar la información que ya existe y utilizarla para descubrir patrones que ninguna institución puede ver por separado.
También deja una enseñanza importante para la conversación sobre inteligencia artificial. No todo proceso innovador debe comenzar por un algoritmo complejo. Antes de hablar de IA, una entidad necesita datos de calidad, interoperabilidad, reglas de protección de la información, equipos capaces de analizarla y funcionarios con autoridad para actuar sobre los resultados.
Chicago y la decisión de inspeccionar primero donde existe mayor riesgo
Una lógica semejante fue aplicada en Chicago para organizar las inspecciones sanitarias de establecimientos de alimentos. La ciudad debía controlar más de 15.000 establecimientos y desarrolló un modelo de aprendizaje automático que estimaba la probabilidad de encontrar infracciones críticas.
El sistema utilizaba antecedentes de inspecciones, tiempo transcurrido desde la última visita, características de las licencias, temperatura y datos territoriales. Su finalidad no era sancionar automáticamente ni excluir establecimientos de la vigilancia, sino ordenar el cronograma para visitar primero aquellos que presentaban mayor riesgo estimado.
En la evaluación oficial, el modelo permitió encontrar durante la primera mitad del trabajo el 69 % de los establecimientos con infracciones críticas, frente al 55 % identificado mediante el orden tradicional. Además, las infracciones fueron detectadas, en promedio, siete días y medio antes.
La enseñanza es clara. Cuando la capacidad de inspección es limitada, el Estado puede utilizar la información para establecer prioridades sin renunciar al control general. La predicción no reemplaza al inspector, sino que le indica dónde podría ser más urgente comenzar.
Singapur y la anticipación del dengue por tiempo y territorio
Singapur aplicó modelos estadísticos y de aprendizaje automático para anticipar la evolución del dengue. Uno de los sistemas produjo pronósticos con un horizonte de hasta 12 semanas, utilizando información epidemiológica, meteorológica, poblacional y de vigilancia de mosquitos.
Durante la epidemia de 2013, el modelo pronosticó un máximo de 863 casos para la semana epidemiológica 26. El máximo observado fue de 842 casos en la semana 25. Posteriormente, otro modelo fue diseñado para estimar el riesgo a escala de vecindario y con hasta tres meses de anticipación.
Este caso combina dos capacidades esenciales. La predicción temporal ayuda a determinar cuándo debe intensificarse la respuesta; el análisis espacial permite establecer dónde deben concentrarse las inspecciones, la eliminación de criaderos, el control de vectores y las campañas comunitarias.
No se trata de abandonar las acciones generales de salud pública. Se trata de reforzarlas temporal y territorialmente en los sectores donde la evidencia indica que el riesgo puede aumentar.
Gabón y la posibilidad de llegar al bosque antes que la deforestación
La misma lógica puede aplicarse a territorios extensos y difíciles de vigilar. Forest Foresight utiliza inteligencia artificial, imágenes satelitales y variables geográficas para señalar áreas donde podría producirse deforestación en los meses siguientes.
En lugar de esperar a que una imagen satelital confirme que el bosque ya fue destruido, el sistema genera alertas para orientar a los guardabosques hacia zonas de alto riesgo. Allí se verifica presencialmente si existen actividades como minería ilegal, apertura de caminos, tala o expansión agrícola.
Según la Universidad de Wageningen, en Gabón se realizaron 34 actuaciones durante seis meses a partir de las alertas del sistema. En una de ellas se detectó oportunamente una mina ilegal de oro y se evitó la pérdida estimada de 30 hectáreas de bosque.
Este caso resume con claridad la diferencia entre reaccionar y anticiparse. Un sistema convencional informa dónde ocurrió la deforestación. Un sistema predictivo intenta señalar dónde podría ocurrir, para que la autoridad llegue antes.
La oportunidad para Colombia
Los cuatro ejemplos utilizan tecnologías distintas, pero comparten una misma secuencia basada en integrar información, identificar patrones, estimar riesgos, localizar prioridades, verificar los hallazgos y orientar la intervención.
En Cardiff, la unidad priorizada era el lugar y el horario en que se concentraban las agresiones. En Chicago, cada establecimiento de alimentos. En Singapur, las semanas y los vecindarios con mayor riesgo epidemiológico. En Gabón, las áreas de bosque amenazadas.
Colombia podría aplicar esta lógica en numerosos campos, entre ellos la deserción escolar, la demanda hospitalaria, la mortalidad materna, la accidentalidad vial, las inundaciones, la contratación pública, el deterioro de vías, la deforestación, la minería ilegal, la ocupación informal del suelo, la inseguridad alimentaria y la focalización de programas sociales.
Sin embargo, la implementación no debe caer en la fascinación tecnológica. Un modelo predictivo puede indicar que una zona o un establecimiento presenta un riesgo elevado, pero ese resultado no constituye una prueba de infracción. La predicción debe servir para priorizar la verificación humana, no para imponer sanciones automáticas.
Además, los modelos pueden reproducir los errores y desigualdades presentes en los datos con los que fueron entrenados. Si una institución ha vigilado históricamente más a determinados barrios, sus registros pueden mostrar más incidentes allí, no necesariamente porque exista más criminalidad, sino porque hubo mayor presencia institucional. Un algoritmo que no entienda esa diferencia puede convertir una desigualdad pasada en una decisión futura.
Por eso, el uso público de estas herramientas exige transparencia, auditorías, protección de datos personales, revisión periódica de las variables, mecanismos de reclamación y responsabilidad humana sobre la decisión final. La tecnología debe ampliar la capacidad del Estado, no disminuir sus obligaciones frente a los ciudadanos.
La inteligencia artificial no resolverá por sí sola el déficit fiscal de Colombia. Tampoco reemplazará el conocimiento territorial de un médico, un docente, un inspector, un policía o un funcionario ambiental. Pero sí puede ayudar a que sus decisiones sean más oportunas y sus esfuerzos estén mejor dirigidos.
En un escenario de recursos limitados, ser eficiente no significa únicamente gastar menos. Significa saber dónde actuar primero, anticipar los problemas y evitar que los recursos públicos se dispersen en respuestas generales cuando la evidencia permite intervenir de manera selectiva.
Ese debería ser el verdadero propósito de la inteligencia artificial en las políticas públicas, no gobernar en lugar de las personas, sino ayudarles a comprender mejor la realidad para gobernar mejor.
Fuentes y referencias