Jev: el nuevo modelo de inteligencia artificial que genera decisiones

Durante los últimos años hemos asociado la inteligencia artificial con modelos capaces de generar contenido (texto, código, imágenes…). ChatGPT, Gemini, Claude y otros grandes modelos de lenguaje reciben unas instrucciones y producen una respuesta en forma de informe, resumen o, simplemente, mantienen una conversación.

Pero también hemos utilizado la IA, y mucho, para que nos ayude a tomar decisiones, con un coste en cómputo y tokens innecesario. En muchos procesos lo único que necesitamos es que interprete una situación y conteste preguntas muy concretas: ¿a qué categoría pertenece este documento?, ¿qué departamento debería tramitarlo?, ¿esta respuesta está respaldada por la documentación?

Jev, presentado por TypeSafe AI el 15 de septiembre de 2026, está diseñado precisamente para este tipo de tareas y está suponiendo ya un cambio de paradigma en el uso de la IA. No pretende competir con ChatGPT u otros LLM como asistente conversacional, los complementa. Su propuesta es distinta: recibir información no estructurada y transformarla directamente en decisiones estructuradas acompañadas de probabilidades; sencillo, rápido y económico.

Más allá del nombre comercial, lo verdaderamente interesante es el cambio de arquitectura que plantea, y aquí se debe prestar atención porque supone una diferencia de concepto radical. En lugar de utilizar un gran modelo generativo para clasificar y ayudar en la toma de decisiones a base de escupir texto, podemos utilizar modelos como Jev para que, simplemente, nos dé el resultado conciso sin florituras. Esto puede tener consecuencias especialmente interesantes para la Administración pública. Lo veremos enseguida.

Qué es Jev

Jev es un modelo de inteligencia artificial para clasificar información y tomar decisiones probabilísticas. Como indiqué, no se trata de un LLM al uso; no es un chatbot, no conversamos ni recibiremos texto. Y de momento no puede reconocer imágenes. Las respuestas que da se basan en probabilidades y en opciones que el usuario ya le ha dado en el prompt.

Por ejemplo, y a grandes rasgos, puede servir para distribuir y clasificar escritos de entrada, otros documentos, correos, expedientes, etc. O para decidir si una solicitud contiene toda la documentación requerida, si es urgente, si requiere atención humana o puede pasarse a una automatización etc.

Los modelos de decisión se basan en probabilidades y en el esquema condicional: SI SE DA ESTA PREMISA → OCURRE ESTO

TypeSafe denomina a esta nueva categoría de IA System One Models, Modelos de Sistema 1, frente a los LLM tradicionales, que son de sistema 2. Según la compañía, la denominación se inspira en la distinción popularizada por Daniel Kahneman entre un sistema de pensamiento rápido e intuitivo y otro más deliberativo.

Qué tipos de salidas ofrece Jev

Jev no genera una respuesta abierta como ChatGPT o Claude. Antes de realizar la consulta debemos definir qué tipo de decisión queremos obtener y cuáles son las opciones permitidas. Su API trabaja principalmente con tres tipos de salida:

Choice (elección) se utiliza cuando el modelo debe seleccionar una opción entre varias categorías previamente definidas. Por ejemplo, clasificar un escrito entre «Urbanismo», «Gestión Tributaria», «Personal» o «Secretaría». Además de la opción elegida, Jev devuelve las probabilidades asociadas a las distintas alternativas, lo que permite conocer hasta qué punto la clasificación resulta clara o dudosa.

Score (puntuación) permite asignar una puntuación dentro de una escala establecida. Podría utilizarse, por ejemplo, para valorar el grado de relevancia de un documento recuperado por un sistema RAG, el nivel de riesgo de una actuación propuesta por un agente o hasta qué punto una respuesta cumple determinados criterios.

Noul (sí/no) está pensado para preguntas binarias y devuelve una probabilidad entre 0 y 1. Resulta especialmente útil para comprobaciones del tipo: «¿este documento contiene una alegación sobre prescripción?», «¿la respuesta está respaldada por la fuente proporcionada?» o «¿este caso debería enviarse a revisión humana?».

Jev se usa mediante API y aplicaciones informáticas

No pensemos que podemos utilizar este tipo de modelos (sea Jev o alternativas de código abierto como Laya u Openjev (SemiIf)) directamente en una ventana del navegador. Su verdadero potencial es llamarlos mediante programas o aplicaciones, que también podrían generarse con un LLM tradicional. Estas aplicaciones gestionan la documentación (archivos, expedientes, solicitudes…) y la automatización posterior, aportan a Jev la información y le piden que clasifique o decida, y con los resultados recibidos continúan el trabajo. La diferencia fundamental respecto de un LLM convencional es que estas salidas son estructuradas (generalmente con un JSON) y directamente utilizables por software. El programa no tiene que interpretar posteriormente un texto generado por la IA: recibe una categoría, una puntuación o una probabilidad y puede aplicar sobre ella reglas previamente definidas.

Esto permite construir procesos como:

documento → Jev → clasificación/probabilidad → regla del sistema → automatización o revisión humana

Que no respondan con texto no quiere decir que no entiendan el lenguaje natural. Por supuesto que pueden leer la documentación que se le sube y entender de qué se trata; si no, no podrían tomar decisiones ni clasificar. Es precisamente esta capacidad para convertir lenguaje natural en pequeñas decisiones estructuradas la que hace especialmente interesante este tipo de modelos para integrarlos dentro de procedimientos administrativos.

Cómo funciona Jev

Su funcionamiento puede simplificarse de la siguiente manera:

Se aporta información → se le hacen una o varias preguntas → se le dan las opciones posibles que debe devolvernos→ responde con probabilidades

En el caso de estos modelos la información (contexto) se llama estado. Se le pueden hacer varias preguntas en el mismo prompt y las ejecutará en paralelo y no una tras otra, con lo que se obtiene una ganancia de tiempo enorme. Y además, como se dijo, el prompt le puede dar las posibles respuestas (choice) con algo de información descriptiva, con lo que el modelo responde de manera estructurada y más precisa, con lo que las alucinaciones apenas

Supongamos que una persona presenta electrónicamente este escrito en un ayuntamiento:

«Solicito la devolución del importe abonado por una tasa porque finalmente no llegué a realizar la actividad para la que solicité autorización».

En lugar de pedir a un LLM que redacte una respuesta, podríamos proporcionar el texto a Jev y hacerle preguntas muy concretas, con la ventaja de que podemos hacerle varias preguntas en el mismo prompt

Por ejemplo:

• ¿A qué tipo de procedimiento pertenece?
• ¿Qué unidad administrativa debería recibirlo?
• ¿Existe una petición expresa del interesado?
• ¿Es necesaria una revisión humana?

Para la primera pregunta podríamos definir previamente estas respuestas:

Devolución de ingresos | Responsabilidad patrimonial | Recurso administrativo | Licencia | Otro

Jev seleccionaría una de ellas y devolvería además la distribución de probabilidades correspondiente.

De generar palabras a tomar pequeñas decisiones

Cuando preguntamos algo a un LLM convencional, el modelo genera sucesivamente tokens hasta construir una respuesta. Incluso cuando le pedimos que devuelva un JSON, una categoría o una puntuación, seguimos utilizando fundamentalmente un modelo diseñado para generar lenguaje. Un LLM tradicional utiliza todos sus pesos (todos sus patrones) para generar cada token, que extrae también por probabilidad. Todo esto supone un coste en cómputo, tiempo, tokens y dinero enorme en comparación con los modelos decisores.

Podemos ver la diferencia de esta manera:

Modelo generativo	Jev
Genera texto	Genera decisiones estructuradas
Está orientado a conversar y redactar	Está orientado a clasificar y evaluar
La salida puede ser abierta	Las respuestas posibles se definen previamente
Puede necesitar transformar posteriormente la respuesta a JSON	La respuesta ya es utilizable por el software
Adecuado para crear contenido	Adecuado para integrarse en procesos

Esto no significa que uno sustituya al otro, sino que se complementan: cada modelo puede utilizarse para aquello que hace mejor.

Por ejemplo, se le pasa a Jev una solicitud, se le pregunta si cumple los requisitos. Jev responde que hay que subsanar deficiencias, por lo que el proceso pasa a un LLM que genera una comunicación al interesado para que subsane.

Un «if» que entiende lenguaje

La forma más sencilla de comprender el potencial de Jev es compararlo con una condición utilizada en programación.

Un programa puede ejecutar sin dificultad una regla como:

Si importe > 3.000 euros → ejecutar acción A

No hace falta inteligencia artificial. Se trata de una comparación matemática exacta.

El problema aparece cuando necesitamos algo parecido a:

Si el ciudadano está alegando prescripción → ejecutar acción B

El concepto de «prescripción» puede aparecer de muchas formas.

El ciudadano podría escribir:

«Ha transcurrido más de un año desde que ocurrieron los hechos».

O:

«Cuando me notificaron la resolución ya había pasado el plazo legal».

O podría citar directamente el artículo aplicable.

Una regla tradicional basada en palabras clave tendrá dificultades para interpretar todos esos supuestos. Un modelo capaz de comprender semánticamente el texto sí puede hacerlo. Esta es una de las formas más interesantes de entender Jev: como una condición lógica capaz de comprender lenguaje natural. TypeSafe utiliza precisamente el concepto de smart if statement para explicar algunos de sus posibles usos.

Esta idea ofrece, realmente, un gran potencial para los procedimientos administrativos.

Jev responde con probabilidades y nivel de confianza

Una de las características más interesantes de Jev es que no se limita a devolver una categoría o una decisión. También proporciona información sobre cuán probable considera cada alternativa y, en determinados tipos de salida, un nivel de confianza asociado a la decisión.

Por ejemplo, si Jev debe clasificar una solicitud entre varias unidades administrativas, el resultado podría ser parecido a este:

• Gestión Tributaria: 0,91
• Secretaría: 0,05
• Urbanismo: 0,03
• Personal: 0,01

En este caso, el modelo no solo seleccionaría «Gestión Tributaria», sino que mostraría que esa opción concentra una probabilidad muy superior al resto.

Esto resulta especialmente útil para diseñar sistemas administrativos con distintos niveles de intervención. Una Administración podría establecer, por ejemplo, que las clasificaciones con una confianza elevada continúen automáticamente el flujo de trabajo, mientras que los casos más ambiguos sean enviados a revisión humana.

Conviene, sin embargo, diferenciar dos conceptos.

La probabilidad expresa el peso que el modelo asigna a una determinada respuesta dentro del conjunto de alternativas posibles.

La confianza intenta resumir hasta qué punto la decisión está claramente diferenciada respecto de las demás opciones. Una respuesta puede ser la más probable y, sin embargo, presentar una confianza reducida si existen varias alternativas con valores similares.

Por ejemplo, no es lo mismo obtener:

Gestión Tributaria 0,92 / Secretaría 0,04

que obtener:

Gestión Tributaria 0,46 / Secretaría 0,41

En ambos casos la primera opción sería la seleccionada, pero en el segundo existe mucha más incertidumbre.

Esta distinción permite introducir una idea especialmente importante para el sector público: la incertidumbre del modelo puede utilizarse como criterio para decidir cuándo debe intervenir una persona.

Ahora bien, una confianza del 90 % o del 95 % no debe interpretarse como una certeza jurídica ni como una garantía equivalente de acierto. Los umbrales de automatización deben validarse con datos reales del procedimiento concreto y comprobarse periódicamente.

En consecuencia, uno de los usos más interesantes de Jev no consiste simplemente en responder «sí» o «no», sino en permitir que el sistema conozca también cuándo su propia decisión es suficientemente clara y cuándo resulta prudente pedir revisión humana.

En este sentido, al programar el uso de Jev o de cualquier modelo decisor, se deben establecer los umbrales a partir de los cuales se producirán determinadas consecuencias. Para unos casos se puede establecer que a partir de una probabilidad de 0,88 (88%) se tenga por buena la opción, pero en otros casos puede requerirse un 0,97.

¿Jev no alucina?

TypeSafe afirma que Jev evita las alucinaciones debido a que no genera libremente texto. Esto es cierto en parte y necesita ser matizado. Si hemos establecido que las únicas respuestas posibles en un choice son:

Urbanismo | Tributos | Personal | Secretaría

Jev no puede inventarse una quinta categoría llamada «Departamento de Comercio Exterior». Esa clase de error desaparece porque la salida está restringida. Pero Jev sí puede equivocarse, pues puede responder «Tributos» cuando la opción correcta era «Secretaría».

Por ello es más preciso afirmar que el modelo elimina determinados problemas asociados a la generación libre de texto, pero no elimina los errores de clasificación. La diferencia es importante, especialmente cuando pensamos en utilizar estas tecnologías dentro de una Administración pública.

¿Es realmente una tecnología nueva?

Los clasificadores de inteligencia artificial existen desde hace décadas. Tampoco es nueva la utilización de grandes modelos para clasificar documentos, valorar respuestas o actuar como jueces de otros modelos. La novedad de Jev y sus alternativas no consiste, por tanto, en haber inventado la clasificación automática, está en plantear una arquitectura específica de modelo cuya función principal no es generar contenido, sino realizar directamente decisiones probabilísticas estructuradas.

Esta especialización puede proporcionar ventajas de coste, velocidad y consistencia frente a utilizar un gran modelo generativo para realizar miles o millones de pequeñas clasificaciones.

Ventajas en velocidad y coste

El modo de funcionamiento de Jev aporta impresionantes beneficios respecto de los tradicionales LLM. En cuanto a velocidad, se pueden comprobar en Youtube decenas de vídeos comparándolo con GPT 6 Astra, Opus 5, Fable 5 y otros LLM y Jev les gana «de calle», lo que modelos tradicionales tardan minutos Jev concluye las tareas (p. ej.: clasificar 1000 emails) en segundos.

Y en cuanto al coste, Jev cobra 0,042 centavos de dólar por millón de tokens, cuando otros modelos están cobrando 5 ó 10 dólares. Por si esto no fuera asombroso, no hay coste por tokens de salida (output).

LangChain ha realizado ya una de las primeras evaluaciones externas conocidas utilizando Jev como juez de un agente de IA. En esa prueba concreta, Jev obtuvo una latencia media de 0,44 segundos por evaluación y un coste aproximado de 0,00035 dólares por llamada, además de una variabilidad considerablemente menor que los modelos generativos comparados. Los propios investigadores advierten que se trata de una evaluación reducida sobre un único agente y que sus resultados no pueden generalizarse todavía.

Posibles casos de uso en la Administración pública

Siendo un modelo tan reciente, aún se están evaluando sus aplicaciones reales. Además, es de esperar que este y otros modelos de decisión vayan mejorándose con nuevas capacidades (mayor ventana de contexto, interpretar imágenes y vídeos…). Por el momento, podríamos imaginar algunas de las aplicaciones en nuestras organizaciones, que como tormenta de ideas recopilo, invitando al lector a imaginar otros usos y compartirlos en los comentarios.

Clasificación automática del registro electrónico

Uno de los primeros casos de uso que probaría en una Administración pública sería la clasificación del registro. Cada día pueden llegar cientos o miles de documentos y una parte importante del trabajo inicial consiste en determinar:

• qué tipo de documento es,
• a qué procedimiento corresponde,
• qué unidad debe recibirlo,
• y si necesita alguna actuación específica.

Un modelo como Jev podría realizar una primera clasificación. Los casos con elevada confianza podrían seguir automáticamente el circuito correspondiente; los casos ambiguos quedarían pendientes de revisión.

Clasificar alegaciones y recursos

El mismo sistema podría trabajar dentro de un expediente. Pensemos en un procedimiento sancionador de tráfico; las alegaciones podrían clasificarse automáticamente entre categorías como:

• prescripción,
• defecto de notificación,
• identificación del conductor,
• error en los hechos,
• señalización,
• prueba,
• competencia,
• u otras alegaciones.

En responsabilidad patrimonial podrían identificarse cuestiones relacionadas con:

• el lugar del accidente,
• el elemento causante,
• los daños alegados,
• la existencia de testigos,
• la documentación aportada,
• o la necesidad aparente de subsanación.

El sistema no tendría que decidir si corresponde estimar o desestimar la reclamación, su función sería mucho más prudente y probablemente también mucho más útil: estructurar información que actualmente llega en lenguaje natural.

Triaje de solicitudes y atención ciudadana

Otro caso evidente está en la atención a la ciudadanía. Un ciudadano puede escribir:

«Vendí el coche hace seis meses pero me siguen cobrando el impuesto».

El sistema podría detectar:

• ámbito: tributario;
• tributo: IVTM;
• intención: solicitar información o rectificación;
• unidad competente: Gestión Tributaria.

A partir de esa clasificación podría dirigir la consulta al asistente especializado correspondiente, recuperar determinada información o simplemente trasladarla a la unidad adecuada.

Jev funcionaría como router inteligente, y ese mismo concepto puede utilizarse para seleccionar entre diferentes agentes de IA. Por ejemplo, una consulta jurídica podría dirigirse a un agente especializado en normativa. Una consulta sobre padrón, a otro. Una consulta sobre contratación, a otro diferente.

No necesitamos que un único modelo se ocupe de todo.

Mejorar sistemas RAG administrativos

Existe otro caso de uso menos visible pero probablemente muy importante. Cuando utilizamos un sistema RAG para consultar ordenanzas, informes jurídicos, resoluciones o expedientes, el buscador recupera varios fragmentos que considera relacionados con nuestra consulta.

El problema de estos sistemas es que los sistemas RAG pueden considerar fragmentos parecidos o similares a lo que el usuario busca, pero «parecido» no significa necesariamente «relevante». Jev podría actuar como una segunda capa: primero recuperaríamos veinte fragmentos mediante búsqueda semántica, y después Jev podría valorar individualmente:

¿Este fragmento aporta información necesaria para contestar la consulta?

Los documentos o fragmentos irrelevantes serían descartados o relegados. La IA generativa recibiría finalmente información mucho más limpia. El resultado podría ser un sistema RAG más preciso y, sobre todo, menos propenso a construir respuestas a partir de documentación aparentemente relacionada pero jurídicamente irrelevante.

Controlar las respuestas producidas por otros modelos

Este es, a mi juicio, uno de los casos más interesantes. Podemos utilizar Jev no para responder al ciudadano, sino para vigilar al modelo que le responde.

Después de que un asistente genere una respuesta, Jev podría evaluar preguntas como:

• ¿La respuesta realmente contesta a la consulta?
• ¿Todas las afirmaciones están respaldadas por las fuentes proporcionadas?
• ¿Se está mostrando información personal innecesaria?
• ¿Existe alguna afirmación contradictoria con la documentación?
• ¿Debe revisarla un empleado público antes de enviarla?

Esto permitiría construir una arquitectura con varias capas:

Usuario → asistente de IA → Jev como evaluador → respuesta o revisión humana

En sistemas de alto volumen, una capa de evaluación barata puede resultar particularmente interesante porque permitiría analizar prácticamente todas las conversaciones y no solamente una muestra.

Supervisar agentes de inteligencia artificial

Los agentes plantean un problema todavía mayor, pues un chatbot simplemente responde, pero un agente puede actuar. Puede buscar expedientes, enviar mensajes, consultar bases de datos, modificar información o ejecutar herramientas. Por tanto, necesitamos controlar no solo lo que dice, sino también lo que pretende hacer.

Antes de ejecutar una herramienta, Jev podría analizar la acción propuesta:

• ¿Es una operación de lectura o escritura?
• ¿Puede producir efectos externos?
• ¿Implica información sensible?
• ¿La acción coincide con la petición del usuario?
• ¿Necesita autorización humana?

Podemos imaginar una arquitectura como esta:

Agente → propuesta de acción → evaluación → ejecutar / pedir autorización / bloquear

Jev se convertiría en una especie de cortafuegos semántico situado entre el agente y las herramientas que puede utilizar. LangChain ya está explorando precisamente este tipo de arquitectura, incluyendo routing entre modelos y controles sobre herramientas. Para el sector público puede resultar más interesante todavía que la capacidad de generar textos.

Gestión tributaria

En gestión tributaria existen numerosos escenarios de clasificación.

Una solicitud podría clasificarse inicialmente según se refiera a:

• bonificación,
• exención,
• devolución de ingresos,
• fraccionamiento,
• domiciliación,
• recurso,
• cambio de titularidad,

o cualquier otro supuesto previamente definido.

También podría analizarse la documentación aportada para identificar qué pretende acreditar cada documento. La clave vuelve a estar en utilizar el modelo para interpretar y ordenar, no necesariamente para adoptar la decisión administrativa.

Contratación pública

En contratación podría utilizarse para clasificar consultas de licitadores, documentación administrativa, incidencias de ejecución o comunicaciones relacionadas con contratos. También podría ayudar a detectar a qué requisito parece corresponder determinado documento:

• solvencia económica,
• solvencia técnica,
• habilitación profesional,
• declaraciones responsables,
• criterios de adjudicación,
• o condiciones especiales de ejecución.

Pero debemos diferenciar claramente entre:

clasificar un documento

y

decidir si un licitador cumple un requisito jurídico.

La segunda actuación tiene consecuencias muy diferentes.

Facturas y gestión económica

La tramitación de facturas proporciona un ejemplo perfecto de cómo deberían combinarse diferentes tecnologías. No necesitamos inteligencia artificial para comprobar si:

base imponible + IVA = total

Ese cálculo debe realizarlo código convencional. Tampoco necesitamos un modelo para comparar dos fechas. Pero sí puede ser útil la inteligencia artificial para determinar si el concepto descrito en una factura parece corresponder al objeto de un contrato o para clasificar el tipo de incidencia detectada.

Encuestas, quejas y participación ciudadana

Las Administraciones reciben también grandes cantidades de texto libre:

• Encuestas.
• Quejas.
• Sugerencias.
• Procesos participativos.
• Consultas.

Hasta ahora, analizar miles de respuestas abiertas requería una cantidad considerable de trabajo manual. Jev podría asignar a cada respuesta diferentes categorías y probabilidades. Después podríamos conocer, por ejemplo, cuántas quejas se relacionan con limpieza, tráfico, ruido, zonas verdes o atención administrativa.

La IA, de este modo, convertiría lenguaje no estructurado en información cuantificable.

Precauciones en el uso de Jev

Precisamente porque Jev clasifica y puntúa, existen ámbitos en los que debemos extremar la precaución.

El Reglamento europeo de Inteligencia Artificial considera de alto riesgo determinados sistemas utilizados en materias como empleo, acceso a determinados servicios públicos esenciales, clasificación de llamadas de emergencia y determinadas funciones relacionadas con las fuerzas de seguridad, entre otros supuestos.

Eso no significa que cualquier utilización de IA dentro de estos ámbitos sea automáticamente de alto riesgo. El propio Reglamento contempla excepciones para determinados sistemas que realizan tareas procedimentales limitadas, mejoran una actividad humana previamente realizada o detectan patrones sin sustituir ni influir sustancialmente en la valoración humana, siempre que se cumplan las condiciones establecidas.

Pero sí significa que el análisis debe hacerse sobre el uso concreto del sistema, y no únicamente sobre la tecnología empleada. La misma versión de Jev podría utilizarse para clasificar mensajes de un buzón municipal o formar parte de un sistema que afecte significativamente a derechos de las personas. Jurídicamente son escenarios completamente diferentes.

Otra cuestión muy relevante a tener en cuenta es la afectación de estos modelos a la privacidad. Recordemos que la Administración trabaja a diario con datos personales y es plenamente aplicable el RGPD, además del Esquema Nacional de Seguridad. Jev es un modelo en la nube, muy reciente y que no asegura la protección de datos personales, por lo que hay que se muy prudentes con los datos que se le suministran.

La alternativa sería utilizar modelos de código abierto como el indicado Laya u Openjev (SemiIf) o establecer filtros previos para no entregar datos sensibles a Jev.

La actuación administrativa automatizada

Existe, además, una cuestión esencial en nuestro Derecho administrativo. El artículo 41 de la Ley 40/2015 define la actuación administrativa automatizada como cualquier acto o actuación realizada íntegramente a través de medios electrónicos por una Administración pública dentro de un procedimiento administrativo y sin intervención directa de un empleado público.

Cuando existe este tipo de actuación deben determinarse previamente los órganos responsables de la definición de las especificaciones, programación, mantenimiento, supervisión, control de calidad y, en su caso, auditoría, así como el órgano responsable a efectos de impugnación.

Por tanto, utilizar Jev como herramienta de apoyo para que un empleado clasifique mejor determinados documentos no plantea las mismas cuestiones que permitir que su decisión desencadene autónomamente actuaciones administrativas con efectos jurídicos.

¿Qué ocurre con la supervisión humana?

La solución aparentemente sencilla consiste en afirmar que siempre habrá un empleado público revisando el resultado. Pero tampoco debemos conformarnos con una supervisión meramente formal. Si un sistema realiza diez clasificaciones al día, probablemente una persona pueda revisarlas adecuadamente.

Si realiza veinte mil, existe un riesgo evidente de que la revisión humana se convierta en una simple confirmación sistemática de lo propuesto por la máquina. Por eso considero especialmente interesante utilizar probabilidades y umbrales para seleccionar qué asuntos necesitan realmente revisión.

Formación especializada

Aprende a aplicar la inteligencia artificial en la Administración pública

La inteligencia artificial puede ayudar a automatizar tareas, mejorar la tramitación administrativa, apoyar la toma de decisiones y liberar tiempo para trabajos de mayor valor añadido. Pero su aplicación en el sector público exige criterio jurídico, prudencia organizativa y conocimiento práctico.

Si quieres profundizar en estos contenidos, he preparado una formación específica sobre inteligencia artificial aplicada a la Administración pública, pensada para empleados públicos, responsables de unidades administrativas y organizaciones que quieren empezar a utilizar estas herramientas con seguridad.

Ver formación sobre IA en la Administración pública

Artículos sobre inteligencia artificial