La Comunidad de Madrid anunció el 10 de septiembre de 2026 nuevas actuaciones vinculadas al proyecto EficiencIA y la creación de una Factoría de IA dotada con 50 millones de euros para desarrollar soluciones junto a startups, empresas, instituciones y universidades.
La información oficial también señala la incorporación de asistentes para trámites de familias y herramientas de IA generativa al puesto de trabajo digital de empleados públicos. El Ejecutivo regional sitúa estas medidas dentro de su futuro Plan Estratégico Regional de Inteligencia Artificial.
Qué ha ocurrido y cuál es el alcance
La iniciativa combina automatización de trámites, un entorno de colaboración para desarrollar soluciones y herramientas internas de productividad. Son tres capas distintas que necesitarán gobernanza diferenciada.
La relevancia de esta iniciativa no depende únicamente del anuncio o de la tecnología utilizada. En la Administración Pública, cualquier cambio digital tiene efectos sobre organización, datos, seguridad, contratación, atención a la ciudadanía y continuidad del servicio. Por eso conviene analizar el proyecto desde una perspectiva operativa y no limitarse a su componente tecnológico.
Por qué importa para la transformación digital pública
Construir un ecosistema puede acelerar experimentación y reutilización, pero también aumenta la necesidad de seleccionar casos de uso y evitar proyectos desconectados de necesidades reales.
La modernización administrativa funciona mejor cuando la tecnología se conecta con objetivos concretos: reducir tiempos, evitar duplicidades, mejorar la trazabilidad, hacer más accesibles los servicios o permitir que distintas unidades trabajen sobre información coherente. Si no existe esa relación entre tecnología y servicio público, una inversión puede aumentar la complejidad en lugar de reducirla.
También es importante diferenciar digitalización de mera sustitución de soportes. Pasar un procedimiento a una interfaz web no garantiza que el proceso sea más simple. La oportunidad aparece cuando se revisan pasos, datos solicitados, validaciones, integraciones y responsabilidades para eliminar tareas que ya no aportan valor.
Datos, interoperabilidad y arquitectura
Los proyectos de IA dependen de conjuntos de datos y documentación pública de calidad. La Factoría tendrá que definir cómo acceden los participantes a información y bajo qué condiciones.
Una arquitectura pública sostenible debería evitar que la información quede encerrada en una única aplicación. APIs documentadas, formatos reutilizables, identificadores estables y mecanismos de exportación son elementos que facilitan la interoperabilidad y reducen la dependencia de proveedor. Cuando varias administraciones o sistemas participan en un servicio, esta capacidad resulta especialmente importante.
La calidad del dato también debe formar parte del diseño. Automatizar un proceso construido sobre información duplicada, desactualizada o sin responsables definidos puede amplificar errores. Por eso los proyectos maduros suelen acompañar la implantación técnica con reglas de gobierno del dato, trazabilidad y controles de calidad.
Seguridad, privacidad y continuidad
Los entornos de experimentación deben estar separados de producción y utilizar datos sintéticos o anonimizados cuando sea posible. Los servicios reales requieren controles adicionales.
La seguridad debe integrarse desde el inicio y no incorporarse únicamente antes de una auditoría. Gestión de identidades, mínimo privilegio, registro de actividad, copias verificadas, segmentación, actualización y respuesta a incidentes son capacidades que deben adaptarse a la criticidad del servicio. Cuando existen proveedores externos, las responsabilidades también tienen que quedar documentadas.
En sistemas que procesan datos personales o información sensible, la disponibilidad técnica no equivale a autorización de uso. Deben definirse finalidades, permisos, conservación y mecanismos de supervisión. Si se incorpora inteligencia artificial, conviene además registrar qué fuentes utiliza, qué decisiones puede apoyar y dónde es obligatoria la intervención humana.
Qué cambia para ciudadanos y empleados públicos
Los asistentes para familias se orientan a simplificar solicitudes, mientras las herramientas para empleados pretenden reducir cargas. Ambos ámbitos requieren métricas diferentes.
Para la ciudadanía, una mejora real debería percibirse en menos pasos, mayor claridad, canales accesibles y menor necesidad de aportar información que la Administración ya posee. Para los empleados públicos, el objetivo debería ser reducir tareas repetitivas sin eliminar el conocimiento necesario para controlar el procedimiento.
La automatización puede liberar tiempo, pero también puede trasladar carga hacia la revisión si los resultados no son fiables. Por eso resulta útil medir el proceso completo: tiempo ahorrado, errores, excepciones, consultas derivadas y satisfacción de los usuarios.
Gobernanza y supervisión
Un centro de innovación necesita criterios transparentes para seleccionar proyectos, evaluar resultados y decidir qué pilotos pasan a operación estable.
La gobernanza debe definir responsables funcionales, técnicos y jurídicos. También debe establecer quién aprueba cambios, cómo se registran incidencias y qué métricas determinan si el proyecto funciona. Los sistemas públicos necesitan una estructura estable de operación más allá de la fase de lanzamiento.
Cuando se utilizan algoritmos o automatizaciones, la supervisión no debería ser una formalidad. Las personas responsables tienen que disponer de información suficiente para entender resultados, detectar desviaciones y corregirlas. La trazabilidad es especialmente relevante cuando el sistema afecta a trámites, derechos, ayudas o servicios esenciales.
Contratación pública y dependencia tecnológica
La colaboración con empresas y startups debe preservar competencia futura, propiedad de datos y capacidad de continuar un proyecto si cambia el proveedor.
Los pliegos deberían describir capacidades, niveles de servicio y condiciones de salida, no únicamente una lista de funcionalidades. Es conveniente exigir documentación, exportación de datos, APIs, gestión de subcontratistas, actualización de componentes y un procedimiento de reversibilidad. En servicios críticos, también deben contemplarse continuidad y recuperación.
Una Administración puede utilizar soluciones propietarias, abiertas o modelos híbridos. Lo importante es conservar capacidad de elección y evitar que los datos, configuraciones o integraciones hagan inviable un cambio futuro. La interoperabilidad contractual es tan importante como la técnica.
Riesgos y límites que conviene vigilar
El riesgo principal es multiplicar pilotos sin una ruta clara a producción. También debe evitarse confundir ahorro estimado con impacto probado.
Otro riesgo frecuente es confundir una prueba de concepto con un servicio estable. Un piloto puede funcionar con pocos usuarios y datos controlados, mientras que producción exige soporte, escalabilidad, monitorización, accesibilidad y respuesta ante fallos. Antes de ampliar un proyecto conviene probarlo con escenarios reales y definir indicadores de aceptación.
También debe evitarse la automatización por sí misma. Si un procedimiento es innecesariamente complejo, digitalizarlo sin rediseño puede perpetuar el problema. La simplificación administrativa y la transformación tecnológica deberían avanzar de forma coordinada.
Qué debería revisar ahora una Administración
- Definir el problema público que se quiere resolver y las métricas de éxito.
- Inventariar sistemas, datos, proveedores e integraciones implicados.
- Asignar responsables funcionales y técnicos para cada componente crítico.
- Revisar seguridad, protección de datos y continuidad antes del despliegue.
- Exigir interoperabilidad, exportación y documentación en la contratación.
- Diseñar mecanismos de supervisión humana cuando exista automatización o IA.
- Probar el servicio con usuarios reales y escenarios de excepción.
- Medir ahorro de tiempo, calidad, errores y coste total de operación.
- Planificar mantenimiento, actualizaciones y capacidad de salida.
- Documentar aprendizajes para poder reutilizarlos en otros proyectos públicos.
Una referencia para otras Administraciones
El modelo puede ser útil para otras regiones interesadas en crear sandboxes o centros de IA, siempre que definan una cartera de problemas públicos y reglas de escalado.
La reutilización no implica copiar una solución completa. A menudo lo más valioso es reutilizar patrones de arquitectura, cláusulas de contratación, modelos de datos, procedimientos de seguridad o métricas de evaluación. Compartir estas piezas reduce duplicidades y permite que entidades con menos recursos aprovechen experiencia ya acumulada.
Qué habrá que observar a partir de ahora
Será importante conocer la gobernanza de la Factoría, los primeros casos de uso y los criterios con los que se evaluará el retorno público.
La evaluación debería continuar después de la puesta en marcha. Los proyectos digitales cambian con los usuarios, los datos y la tecnología. Revisar periódicamente resultados y riesgos permite corregir el rumbo antes de que una decisión técnica se convierta en una dependencia difícil de revertir.
Preguntas frecuentes
¿Qué Administración impulsa esta iniciativa?
La Comunidad de Madrid.
¿Cuál es su objetivo principal?
Acelerar el desarrollo y despliegue de soluciones de IA para servicios públicos, trámites y trabajo interno.
¿Qué elementos técnicos conviene vigilar?
Interoperabilidad, calidad de datos, gestión de identidades, seguridad, trazabilidad, capacidad de exportación, continuidad y dependencia de proveedores son algunos de los aspectos más relevantes.
¿Puede servir como referencia para otras entidades?
Sí, especialmente si se documentan los resultados, la arquitectura, los problemas encontrados y las decisiones de gobierno. La reutilización de conocimiento puede ser tan valiosa como la reutilización de software.
Fuentes oficiales
La información principal procede de Comunidad de Madrid. Las cifras, fechas y características atribuidas al proyecto se presentan de acuerdo con la información publicada por esa fuente.
Lecturas relacionadas
Para ampliar contexto sobre transformación pública, puede consultarse el análisis del ENS legible por máquina, la evolución del gobierno del dato en la AGE, la adopción de IA en el sector público europeo y los retos de ciberseguridad en la Administración local.
De la estrategia al servicio público concreto
Uno de los retos más habituales en proyectos de transformación es pasar de principios generales a decisiones operativas. Para Factoría de IA Madrid, la organización debería traducir objetivos como eficiencia, confianza o innovación en casos de uso concretos, responsables y métricas. Sin esta capa, la estrategia corre el riesgo de quedarse en una declaración difícil de evaluar.
Una cartera priorizada ayuda a concentrar recursos. Los proyectos pueden clasificarse por impacto, dificultad, riesgo y disponibilidad de datos. Esto permite empezar por casos donde el beneficio puede medirse y reservar los usos más sensibles para fases posteriores con mayor madurez.
Gobernanza de la inteligencia artificial y automatización
Cuando una Administración incorpora IA, conviene mantener un inventario de sistemas y casos de uso. Este registro puede incluir finalidad, unidad responsable, proveedor, modelo utilizado, fuentes de datos, nivel de supervisión y fecha de última revisión. La visibilidad evita que surjan herramientas no controladas en distintas unidades.
La gobernanza debe ser proporcional. Un asistente interno para resumir documentos no requiere exactamente el mismo procedimiento que una aplicación que influye en un trámite ciudadano. Definir niveles de riesgo permite aplicar controles adecuados sin bloquear usos de bajo impacto.
Preparar datos y documentos antes de automatizar
Muchos proyectos fallan porque intentan automatizar información desordenada. Antes de desplegar IA o analítica conviene revisar fuentes, duplicidades, permisos y vigencia. Un modelo no corrige automáticamente un repositorio con documentos contradictorios o desactualizados.
La Administración debería identificar qué fuentes son oficiales y cómo se actualizan. En sistemas que generan respuestas, resulta útil poder vincular cada resultado a la documentación de origen para facilitar revisión y corregir errores.
Diseño centrado en usuarios
La tecnología pública debe probarse con las personas que realmente utilizarán el servicio. Empleados y ciudadanía pueden encontrar barreras que no aparecen en pruebas técnicas: lenguaje confuso, pasos innecesarios, accesibilidad deficiente o respuestas difíciles de interpretar.
Los pilotos deberían recoger datos cualitativos y cuantitativos. Tiempo de tarea, abandonos, errores y satisfacción permiten entender si la innovación reduce fricción o simplemente traslada trabajo a otro punto del proceso.
Confianza y explicación
La confianza se construye con comportamiento consistente y mecanismos de recurso, no únicamente con mensajes institucionales. Cuando un sistema automatizado interviene de forma relevante, el usuario debería poder conocerlo y saber cómo obtener ayuda o revisión humana.
Explicar no significa publicar todos los detalles del algoritmo. Significa ofrecer información suficiente sobre finalidad, datos utilizados, límites y responsabilidades para que el ciudadano pueda comprender qué papel tiene la tecnología.
Capacitación interna
Los empleados públicos necesitan formación adaptada a sus funciones. Quien revisa resultados de IA debe conocer fallos frecuentes, criterios de validación y reglas sobre información sensible. Quien contrata tecnología necesita comprender aspectos de portabilidad, modelos, datos y dependencia.
La formación continua es importante porque herramientas y marcos cambian rápidamente. Una sesión puntual puede quedar obsoleta en pocos meses si no existe un canal para actualizar prácticas.
Cómo decidir si un piloto pasa a producción
Antes de escalar, la entidad debería exigir resultados mínimos definidos de antemano. Precisión, tiempo ahorrado, reducción de carga, coste, seguridad y aceptación de usuarios son criterios posibles. Un piloto no debería pasar a producción solo porque técnicamente funciona.
También hay que revisar la capacidad operativa. Soporte, monitorización, incidencias, actualización de fuentes y presupuesto recurrente deben estar resueltos. La fase estable necesita una organización distinta a la del experimento.
Contratación preparada para cambios tecnológicos
El mercado de IA cambia con rapidez. Un contrato demasiado ligado a un modelo concreto puede quedar obsoleto. Resulta más sostenible definir capacidades, métricas, interfaces y condiciones de sustitución, manteniendo bajo control de la Administración los datos y la lógica del servicio.
La reversibilidad debe probarse. Exportar documentación al final de un contrato no sirve de mucho si el nuevo proveedor no puede reconstruir configuraciones, historiales o integraciones.
Ética aplicada y no solo declarativa
Hablar de uso responsable exige convertir valores en controles verificables. Revisar sesgos, accesibilidad, proporcionalidad, supervisión y efectos sobre colectivos concretos son ejemplos de decisiones operativas que pueden documentarse y auditarse.
La evaluación ética debe conectarse con el caso de uso real. No todos los sistemas presentan los mismos riesgos, y aplicar un cuestionario idéntico a cualquier herramienta puede generar burocracia sin mejorar la protección.
Medir impacto público
Los indicadores deberían relacionarse con el servicio: tiempo para completar un trámite, consultas resueltas, incidencias, coste por expediente o calidad percibida. El número de usuarios o de modelos desplegados mide actividad, pero no necesariamente mejora.
La revisión periódica permite retirar soluciones que no aportan valor y concentrar recursos en las que sí funcionan. En ese sentido, Madrid amplía EficiencIA y anuncia una Factoría de IA de 50 millones para servicios públicos puede ser más útil como punto de partida para una conversación de gestión que como fin en sí mismo.
Fotografía: Pavel Danilyuk / Pexels.