Gobierno británico advierte que infraestructuras heredadas de IT anulan los beneficios de adopción de IA pública

1. Anatomía y Contexto de la Noticia: La Fricción entre la Vanguardia Algorítmica y los Silos Heredados

Durante los últimos tres años, la administración británica se posicionó internacionalmente como una de las abanderadas de la adopción de inteligencia artificial generativa en los servicios al ciudadano. Se anunciaron ambiciosas iniciativas destinadas a automatizar la atención en el Servicio Nacional de Salud (NHS), acelerar la resolución de trámites en el Departamento de Trabajo y Pensiones (DWP) y modernizar los sistemas de recaudación del fisco (HMRC). Sin embargo, la auditoría exhaustiva llevada adelante por el Comité de Cuentas Públicas ha desmoronado el optimismo oficial al revelar que el 68% de las dependencias clave opera sobre sistemas informáticos diseñados hace más de dos décadas, muchos de los cuales aún dependen de mainframes en lenguaje COBOL y bases de datos relacionales sin soporte del fabricante.

El dictamen parlamentario subraya que intentar incorporar agentes autónomos de inteligencia artificial sobre una infraestructura que carece de interfaces de programación de aplicaciones (APIs) estandarizadas, interoperabilidad básica y esquemas de datos normalizados equivale a "construir un rascacielos de última generación sobre cimientos de barro húmedo". La falta de gobernanza de datos y la proliferación de silos aislados provocan que los modelos de lenguaje alucinen respuestas, no puedan acceder a registros históricos y expongan información ciudadana sensible debido a permisos de acceso defectuosos.

El reporte critica severamente la tendencia política de destinar partidas presupuestarias extraordinarias a proyectos de "escaparate tecnológico" que generan impacto mediático, mientras se desatiende sistemáticamente el financiamiento del mantenimiento básico y la migración planificada de la deuda técnica institucional.

"Es una ilusión peligrosa y un despilfarro intolerable del dinero de los contribuyentes pretender que la inteligencia artificial resolverá por arte de magia las ineficiencias del sector público si no estamos dispuestos a acometer primero el trabajo ingrato pero esencial de reemplazar sistemas informáticos de hace treinta años que apenas se sostienen con parches de emergencia."

2. Arquitectura Técnica y Cuellos de Botella: Cuando los Algoritmos Chocan con Mainframes

El colapso de las iniciativas de inteligencia artificial al conectarse con infraestructuras legadas obedece a incompatibilidades arquitectónicas insalvables:

• Inexistencia de APIs Modernas y Dependencia de Procesos Batch: Los sistemas heredados del sector público fueron concebidos para procesamiento por lotes nocturnos, careciendo de mecanismos de consulta en tiempo real mediante REST o GraphQL. Un agente de IA que necesita acceder al estado de un expediente médico en milisegundos se encuentra bloqueado por bases de datos que solo exportan archivos planos de texto una vez cada veinticuatro horas.
• Inconsistencia Semántica y Falta de Linaje de Datos: A lo largo de décadas de parches sucesivos, los campos de las tablas han sufrido derivas semánticas sin documentación técnica. Un mismo dato (como el domicilio o número de seguro de un ciudadano) se encuentra registrado con formatos contradictorios en cinco bases de datos diferentes, lo que provoca que las arquitecturas RAG (Retrieval-Augmented Generation) recuperen información errónea y generen resoluciones incongruentes.
• Carencia de Controles de Acceso Basados en Atributos (ABAC): Los sistemas obsoletos suelen manejar permisos de acceso binarios y globales. Al conectar un modelo de lenguaje para responder consultas, este termina teniendo visibilidad indiscriminada sobre expedientes judiciales confidenciales o registros de menores, violando las leyes de protección de datos personales.
• Latencias Inaceptables y Fallas de Tiempo de Espera (Timeouts): Las llamadas concurrentes de cientos de agentes inteligentes sobre servidores legados con capacidades de cómputo y memoria saturadas generan caídas de servicio masivas, provocando el colapso de las aplicaciones esenciales que atienden al público en ventanilla.

Inconsistencia de Datos, Latencias de Lote y Bloqueo de Conectores RAG

La implementación de técnicas avanzadas como la Generación Aumentada por Recuperación (RAG) requiere bases de datos vectoriales y fuentes estructuradas capaces de responder consultas vectoriales con latencias inferiores a 50 milisegundos. Cuando el conector RAG debe consultar un servidor mainframe emulado que demora más de 15 segundos en devolver una consulta relacional, la experiencia del usuario se destruye y la sesión del agente caduca por tiempo de espera excedido.

3. Análisis Financiero, FinOps y Retorno de Inversión (ROI)

El informe británico aporta conclusiones económicas universales para cualquier organización que planifique inversiones en tecnología:

1. El Sumidero de Fondos de la Deuda Técnica: El mantenimiento de sistemas legacy en el gobierno británico consume actualmente más del 50% de todo el presupuesto operativo de TI del Estado (más de 2.500 millones de libras anuales), simplemente para pagar licencias extendidas y consultores que aún dominen lenguajes en vías de extinción. Financiar proyectos de IA sobre esta base solo añade una capa extra de gasto sin generar retornos económicos tangibles.
2. Evaluación de ROI Negativo en Pilotos Aislados: La auditoría demostró que de 42 proyectos piloto de IA implementados en diversos ministerios en los últimos dos años, solo tres lograron pasar a producción estable. El 92% restante fue cancelado tras agotar sus partidas presupuestarias debido a la imposibilidad técnica de integrar los modelos con las bases de datos de origen.
3. Principio FinOps de Modernización Fundacional: Cada libra esterlina invertida en la normalización de datos, la construcción de APIs seguras y la migración a arquitecturas desacopladas multiplica por cuatro la eficiencia de cualquier adopción posterior de herramientas de automatización o IA, garantizando un retorno de inversión sustentable en el tiempo.

4. Impacto, Oportunidades y Desafíos para Argentina y América Latina

El diagnóstico británico ofrece un espejo revelador para el sector público y el entramado empresarial de Argentina y América Latina:

• Paralelismo Crítico con la Administración Pública Regional: En provincias como Entre Ríos y en numerosos municipios del país, la gestión de expedientes, catastros y salud pública convive a diario con sistemas de gestión desarrollados hace quince o veinte años en plataformas cerradas como Visual FoxPro o bases de datos locales sin respaldos sincronizados. Pretender implementar asistentes ciudadanos inteligentes sin digitalizar ni ordenar previamente esos repositorios resulta inviable.
• La Trampa del Chatbot Cosmético en PyMEs: Muchas pequeñas y medianas empresas de la región cometen el error de contratar costosas herramientas de inteligencia artificial para atención al cliente, para luego descubrir que el bot no puede informar el stock real de un producto o el saldo de una cuenta corriente porque el software de facturación interno no posee una API que permita la consulta automática.
• Oportunidad para la Industria del Software Local: Se abre un mercado de consultoría prioritario para desarrolladores y firmas tecnológicas enfocadas en modernización de arquitectura, refactorización de código heredado y desarrollo de capas intermedias (middleware) que permitan a las organizaciones poner en valor sus datos históricos antes de lanzarse a la IA.

5. Hoja de Ruta Técnica y Recomendaciones de Implementación en 4 Pasos

Para evitar el despilfarro de recursos y garantizar una adopción exitosa y madura de la inteligencia artificial, las organizaciones deben seguir una secuencia rigurosa de cuatro etapas:

1. Auditoría Exhaustiva de Deuda Técnica y Cartografía de Sistemas: Identificar y clasificar todos los sistemas de información heredados, documentando sus dependencias tecnológicas, lenguajes de programación, antigüedad de hardware y estado de los contratos de soporte técnico vigentes.
2. Estrategia de Desacoplamiento y Construcción de Capas API: Diseñar una arquitectura de mediación (API Management Gateway) que exponga los datos de los sistemas centrales a través de interfaces RESTful seguras, autenticadas mediante estándares OAuth 2.0 y blindadas contra sobrecargas operativas mediante limitación de tasas (Rate Limiting).
3. Saneamiento, Estandarización y Gobernanza de Datos: Implementar procesos de Extracción, Transformación y Carga (ETL) para limpiar registros duplicados, unificar esquemas de datos y definir políticas estrictas de clasificación de información confidencial antes de habilitar accesos para modelos de lenguaje.
4. Asignación Presupuestaria Balanceada (Regla 70/30): Reorientar la inversión tecnológica asegurando que al menos el 70% de los fondos se destine a la modernización de la infraestructura base y la calidad del dato, reservando el 30% restante para el despliegue selectivo de casos de uso de IA con retorno comprobado.