El Instituto Andaluz de Administración Pública está desarrollando en Granada una segunda edición de la acción formativa «Innovación Pública: Design Thinking con IA», un curso semipresencial de 22 horas dirigido a personal de la Administración autonómica. La iniciativa busca combinar una metodología centrada en las personas con herramientas de inteligencia artificial para trabajar sobre problemas reales de servicios y procedimientos públicos.
La formación se produce en un momento en el que numerosas Administraciones están pasando de cursos introductorios sobre IA a programas más aplicados. El objetivo ya no es únicamente enseñar a utilizar un asistente, sino integrar la tecnología dentro de una metodología de análisis, ideación, prototipado y evaluación.
El IAAP ya había realizado una primera edición entre febrero y marzo con 25 profesionales. La nueva convocatoria en Granada permite comprobar cómo la Administración andaluza intenta convertir esa experiencia en una línea formativa repetible y vinculada a retos concretos.
Un curso semipresencial de 22 horas
La acción formativa combina sesiones y trabajo aplicado durante 22 horas.
El formato permite alternar explicación metodológica con ejercicios sobre problemas de las propias unidades.
Una duración de este tipo obliga a priorizar práctica frente a teoría extensa.
Design Thinking como estructura de trabajo
Design Thinking organiza la innovación alrededor de comprensión del usuario, definición del problema, generación de alternativas, prototipado y prueba.
En el sector público puede ayudar a cuestionar procedimientos diseñados desde la estructura interna y no desde la experiencia ciudadana.
La metodología no garantiza por sí sola una buena solución, pero obliga a explicitar hipótesis y validarlas.
IA como herramienta de apoyo, no como metodología
El IAAP presenta la inteligencia artificial como un complemento para mejorar análisis, creatividad y uso de recursos.
Esta distinción es importante: el modelo no sustituye el proceso de innovación.
La IA puede acelerar tareas, pero el equipo sigue definiendo el problema y evaluando las propuestas.
Trabajar con retos reales
La primera edición utilizó problemas procedentes de las propias unidades administrativas.
Este enfoque aumenta la probabilidad de transferencia al puesto.
Un ejercicio genérico puede enseñar una herramienta, pero un reto real permite comprobar restricciones jurídicas, datos y necesidades de usuarios.
Comprender antes de automatizar
La fase inicial de Design Thinking obliga a investigar qué ocurre y quién está afectado.
Esto puede evitar automatizar un paso que en realidad debería eliminarse.
La lógica coincide con la simplificación administrativa basada en revisar procedimientos antes de digitalizarlos.
IA para sintetizar investigación
Los equipos pueden utilizar modelos para organizar notas, agrupar temas o resumir entrevistas cuando la información puede procesarse de forma segura.
La salida necesita revisión y contraste con las fuentes originales.
Los participantes deben aprender a no convertir un resumen automático en evidencia.
Generación de alternativas
Los asistentes pueden proponer ideas, variaciones y preguntas que amplían el espacio creativo.
Su utilidad aumenta cuando el equipo aporta contexto y criterios.
La fase de ideación debe mantener la capacidad de descartar propuestas inviables por normativa o recursos.
Prototipos rápidos
La IA puede ayudar a producir textos, pantallas de ejemplo, flujos o borradores.
Estos prototipos permiten probar una idea antes de desarrollar una aplicación completa.
El objetivo es aprender con bajo coste y no confundir una demostración visual con un producto listo para producción.
Pruebas con usuarios
Una solución pública debe validarse con personas que realmente utilizarán el servicio.
La IA puede apoyar la preparación de guiones o análisis de respuestas, pero no sustituye la interacción.
Los empleados necesitan observar dónde aparecen dudas y errores.
Protección de datos en talleres
Los retos reales pueden incluir información de expedientes o usuarios.
La formación debe enseñar a anonimizar ejemplos y evitar introducir datos sensibles en herramientas no autorizadas.
La práctica segura durante el curso ayuda a crear hábitos para el trabajo cotidiano.
Herramientas corporativas frente a servicios públicos
Las Administraciones deben definir qué herramientas están autorizadas.
Un empleado puede conocer una aplicación comercial, pero eso no significa que pueda utilizarla con cualquier información.
Las reglas deben ser fáciles de consultar.
Gobernanza de IA para empleados
La formación debería explicar cómo declarar un nuevo caso, quién lo aprueba y qué documentación necesita.
Esto conecta el aprendizaje individual con el modelo institucional.
Sin gobernanza, los cursos pueden aumentar el uso informal de IA.
Lecciones de Aragón
Aragón está combinando formación y casos reales mediante 11 sesiones internas sobre IA y su Oficina de Gobernanza.
El patrón es similar: compartir experiencias y reglas, no solo herramientas.
Las comunidades pueden aprender unas de otras.
Dirección y liderazgo
Los proyectos nacidos en un taller necesitan apoyo de responsables para llegar a producción.
La formación de directivos es complementaria, como muestra el ciclo de dirección estratégica de Cataluña.
Sin patrocinio, una buena propuesta puede quedarse en prototipo.
Equipos multidisciplinares
Los retos públicos suelen combinar procedimiento, tecnología, atención y normativa.
Los equipos deberían reunir perfiles funcionales, jurídicos y técnicos.
Design Thinking aporta más cuando distintas perspectivas trabajan sobre el mismo problema.
Evitar que el taller termine en una presentación
Muchos programas de innovación producen prototipos que no continúan.
El IAAP puede establecer un mecanismo de seguimiento para seleccionar propuestas viables.
Una ruta posterior hacia InnoLab u otras estructuras de innovación puede aumentar impacto.
El ecosistema de innovación del IAAP
El Instituto ofrece cursos, comunidades y laboratorios orientados a innovación pública.
La formación en Design Thinking puede conectarse con InnovAnda, InnoLab y recursos de autoformación.
Esta continuidad evita que el aprendizaje dependa de una actividad aislada.
Formación abierta
El IAAP ha ampliado durante 2026 su oferta online y de autoformación.
Los recursos cortos pueden complementar cursos intensivos.
Un empleado puede aprender un concepto y después aplicarlo en un proyecto acompañado.
Competencias para innovar
Innovar en la Administración requiere más que tecnología: curiosidad, trabajo con usuarios, colaboración y capacidad de explicar problemas.
El catálogo del IAAP incluye cursos específicos sobre estas competencias.
La IA se incorpora como una herramienta dentro de un conjunto más amplio.
Aprender a formular problemas
Los modelos responden mejor cuando el problema está bien definido.
Design Thinking obliga a dedicar tiempo a esa definición.
Esto reduce el riesgo de utilizar IA para resolver la pregunta equivocada.
Prompts con contexto institucional
Los empleados pueden aprender a incluir objetivo, restricciones y formato esperado.
Sin embargo, un prompt detallado no convierte la salida en correcta.
La revisión profesional sigue siendo necesaria.
Verificar fuentes
La IA generativa puede inventar referencias o normativa.
Los empleados públicos deben contrastar cualquier dato jurídico o administrativo con fuentes oficiales.
Esta competencia debería formar parte explícita de los ejercicios.
Documentar el uso de IA
En determinados procesos puede ser necesario conservar evidencia de qué herramienta se utilizó y cómo se revisó el resultado.
La documentación debe ser proporcional al riesgo.
No todas las tareas necesitan el mismo nivel de trazabilidad.
Medir ahorro de tiempo
El curso plantea optimizar tiempo y recursos.
Los participantes pueden medir cuánto tarda una tarea antes y después.
Esto convierte una percepción de productividad en evidencia.
Medir calidad
Ahorrar tiempo no sirve si aumenta errores.
Las pruebas deben comparar calidad del resultado y número de correcciones.
El mejor caso es aquel que mejora ambos indicadores.
Transferencia al puesto
Una encuesta inmediata mide satisfacción con el curso, pero no cambio real.
El IAAP puede hacer seguimiento a los tres o seis meses para saber qué técnicas se siguen utilizando.
También puede recopilar proyectos que llegaron a implantarse.
Comunidades de práctica
Los participantes pueden mantener una red para compartir plantillas, herramientas y problemas.
Esta comunidad reduce la necesidad de aprender individualmente las mismas lecciones.
El conocimiento se convierte en activo institucional.
Evitar la homogeneización de soluciones
La IA tiende a producir respuestas plausibles y similares si recibe instrucciones genéricas.
Los equipos deben aportar conocimiento local y contexto.
La creatividad humana sigue siendo necesaria para diseñar servicios adaptados.
Sesgos en la investigación
Si un modelo resume comentarios o clasifica necesidades, puede introducir sesgos.
Los participantes deben revisar si determinados grupos quedan infrarrepresentados.
La validación con usuarios ayuda a corregir.
Accesibilidad en prototipos
Las propuestas de nuevos servicios deben incorporar accesibilidad desde el inicio.
Es más barato corregir un prototipo que una aplicación terminada.
Las herramientas de IA pueden sugerir mejoras, pero necesitan revisión especializada.
Contratación de soluciones nacidas en talleres
Si una propuesta requiere proveedor, el equipo debe traducir el problema a requisitos funcionales.
Los pliegos deberían evitar describir una marca concreta cuando existen alternativas.
La arquitectura y portabilidad deben considerarse desde el diseño.
Un enlace con el nuevo Plan de Capacitación Digital
La Junta acaba de iniciar la formulación de su segundo Plan de Capacitación Digital 2027-2030.
Uno de sus tres ejes se centra precisamente en sector público y transformación de servicios.
Experiencias como este curso pueden aportar evidencia sobre qué formatos funcionan.
Qué diferencia esta formación de un curso de prompts
El elemento distintivo es integrar IA dentro de una metodología de innovación pública.
La herramienta aparece después de comprender el problema y antes de validar la solución.
Este orden reduce el riesgo de buscar problemas para una tecnología.
Fuente oficial
El IAAP describe el curso en su página de formación para aprender a innovar. La convocatoria de la segunda edición en Granada fue anunciada en septiembre y su celebración ha sido difundida por la Junta y medios locales.
La experiencia será especialmente valiosa si los retos trabajados durante las 22 horas continúan después del aula. La innovación pública se consolida cuando un prototipo se convierte en una mejora medible del servicio y cuando el conocimiento adquirido puede reutilizarse por otras unidades.
Seleccionar retos con posibilidad real de implantación
No todos los problemas son adecuados para un taller de innovación. Conviene escoger retos con un responsable claro, acceso a usuarios y margen para modificar el proceso. Esto aumenta la probabilidad de que el prototipo tenga continuidad después del curso.
Los participantes deberían conocer desde el inicio qué decisiones pueden tomar y qué restricciones son inamovibles.
Una buena selección evita dedicar tiempo a ideas que nunca podrán probarse.
Ficha de experimento para cada prototipo
Cada equipo puede documentar hipótesis, usuario, problema, solución propuesta, uso de IA y métrica de éxito. Esta ficha convierte el trabajo del aula en evidencia reutilizable.
Si el prototipo continúa, la misma documentación puede servir de punto de partida para seguridad, protección de datos o contratación.
El formato también facilita comparar proyectos entre ediciones.
Biblioteca interna de prompts y técnicas
Los participantes pueden compartir instrucciones útiles siempre que estén acompañadas de contexto y limitaciones. Un prompt aislado pierde valor cuando se desconoce la tarea para la que fue diseñado.
Versionar ejemplos y explicar qué fuentes deben verificarse ayuda a crear conocimiento institucional.
La biblioteca debería incluir también casos donde la IA no aportó una mejora suficiente.
Evaluar el prototipo con usuarios reales
Antes de concluir que una idea funciona, los equipos pueden realizar pruebas breves con personas usuarias o empleados afectados. Observar cómo completan una tarea revela problemas que no aparecen durante una presentación.
La IA puede ayudar a organizar comentarios, pero las conclusiones deben volver a las evidencias originales.
El ciclo de prueba y corrección es el elemento que convierte Design Thinking en una metodología y no en una sesión creativa.
Escalar solo después de medir
Un prototipo prometedor no necesita transformarse inmediatamente en un gran proyecto. Una fase piloto limitada permite medir tiempo, errores y satisfacción en condiciones reales.
Si los resultados no mejoran la situación de partida, el equipo puede detener o rediseñar sin haber comprometido una inversión elevada.
La innovación pública gana credibilidad cuando también sabe descartar soluciones.
Reconocer el aprendizaje como resultado
No todos los retos acabarán en producción y eso no implica que la formación haya fallado. Documentar por qué una idea no era viable puede evitar que otra unidad repita el mismo camino.
El IAAP puede convertir estos aprendizajes en casos de estudio para futuras ediciones.
La memoria institucional es uno de los retornos más valiosos de los programas de innovación.
Seguimiento de los retos seis meses después
El IAAP puede volver sobre los proyectos de la segunda edición para comprobar si alguno llegó a piloto, cambió un procedimiento o generó una nueva práctica de trabajo. Esta revisión diferida ofrece una medida de impacto mucho más útil que la satisfacción inmediata al finalizar el curso.
Los resultados pueden alimentar próximas ediciones y ayudar a seleccionar metodologías o herramientas que demostraron mayor transferencia al puesto.
Fotografía: Cristian Pedroso / Pexels.