Ambas posiciones eluden la pregunta que realmente importa: ¿qué tipo de IA puede desplegar responsablemente una administración pública española en 2026?

El problema no es tecnológico. Es de encaje

Los grandes modelos de lenguaje existen, funcionan y, en muchos contextos, ofrecen valor genuino. El problema no es su capacidad técnica. El problema es que están diseñados para un modelo de negocio estructuralmente incompatible con las condiciones de la administración pública.

Facturación por uso, infraestructura en la nube del proveedor, modelos opacos sin trazabilidad auditada, fine-tuning a partir de varios millones de euros, dependencia de decisiones corporativas ajenas a cualquier marco de gobernanza pública. Ninguno de estos elementos es un detalle menor. Son características de diseño de un producto pensado para otro tipo de cliente.

Después de más de dos décadas acompañando la transformación tecnológica de organismos públicos españoles, desde AXPE hemos observado un patrón consistente: las iniciativas que fracasan no lo hacen por falta de ambición tecnológica, sino por falta de encaje entre la solución propuesta y las condiciones reales del organismo que debe operar. Con la IA ocurre exactamente lo mismo, solo que con más presión mediática y menos margen para el error.

La AAPP no es un cliente bancario ni una empresa tecnológica. Gestiona datos que no le pertenecen —son de los ciudadanos—, opera bajo marcos normativos que no son opcionales y responde ante mecanismos de control que exigen explicar cada decisión relevante. Usar IA comercial genérica en ese contexto no es solo un riesgo técnico. Es un problema de legitimidad institucional.

La regulación europea no es un obstáculo. Es una oportunidad

El AI Act, leído desde la administración pública, no es un conjunto de restricciones que dificultan la adopción de IA. Es, en realidad, una descripción bastante precisa de lo que cualquier organismo público debería exigir de cualquier sistema de inteligencia artificial que despliegue: trazabilidad, supervisión humana, explicabilidad, gestión del sesgo, auditoría continua.

Lo llamativo es que muchos organismos están esperando a que la regulación “se aclare” antes de actuar, cuando precisamente la regulación les proporciona el argumento más sólido para rechazar los modelos que no cumplen esos requisitos y para exigir alternativas que sí los cumplan.

El marco regulatorio no bloquea la IA en el sector público. Bloquea una forma concreta de hacer IA —la que depende de hyperscalers, carece de explicabilidad y externaliza la gobernanza del dato.

Modelos pequeños, valor real

Uno de los malentendidos más extendidos en el sector es equiparar la capacidad de la IA con el tamaño del modelo. La carrera de los grandes laboratorios por incrementar parámetros ha generado una percepción distorsionada: más grande equivale a mejor, y cualquier alternativa es necesariamente inferior.

La evidencia empírica apunta en otra dirección. Modelos especializados de entre 4 y 7 mil millones de parámetros, entrenados sobre datos del dominio específico, alcanzan y en muchos casos superan el rendimiento de modelos generalistas cien veces más grandes en las tareas concretas para las que han sido diseñados. Con una diferencia sustancial en coste de inferencia, en huella computacional y en la capacidad de desplegarse en infraestructura existente sin requerir inversiones en GPU que ningún organismo público puede justificar.

Para la administración pública, esta distinción no es un matiz técnico. Es la diferencia entre un modelo financiable y uno que no lo es.

Lo que ya funciona

No hablamos de prospectiva. En proyectos donde hemos participado directamente, junto a Quant AI Lab, modelos especializados con arquitectura soberana llevan tiempo operando en sectores con una exigencia regulatoria y una sensibilidad del dato comparables a la administración pública: detección de fraude en sistemas de pago en tiempo real, reducción drástica de falsos positivos en prevención del blanqueo de capitales —del 96,7% al 3,7% en una entidad del IBEX 35—, predicción energética en infraestructuras de transporte urbano, análisis documental con trazabilidad de fuentes en entidades financieras reguladas.

La traslación de esas capacidades al ámbito público no requiere reinventar nada. Requiere adaptar lo que ya existe a los marcos de contratación, integración tecnológica y gobernanza propios de cada organismo. Es precisamente ahí donde la experiencia acumulada en la AAPP marca la diferencia entre un piloto que no escala y una implantación que genera valor sostenido.

El verdadero coste de no decidir

Existe una tercera posición, menos visible que las dos mencionadas al principio, pero probablemente la más extendida: la espera indefinida. Organismos que reconocen el potencial de la IA, que identifican casos de uso concretos, que han leído el AI Act, pero que no avanzan porque el ecosistema de proveedores no ofrece una respuesta que encaje con sus condiciones reales.

Esa espera tiene un coste. No solo en eficiencia operativa diferida. También en capacidad institucional: cada año sin desarrollar competencias internas en IA es un año más de dependencia futura de proveedores externos, en condiciones probablemente menos favorables.

La pregunta relevante no es si la IA llegará a la administración pública española. Es si llegará en condiciones que refuercen la autonomía institucional o que la erosionen.