5 casos de Inteligencia Artificial que transforman la Gestión Pública en Perú

Por: Ivan Bejarano Olivares
Consultor en Innovación y Transformación Digital

Durante años, hablar de inteligencia artificial (IA) en el sector público peruano parecía una conversación reservada para foros académicos o proyectos piloto aislados. Sin embargo, la publicación de la Estrategia Nacional de Inteligencia Artificial 2026-2030 (ENIA) por parte de la Secretaría de Gobierno y Transformación Digital (SGTD) de la PCM marca un hito definitivo: el Perú ha comenzado a transitar formalmente hacia un Gobierno Inteligente.

Más allá del marco normativo —definido por la Ley N° 31814 y el Decreto Supremo N° 115-2025-PCM—, la ENIA documenta de manera oficial los primeros sistemas de IA de alto impacto que ya están operando en el Estado peruano. Estas iniciativas combinan IA Generativa, Procesamiento de Lenguaje Natural (PLN), Visión Computacional, OCR y Machine Learning para resolver cuellos de botella operativos y elevar la calidad del servicio ciudadano.

A continuación, analizo en detalle los 5 casos de éxito emblemáticos relevados por el Estado, examinando su arquitectura técnica, el problema público que resuelven, sus resultados y las valiosas lecciones aprendidas que todo líder de innovación digital debe considerar.

1. EleccIA – Jurado Nacional de Elecciones (JNE)

Justicia electoral ágil mediante IA Generativa y Visión por Computadora

• La problemática: El volumen masivo de expedientes electorales durante periodos de comicios exige un nivel de revisión minucioso y en plazos perentorios muy estrictos.
• La solución tecnológica: EleccIA es un asistente inteligente desarrollado para la justicia electoral peruana que integra modelos de IA Generativa y técnicas de análisis de imágenes (visión computacional). Automatiza la verificación de requisitos formales y asiste en la redacción preliminar de proyectos de pronunciamiento electoral.
• Impacto operativo: Tareas complejas de revisión documental que anteriormente requerían horas de trabajo manual logran completarse en cuestión de minutos, otorgando mayor tiempo al personal para un análisis jurídico detallado.
• Desafíos y Lecciones Aprendidas: Para superar los retos de preprocesamiento y heterogeneidad documental, el JNE implementó una arquitectura híbrida con procesamiento seguro on-premise. La principal lección del caso es que la clasificación y estandarización previa de documentos es un requisito indispensable para el análisis automatizado, y que la IA debe operar siempre como herramienta de apoyo bajo supervisión humana significativa.

2. JULIO – Superintendencia Nacional de los Registros Públicos (SUNARP)

Democratización de la jurisprudencia registral con Grandes Modelos de Lenguaje (LLMs)

• La problemática: Décadas de resoluciones, acuerdos plenarios y precedentes de observancia obligatoria dispersos en repositorios institucionales hacían compleja y lenta la consulta jurídica especializada para calificadores y registradores.
• La solución tecnológica: El sistema JULIO utiliza Procesamiento de Lenguaje Natural (PLN) y Grandes Modelos de Lenguaje (LLMs) para estructurar el conocimiento histórico de la SUNARP.
• Estructura y alcance:
  1. Módulos de consulta especializada: Búsqueda semántica en resoluciones de la Dirección Técnica Registral (DTR), Tribunal Registral y precedentes obligatorios.
  2. Centro de aprendizaje: Incluye instructivos de uso, bibliotecas de prompts optimizados y plantillas preconfiguradas.
  3. Capacitación masiva: Ha permitido formar a más de 1,000 servidores registrales distribuidos en 14 zonas a nivel nacional.
• Desafíos y Lecciones Aprendidas: La SUNARP demostró que para vencer la resistencia cultural, la adopción voluntaria mediante usuarios entusiastas funciona significativamente mejor que la imposición vertical. Asimismo, reafirmó que el criterio jurídico del registrador permanece en el centro de la función pública; la IA potencia el juicio humano, pero no lo reemplaza.

3. ANALIA – Organismo Supervisor de la Inversión en Infraestructura de Transporte (OSITRAN)

Supervisión vial inteligente mediante Visión Computacional y OCR

• La problemática: El procedimiento de supervisión del mantenimiento en la infraestructura vial nacional implica procesar miles de informes, registros fotográficos y planillas físicas o digitales presentadas por las empresas concesionarias.
• La solución tecnológica: ANALIA es un sistema especializado basado en IA y Reconocimiento Óptico de Caracteres (OCR) diseñado para la extracción, procesamiento y estructuración automática de datos provenientes de documentos en PDF y registros manuscritos.
• Impacto operativo: Captura la información técnica de los expedientes, la integra a formatos estandarizados y aplica criterios regulatorios automáticos para la toma de decisiones, eliminando el tipear datos de forma manual.
• Desafíos y Lecciones Aprendidas: Entrenar modelos de IA específicos por tipo de documento (en lugar de modelos genéricos) incrementó drásticamente la precisión del sistema. La clave del éxito residió en diseñar la solución ajustándose al flujo operativo real del equipo técnico.

4. Plataforma SupTech – Superintendencia de Banca, Seguros y AFP (SBS)

Supervisión de riesgos financieros en la nube

• La problemática: La inspección y fiscalización de riesgos en las entidades del sistema financiero, seguros y AFP genera grandes volúmenes de datos e información no estructurada que sobrecargan las revisiones presenciales y manuales.
• La solución tecnológica: La SBS desarrolló una plataforma integrada de tecnología de supervisión (SupTech) desplegada en la nube que aplica algoritmos de analítica avanzada e IA.
• Impacto operativo: Automatiza la evaluación de evidencias documentarias en los procesos de supervisión extra-situ, licenciamiento, autorizaciones e inspecciones de gestión de riesgos.
• Desafíos y Lecciones Aprendidas: Este tipo de soluciones requiere financiamiento especializado y metodologías de trabajo ágiles. La SBS destaca la importancia de ejecutar pruebas de concepto (PoC) previas a la implementación para reducir la incertidumbre técnica y calibrar los modelos antes de su escalamiento.

5. ANDREA – Autoridad Nacional del Agua (ANA)

Machine Learning para la planificación estratégica de recursos hídricos

• La problemática: La gestión sostenible de las cuencas e infraestructura hídrica requiere analizar variables hidrometeorológicas altamente complejas y heterogéneas a nivel nacional.
• La solución tecnológica: Integrada en el Sistema Nacional de Información de Recursos Hídricos (SNIRH), la plataforma ANDREA (Análisis de Datos y Recursos Estadísticos del Agua) incorpora modelos de Machine Learning como Random Forest y algoritmos de Clustering.
• Impacto operativo: Facilita el procesamiento masivo y el análisis espacial de series estadísticas e hidrometeorológicas, apoyando la toma de decisiones en la gestión del agua sin sustituir la evaluación del especialista.
• Desafíos y Lecciones Aprendidas: La disparidad en la calidad de los datos hídricos demostró que la estandarización y limpieza previa del dato es el factor determinante para el éxito de cualquier modelo analítico. Se debe avanzar de forma progresiva: consolidar primero modelos estadísticos tradicionales antes de desplegar algoritmos complejos.

Matriz Comparativa de los Casos de IA en el Estado

Lecciones Transversales para la Innovación en el Sector Público y Privado

Del análisis de estos 5 casos documentados en la ENIA, se desprenden tres principios fundamentales para cualquier organización que busque implementar IA con éxito:

1. Liberar talento, no reemplazar personas: El verdadero valor transformador de la IA en la gestión pública radica en liberar al profesional de tareas repetitivas de digitación o revisión preliminar para que dedique más tiempo al análisis crítico, reflexivo y de valor añadido.
2. Gobernanza de Datos como requisito previo: Ningún algoritmo avanzado compensa la falta de datos estructurados y limpios. Como demostraron los casos de OSITRAN, la ANA y el JNE, la estandarización documental es el paso cero.
3. Supervisión humana e intencionalidad ética: En todos los sistemas de alto riesgo o impacto normativo, el personal debe estar adecuadamente capacitado para interpretar, validar, corregir o invalidar las salidas algorítmicas.

El avance de la Inteligencia Artificial en el Perú demuestra que existe capacidad técnica e institucional para liderar proyectos de vanguardia en la región. El reto para los próximos años será escalar estas experiencias aisladas hacia una capacidad institucional permanente en todo el aparato estatal.