El valor escondido de los datos no estructurados en las AAPP

Pensemos por un momento en cómo trabaja cualquier administración pública. Cada día se tramitan expedientes, se redactan informes técnicos, se levantan actas de reuniones y órganos colegiados, se intercambian miles de correos electrónicos, se publican contenidos en la sede electrónica, se digitalizan documentos en papel y se generan imágenes, grabaciones de audio y vídeos de todo tipo. Toda esa producción documental contiene información valiosa sobre cómo funciona la organización, qué decisiones toma y por qué las toma. Y, sin embargo, la mayor parte de esa información permanece fuera del radar de los sistemas de información tradicionales.

Cuando hablamos de los datos de una administración solemos pensar en bases de datos, hojas de cálculo, padrones, presupuestos o indicadores. Es lógico: durante décadas, la gestión del dato se ha centrado en este tipo de información estructurada. Sin embargo, esa visión solo muestra una pequeña parte de la realidad.

Gran parte del conocimiento que generan las administraciones no reside en sus bases de datos, sino en expedientes, informes, actas, resoluciones, correos electrónicos y contenidos multimedia que forman parte de su actividad diaria. Información que existe, que contiene un enorme valor y que, tradicionalmente, ha permanecido al margen de las estrategias de gobierno del dato.

La irrupción de la inteligencia artificial ha convertido ese patrimonio documental en una oportunidad sin precedentes, pero también ha puesto de manifiesto que la tecnología, por sí sola, no basta. En este artículo veremos por qué los datos no estructurados se han convertido en uno de los principales activos de las administraciones públicas, qué obstáculos impiden aprovechar todo su potencial y cómo una estrategia de gobierno del dato puede transformar ese enorme volumen de información en un recurso fiable, reutilizable y preparado para generar valor.

La mejor forma de entender esta situación es imaginar un iceberg. La parte visible representa los datos estructurados sobre los que trabajan la mayoría de las aplicaciones corporativas, los cuadros de mando y las estadísticas oficiales. Bajo la línea de flotación, mucho más extensa, se encuentra el enorme volumen de información no estructurada que describe decisiones, procedimientos, conocimiento técnico y contexto administrativo.

Según estimaciones de firmas de análisis como IDG o Gartner, este tipo de contenido representa alrededor del 80 % de la información que maneja una organización, y todo apunta a que ese porcentaje seguirá creciendo.

La paradoja es evidente: la mayor parte del conocimiento de una administración no está en sus bases de datos, sino sumergida en sus documentos. Durante muchos años esa parte del iceberg apenas podía aprovecharse. Hoy, sin embargo, la situación ha cambiado radicalmente.

El valor latente que se está dejando pasar

Ignorar la parte sumergida del iceberg supone desperdiciar uno de los mayores activos de información del sector público. En esos contenidos se documentan la experiencia acumulada durante años, el conocimiento de los empleados públicos, las relaciones entre expedientes y buena parte del contexto que nunca llega a almacenarse en una base de datos. Su aprovechamiento tiene, por ello, un impacto directo y transversal en la gestión pública.

Cuando esa información puede localizarse, entenderse y relacionarse, un expediente deja de ser únicamente un conjunto de documentos para convertirse en una fuente de conocimiento reutilizable. El recorrido es siempre el mismo: los documentos contienen conocimiento institucional en forma de contexto, decisiones, criterios y evidencias, y es el gobierno del dato el que permite transformar ese conocimiento en valor público. Esto se traduce en mejores servicios para la ciudadanía, una mayor trazabilidad de la actividad administrativa, más transparencia, una mayor eficiencia interna y una mejor reutilización del conocimiento institucional.

Esta puesta en valor conecta, además, con una obligación legal muy concreta: el principio de "una sola vez", recogido en el artículo 28.2 de la Ley 39/2015, que reconoce el derecho de la ciudadanía a no aportar documentos que ya obren en poder de cualquier administración. Hacer efectivo ese derecho exige que la información que la administración ya posee, con frecuencia en forma de documentos, pueda localizarse, interpretarse e intercambiarse entre organismos: cada vez que se solicita a un ciudadano un dato que ya figura en un expediente, el problema no es normativo, sino de gestión e interoperabilidad de la información.

Pero hay un factor que ha convertido esta necesidad en una prioridad estratégica: la inteligencia artificial. Estos contenidos constituyen hoy la principal materia prima para las aplicaciones de IA, especialmente aquellas basadas en el procesamiento del lenguaje natural (PLN, por sus siglas en inglés) y los Grandes Modelos de Lenguaje (LLM, por sus siglas en inglés).

El aprovechamiento de la información no estructurada, sin embargo, no comenzó con la inteligencia artificial generativa. Desde hace años se utilizan técnicas como el reconocimiento óptico de caracteres, los procesos ETL (extraer, transformar, cargar, por sus siglas en inglés), el web scraping, las expresiones regulares, las taxonomías, los motores de reglas y las técnicas clásicas de procesamiento del lenguaje natural para extraer, clasificar, normalizar y trasladar información documental a estructuras explotables. Estas aproximaciones continúan siendo especialmente eficaces cuando las fuentes son relativamente homogéneas, los patrones son estables y las reglas de extracción pueden definirse de forma precisa. La inteligencia artificial no sustituye necesariamente estas técnicas, sino que amplía su alcance y permite abordar contenidos más variables, ambiguos o difíciles de procesar mediante reglas previamente definidas.

Hasta hace pocos años, gran parte de esta información podía explotarse mediante técnicas tradicionales, pero hacerlo exigía procesos muy específicos, dependientes del formato y difíciles de escalar o mantener cuando aumentaban la diversidad y la complejidad documental. Los documentos se generaban y almacenaban en sistemas y formatos muy diversos, su localización dependía a menudo de palabras clave o rutas de carpetas y la comprensión de los contenidos que no podían procesarse mediante reglas exigía una lectura manual lenta y costosa.La irrupción de la inteligencia artificial generativa ha cambiado completamente este escenario: hoy es posible resumir documentos, clasificar expedientes, extraer entidades relevantes, detectar relaciones entre documentos o responder preguntas sobre normativa de forma automática. La IA no ha creado el dato no estructurado; simplemente ha hecho posible aprovechar un patrimonio documental que llevaba décadas esperando su oportunidad.

El iceberg, por tanto, ya no es solo una metáfora sobre lo que no vemos: es una descripción bastante precisa de dónde está el valor que todavía no estamos capturando.

Sin embargo, existe un error frecuente: pensar que disponer de modelos de inteligencia artificial es suficiente para aprovechar todo ese conocimiento. Sin embargo, no lo es.

La tecnología ya está aquí: las herramientas capaces de procesar documentos y aplicar inteligencia artificial son cada vez más accesibles y evolucionan a un ritmo vertiginoso. Sin embargo, el verdadero reto no consiste en incorporar nuevos algoritmos, sino en gobernar adecuadamente la información sobre la que trabajan.

Un modelo de lenguaje puede resumir miles de expedientes en minutos, pero no puede determinar cuál es la versión válida de un documento, si su contenido sigue vigente o quién es responsable de mantenerlo actualizado. Únicamente puede trabajar con la información que recibe. Si esa información es incompleta, inconsistente o carece de contexto, sus respuestas heredarán esas mismas limitaciones.

Sin metadatos, catalogación, clasificación, criterios de calidad y responsabilidades claras, el dato no estructurado deja de ser un activo para convertirse en un pasivo organizativo: abundante, costoso de mantener y difícil de localizar, interpretar y reutilizar. Aplicar inteligencia artificial sobre documentación mal gobernada no genera conocimiento; genera respuestas aparentemente plausibles construidas sobre información poco fiable, probablemente el peor escenario posible para una administración pública.

Esta situación nos lleva directamente a un concepto que ya analizamos en el artículo De la ciénaga al lago: cómo evitar que tus datos se conviertan en un pantano. La acumulación de información sin gobierno acaba produciendo un data swamp, porque acumular información no equivale a generar conocimiento. Si esto ya es cierto para los datos estructurados, lo es aún más para los repositorios documentales, donde el volumen crece más rápido y el contexto se pierde antes. Sin gobierno del dato, la organización actúa como un simple trastero digital; con gobierno del dato, ese contenido se transforma en un activo útil, fiable y preparado para su explotación, tanto por las personas como por la inteligencia artificial.

El gobierno del dato cumple aquí otra función menos evidente y, sin embargo, fundamental: ayudar a identificar cuándo una información que nació como no estructurada debe dejar de serlo.

Muchas administraciones siguen almacenando determinados datos en documentos de texto, formularios PDF o campos de observaciones simplemente porque así se diseñó el proceso original. Con el paso del tiempo, esa información empieza a repetirse en miles de expedientes y deja de ser una excepción para convertirse en un patrón estable.

Aprovechar este patrimonio documental no requiere comenzar implantando inteligencia artificial. Requiere construir primero unas bases sólidas de gobierno del dato. Los principios son los mismos que ya aplicamos al dato estructurado, extendidos ahora al conjunto de la información de la organización.

Figura 4. Tabla sobre los pilares y objetivos de la hoja de ruta de gobernanza. Fuente: elaboración propia - datos.gob.es

Como referencia metodológica para recorrer este camino, España dispone del ecosistema de normas UNE sobre gobierno, gestión y calidad del dato (UNE 0077, UNE 0078, UNE 0079, UNE 0080 y UNE 0081). Este marco permite abordar de forma homogénea la gestión tanto del dato estructurado como del no estructurado, apoyándose en procesos, responsabilidades y mejora continua para convertir la información en un activo gobernado y medible.

Durante años, las administraciones públicas han realizado un enorme esfuerzo por digitalizar documentos y expedientes. Ese proceso ha permitido sustituir el papel por archivos electrónicos, pero digitalizar no siempre significa gestionar mejor la información.

El verdadero reto de los próximos años no consiste en almacenar más documentos, sino en convertir ese inmenso patrimonio documental en un activo gobernado, reutilizable y preparado para generar valor: mejorar los servicios públicos, reforzar la transparencia y proporcionar una base fiable para las aplicaciones de inteligencia artificial que ya están transformando la gestión pública.

Y conviene no perder de vista que el iceberg seguirá creciendo. La producción documental de las administraciones continuará aumentando, y con ella el volumen de conocimiento que permanece bajo la superficie. La diferencia entre las organizaciones que conviertan esa masa oculta en una ventaja y las que la sufran como un lastre no estará en la tecnología que utilicen, sino en cómo gobiernen su información.

Porque, como en todo iceberg, el mayor valor no está en la parte visible. Está bajo la superficie, esperando a que las administraciones desarrollen las capacidades necesarias para descubrirlo, comprenderlo y ponerlo al servicio de la ciudadanía.

Fuente original de la noticia