Cómo puede la inteligencia artificial reducir colas y tiempos de espera en los servicios públicos

Esperar para recibir un servicio público no siempre significa permanecer en una cola física. También espera quien no encuentra una cita disponible, permanece al teléfono, aguarda una respuesta administrativa o debe regresar porque no pudo completar su gestión en el primer intento.

Una parte de estas esperas se produce porque la demanda no es constante. Hay días, horarios y épocas del año en los que determinados servicios reciben muchas más consultas. Los plazos de una ayuda, una campaña, una convocatoria, un cambio normativo o una incidencia pueden concentrar en pocos días una carga que normalmente se distribuye durante semanas.

Las administraciones suelen conocer estos picos cuando ya se han producido. Aumentan las llamadas, se agotan las citas y los equipos deben responder a una acumulación de solicitudes. La inteligencia artificial puede ayudar a anticipar parte de esa presión.

El objetivo no sería decidir quién merece ser atendido antes. Consistiría en analizar datos agregados sobre citas, consultas, llamadas, expedientes y uso de canales digitales para estimar cuándo, dónde y sobre qué asunto puede crecer la demanda.

Con esa previsión, una organización puede reforzar temporalmente un punto de atención, ampliar determinados horarios, habilitar más citas para un trámite concreto o publicar información antes de que miles de personas formulen la misma pregunta.

También puede distribuir mejor los canales. Si muchas consultas telefónicas están relacionadas con una duda sencilla, una explicación más visible podría reducir llamadas. Si un procedimiento digital genera abandonos siempre en el mismo paso, quizá el problema no sea la falta de personal, sino el diseño del trámite.

Prever la demanda no significa vigilar a las personas

Para anticipar un pico de actividad no es necesario seguir individualmente a cada ciudadano. En muchos casos basta con trabajar con información agregada: número de consultas por hora, temas más frecuentes, duración media de la atención o volumen de solicitudes recibidas.

La diferencia es importante. Una cosa es prever que un servicio necesitará más capacidad durante la próxima semana. Otra muy distinta es construir perfiles sobre personas concretas para decidir cómo serán atendidas.

Un sistema responsable debe utilizar únicamente los datos necesarios y establecer límites claros. La información personal, sanitaria, económica o social no debería incorporarse automáticamente porque esté disponible. Su uso tendría que responder a una necesidad justificada y someterse a controles específicos.

También hay que comprobar si los datos representan toda la realidad. Las estadísticas digitales pueden dejar fuera a quienes acuden presencialmente, tienen dificultades tecnológicas o dependen de intermediarios para realizar sus gestiones. Si el sistema solo observa la web, puede interpretar que existe poca demanda precisamente entre quienes encuentran más barreras para utilizarla.

Las predicciones tampoco son certezas. Un modelo puede identificar patrones anteriores, pero una modificación legislativa, una emergencia o un problema técnico pueden cambiar el comportamiento esperado. Las estimaciones deben servir para preparar decisiones, no para convertirlas en respuestas automáticas.

El éxito se mide en tiempo recuperado

Un proyecto de este tipo puede comenzar con un servicio concreto y un problema reconocible. Por ejemplo, citas que se agotan en determinados periodos, llamadas concentradas después de una notificación o consultas repetidas sobre una convocatoria.

Antes de aplicar inteligencia artificial conviene comprobar que los datos disponibles son consistentes. Si cada oficina registra los motivos de consulta de una manera diferente, el sistema tendrá dificultades para comparar la información. Ordenar los datos forma parte del proyecto, no es una tarea previa que pueda darse por resuelta.

El piloto debería comparar la previsión con lo que realmente ocurrió. También tendría que medir si las decisiones adoptadas redujeron la espera, evitaron desplazamientos innecesarios o facilitaron que más personas resolvieran su gestión en el primer contacto.

La eficiencia interna es importante, pero no debería ser el único indicador. Un sistema podría reducir el tiempo medio de atención cerrando antes las consultas complejas, aunque el servicio empeorase para quienes más ayuda necesitan. Medir calidad, accesibilidad y equidad evita confundir rapidez con buen funcionamiento.

Los equipos que atienden directamente a la ciudadanía deben participar en la interpretación. Conocen qué consultas requieren más tiempo, qué problemas no aparecen correctamente en las estadísticas y qué medidas pueden aplicarse sin perjudicar la atención.

La inteligencia artificial tampoco debería utilizarse como una justificación automática para reducir personal. Una previsión puede mostrar momentos de menor actividad, pero también puede revelar tareas invisibles que no quedan registradas en una cita o una llamada.

Reducir una cola no consiste únicamente en moverla de la ventanilla a internet. Significa comprender por qué se forma, anticipar cuándo puede repetirse y actuar sobre sus causas. La IA puede aportar capacidad de análisis, pero el resultado debe comprobarse en algo muy humano: menos tiempo perdido y una atención pública más accesible.