La IA podría ayudar a arreglar el sistema 311 de Chicago, pero no puede sustituir la rendición de cuentas

Tom Dowling ha llevado una propuesta contundente a Google News: usar IA para sacar al sistema 311 de Chicago, con 27 años de antigüedad, de su documentado «agujero negro».

La propuesta surge tras una auditoría de febrero de 2026 que determinó que los residentes a menudo no pueden saber qué ocurrió después de reportar baches, luces averiadas, roedores u otros problemas. Una solicitud puede marcarse como completada, cancelada o cerrada sin una explicación útil.

Dowling, exasesor de la alcaldesa Lori Lightfoot y antiguo director ejecutivo de TaxProper, sostiene que la IA moderna puede mejorar esta experiencia. Puede clasificar reportes, reconocer quejas duplicadas, asignar trabajos, resumir historiales de casos y enviar actualizaciones más claras.

Ese argumento merece atención. El sistema 311 de Chicago recibe entre 2,2 y 2,3 millones de solicitudes cada año. Pequeñas mejoras podrían afectar cientos de miles de interacciones con el gobierno municipal.

Sin embargo, la auditoría describe más que un problema tecnológico. Documenta prácticas departamentales inconsistentes, responsabilidades poco claras, personal limitado y una débil rendición de cuentas en una red de servicios fragmentada.

La IA puede hacer que la información circule más rápido por esa red. No puede decidir qué departamento debe actuar, obligar a las cuadrillas a actualizar los registros ni explicar por qué nunca se realizó un trabajo prometido.

Por tanto, la verdadera disputa no es IA frente a software antiguo. Es eficiencia automatizada frente a responsabilidad administrativa. Chicago necesita ambas, o una interfaz más inteligente solo ocultará los mismos fallos sin resolver.

Por qué la auditoría del 311 de Chicago generó un momento en Google News

La historia inmediata no es que Chicago carezca de herramientas digitales. Es que sus herramientas actuales a menudo presentan una versión incompleta del trabajo municipal.

Chicago puso en marcha su sistema integral 311 en 1999. La ciudad migró a Salesforce a finales de 2018, junto con el sitio web y la aplicación móvil CHI311.

Los residentes ahora pueden presentar solicitudes por teléfono, sitio web, aplicación móvil o la oficina de un concejal. Reciben números de seguimiento y pueden consultar información pública sobre el estado de los casos.

Detrás de esa sencilla interfaz hay un flujo de trabajo complejo. Salesforce dirige cada solicitud de servicio a un departamento, que puede crear una o varias órdenes de trabajo relacionadas.

Una solicitud de servicio permanece abierta hasta que se cierran las órdenes de trabajo vinculadas. En teoría, esa estructura se parece al seguimiento de paquetes, con cada acción visible a lo largo del proceso.

La Oficina del Inspector General de Chicago concluyó que la realidad se aleja con frecuencia de ese modelo. Su auditoría del 311 determinó que la información pública contribuye a la confusión y la desconfianza.

La auditoría no afirmó que los empleados municipales ignoren todas las solicitudes. Concluyó que los residentes a menudo no pueden determinar qué hicieron los departamentos, por qué avanzó un caso o qué significa un estado.

Una solicitud puede generar varias órdenes de trabajo en distintos departamentos. Sin embargo, inicialmente el público solo ve la primera orden de trabajo y su tiempo estimado de servicio.

Esa estimación se conoce como acuerdo de nivel de servicio, o SLA. Describe un período de respuesta previsto, pero los departamentos de Chicago calculan y aplican los SLA de manera diferente.

Algunas estimaciones en línea utilizan promedios dinámicos basados en datos públicos limitados. Otras emplean plazos estáticos que quizá no reflejen las cargas de trabajo actuales ni el ciclo completo de una solicitud.

Los departamentos también usan las etiquetas de estado de forma inconsistente. Una solicitud puede aparecer como «completada» cuando no hubo trabajo visible, o como «cancelada» sin una explicación para el residente.

Las quejas duplicadas generan otra fuente de confusión. Salesforce puede identificar ciertos duplicados, especialmente cuando los reportes contienen direcciones exactamente coincidentes.

Los departamentos también pueden clasificar los duplicados manualmente. La auditoría concluyó que el personal a veces los cierra sin explicar que otra solicitud abarca el mismo problema.

Esa distinción importa a los residentes. Un duplicado cerrado podría indicar una consolidación eficiente, pero puede parecer exactamente un rechazo cuando el sistema no ofrece explicación.

Miembros de la comunidad y personal de los distritos describieron repetidamente la experiencia como un «agujero negro». La expresión reflejaba una desconexión entre el procesamiento interno y la comprensión pública.

El portal CHI311 de la ciudad promete que los residentes pueden enviar, seguir y explorar servicios no urgentes. La auditoría muestra que el seguimiento es tan fiable como la introducción de datos por parte de los departamentos.

Por eso el argumento de Dowling circuló por Google News. La IA ofrece herramientas reconocibles para gestionar clasificación, resumen, búsqueda y comunicación repetitiva a una escala considerable.

La oportunidad es real. Sin embargo, la auditoría establece una prueba exigente: cualquier propuesta técnica debe mejorar el registro subyacente, no solo facilitar la lectura de un registro poco fiable.

La IA puede reparar la capa de información

La IA tiene un papel creíble cuando traduce reportes desordenados de los residentes en trabajo estructurado y convierte registros fragmentados en actualizaciones comprensibles.

Un residente rara vez describe un problema municipal usando la taxonomía oficial de la ciudad. Alguien podría informar de «agua burbujeando junto a un bordillo roto» sin saber qué departamento es responsable del problema.

Un modelo de lenguaje podría identificar categorías probables, extraer una ubicación, solicitar detalles faltantes y recomendar el tipo de servicio correcto. Operadores humanos podrían revisar los casos inciertos.

Ese flujo de trabajo abordaría un problema común de recepción. Una categorización incorrecta puede enviar una solicitud al departamento equivocado antes de que la vea cualquier empleado de campo.

La IA también podría reconocer reportes semánticamente similares. La coincidencia semántica compara el significado en lugar de exigir palabras o direcciones idénticas.

Diez residentes podrían describir la misma rama caída de diez maneras diferentes. Un modelo podría agrupar esos reportes mientras preserva la suscripción de cada residente a las actualizaciones.

Ese enfoque mejoraría la simple detección de duplicados. También podría informar a los residentes de que su reporte se incorporó a un caso activo, en lugar de cerrarse en silencio.

Otra aplicación útil es el resumen de casos. La estructura padre-hijo de Chicago puede dispersar detalles importantes entre una solicitud de servicio y varias órdenes de trabajo.

La IA podría generar una cronología en lenguaje sencillo a partir de esos registros. El resumen podría indicar qué departamento recibió el caso, qué acción registró y qué sigue pendiente.

Cada frase seguiría necesitando respaldo en los datos del sistema. El modelo nunca debería inventar una explicación para completar un campo vacío.

Las notificaciones automatizadas ofrecen una oportunidad de menor riesgo. Un sistema basado en reglas podría activar mensajes cuando cambie la responsabilidad, venza un SLA o una cuadrilla registre un resultado de campo.

La IA podría entonces traducir códigos de estado aprobados a un lenguaje más claro. Debería conservar el código subyacente y mostrar a los residentes cuándo un mensaje fue generado por una máquina.

Estas herramientas también podrían ayudar al personal municipal a buscar procedimientos. Una base de conocimientos de IA cuidadosamente gobernada puede recuperar políticas relevantes sin sustituir la fuente oficial.

Esa capacidad importa porque la auditoría detectó capacitación y uso inconsistente del sistema. Según los informes, algunos empleados de distritos y departamentos aprendieron por sí mismos a usar Salesforce.

Un asistente compartido podría mostrar definiciones, reglas de asignación y requisitos de cierre durante la gestión de casos. Podría reducir las inconsistencias accidentales entre más de 40 departamentos y organizaciones asociadas.

Otras ciudades ofrecen precedentes útiles. Una revisión de la contraloría de Los Ángeles describió el reconocimiento de voz, los agentes conversacionales y la asignación asistida por IA en sistemas municipales de servicio.

La revisión de Los Ángeles citó el uso de San Francisco de una herramienta basada en IA para identificar el departamento de servicio correcto. También describió sistemas de voz empleados en otros lugares para gestionar solicitudes rutinarias.

Estos ejemplos no demuestran que Chicago vaya a lograr los mismos resultados. Muestran que la IA municipal no tiene que comenzar con un chatbot público sin restricciones.

Una implementación más limitada comenzaría con clasificación, sugerencias de duplicados, recuperación de políticas y borradores de notificaciones. El personal conservaría la autoridad sobre la asignación y el cierre finales.

Ese diseño se dirige a tareas que la IA gestiona relativamente bien. También genera resultados medibles, entre ellos la precisión de asignación, la precisión de duplicados, la frecuencia de transferencias y la velocidad de las notificaciones.

La idea central de Dowling es más sólida aquí. Chicago ya posee un amplio registro digital y un sistema de casos basado en la nube, pero los residentes tienen dificultades para interpretar el proceso.

La IA puede conectar descripciones con categorías y registros con explicaciones. Puede reducir la fricción administrativa entre un reporte y una respuesta comprensible.

El mejor resultado no parecería futurista. Un residente presentaría un problema, recibiría el número de caso correcto, vería expectativas realistas y entendería cada cambio de estado.

Esa es una transformación significativa. También es solo la capa de información del problema.

El verdadero adversario es la falta de rendición de cuentas

Un sistema más rápido sigue fallando cuando nadie se responsabiliza de la calidad de los datos, la precisión de la promesa o el resultado final del servicio.

El inspector general concluyó que la capacidad analítica central de Chicago es sorprendentemente limitada. La auditoría identificó a dos empleados al servicio de más de 40 departamentos municipales, agencias hermanas y socios externos.

Esos empleados se encargaban de la capacitación, el soporte técnico, la configuración de informes y otras necesidades administrativas. Carecían de capacidad y autoridad para realizar un análisis operativo profundo a escala municipal.

La contradicción resultante es central en el debate de Google News. La misión del 311 de Chicago incluye usar la información para mejorar el servicio y gestionar los recursos eficientemente.

Sin embargo, la auditoría concluyó que ningún organismo municipal era responsable de realizar ese trabajo entre departamentos. La tecnología registra la actividad, pero la responsabilidad organizativa sigue dispersa.

La disputa sobre la Unidad de Defensa de los Servicios hace que la brecha sea especialmente visible. Los materiales públicos de la ciudad describían una unidad con amplias responsabilidades analíticas y de desempeño.

OEMC respondió que la unidad no existía desde hacía varios años. Afirmó que las funciones relacionadas habían sido absorbidas por puestos existentes con capacidad limitada.

El inspector general señaló que durante la auditoría el personal aún se identificaba como miembro de esa unidad. Su página web también permaneció disponible durante el trabajo de campo.

Ese desacuerdo no es un problema menor de nomenclatura. Muestra incertidumbre sobre quién es responsable de una de las funciones más importantes del sistema.

La IA no puede resolver esa incertidumbre. Un modelo puede señalar solicitudes vencidas, pero no puede exigir a un responsable departamental que explique un retraso acumulado.

Puede detectar patrones inusuales de cierre, pero no puede decidir si esos patrones reflejan un trabajo eficiente, una mala capacitación o un intento de mejorar el desempeño declarado.

Puede redactar una actualización, pero no puede producir detalles veraces cuando las cuadrillas de campo no los registran. Los datos operativos ausentes siguen ausentes tras un resumen automatizado.

Los departamentos de Chicago también definen y usan los campos de forma distinta. La auditoría detectó enfoques inconsistentes para «completado», «cerrado», «cancelado» y «sin causa».

Los distintos departamentos calculan las expectativas de servicio en diferentes niveles. Algunos se centran en la solicitud completa, mientras que otros asignan objetivos a órdenes de trabajo individuales.

Un sistema de IA entrenado con estos registros aprendería la inconsistencia a menos que la ciudad defina primero significados autorizados. La automatización puede escalar la ambigüedad con la misma facilidad con que escala la claridad.

El mismo problema afecta a la asignación de recursos. Un panel de control puede revelar quejas recurrentes en una zona, pero un departamento sigue necesitando personal, equipamiento, financiación y autoridad para responder.

Si los líderes tratan una clasificación mejorada como si fuera un servicio mejorado, la confianza pública podría deteriorarse aún más. Los residentes evalúan el 311 por los baches reparados y los riesgos eliminados, no solo por la precisión del modelo.

Por tanto, una reforma creíble requiere un responsable que rinda cuentas de todo el recorrido del servicio. Esa oficina debe definir los campos, validar los SLA, revisar el desempeño de los departamentos y publicar correcciones.

El inspector general recomendó reuniones periódicas entre departamentos, orientaciones públicas más claras, mejor formación y un análisis de personal. Son medidas de gobernanza, no funciones de IA.

OEMC coincidió en que una interacción más estructurada ayudaría. También vinculó las decisiones de personal a las consideraciones presupuestarias y operativas existentes.

Las restricciones presupuestarias son reales, pero la contratación de IA no las elimina. Un sistema funcional sigue necesitando personas que mantengan las taxonomías, revisen errores, tramiten apelaciones y supervisen a los proveedores.

Chicago celebraba reuniones de desempeño a escala municipal que utilizaban datos del 311, según el personal entrevistado por el inspector general. Esas reuniones no se han celebrado desde hace muchos años.

Una versión moderna podría combinar análisis asistido por IA con presión directa de gestión. Los líderes de departamento revisarían retrasos acumulados, patrones de cierre, transferencias y disparidades entre barrios.

Eso crea el ciclo de retroalimentación que falta. Los modelos identificarían patrones, los gestores investigarían las causas, los departamentos actuarían y los residentes verían resultados documentados.

Sin ese ciclo, la IA se convierte en otra capa entre los residentes y quienes toman las decisiones. La interfaz se vuelve más fluida mientras resulta más difícil localizar la responsabilidad.

Lo que debe demostrar la propuesta de IA

Chicago debería evaluar cualquier sistema de IA para el 311 por resultados de servicio verificados, no por la fluidez de un chatbot, demostraciones de proveedores ni el volumen de interacciones automatizadas.

La IA generativa crea texto al predecir secuencias probables a partir de patrones aprendidos. No posee una comprensión independiente de si una cuadrilla municipal completó su trabajo.

Esa limitación se vuelve peligrosa cuando los residentes solicitan ayuda para la calefacción, refugio, controles de bienestar de personas mayores o reparaciones relacionadas con la seguridad pública.

Una respuesta segura de sí misma pero incorrecta puede dirigir a alguien al servicio equivocado. También puede decirle a un residente que un caso se resolvió cuando el registro subyacente indica lo contrario.

El National Institute of Standards and Technology denomina a este comportamiento confabulación. Su perfil de IA generativa describe sistemas que presentan con seguridad contenido falso o internamente incoherente.

Chicago puede reducir este riesgo limitando lo que el modelo puede decir. Toda respuesta pública debería recuperar datos de sistemas aprobados y citar los campos pertinentes del caso.

La recuperación de información no elimina los errores. El modelo podría seleccionar el registro equivocado, interpretar mal un estado u omitir una condición importante.

Por ello, las categorías de alto impacto necesitan controles más estrictos. Ciertas solicitudes deberían pasar directamente a personal capacitado, sin priorización ni cierre autónomos.

La ciudad también debe evaluar la equidad. Los registros de quejas reflejan quién conoce el 311, quién confía en él, quién tiene acceso digital y quién informa repetidamente de condiciones no resueltas.

Más quejas no siempre significan una mayor necesidad subyacente. Menos quejas no demuestran que un barrio tenga menos problemas.

Un sistema de optimización podría favorecer zonas con datos históricos más ricos. Podría reforzar las disparidades existentes en el servicio mientras parece numéricamente eficiente.

Chicago debería evaluar la derivación y la priorización por geografía, idioma, acceso para personas con discapacidad, canal y tipo de servicio. Las tasas de error necesitan informes públicos cuando la privacidad lo permita.

Los residentes también necesitan una vía sencilla para impugnar una decisión automatizada. Una persona debería poder solicitar una revisión humana sin reiniciar todo el caso.

La privacidad requiere la misma atención. Los informes pueden contener direcciones, fotografías, números de teléfono y descripciones de personas vulnerables o condiciones de propiedades.

La ciudad debería definir a qué campos pueden acceder los modelos, cómo se conservan las instrucciones y los resultados, y si los sistemas de los proveedores utilizan esa información para el entrenamiento.

Las revisiones de seguridad deben cubrir la inyección de instrucciones, la recuperación no autorizada de datos y las instrucciones fabricadas incrustadas en texto enviado. La información pública es inherentemente no confiable.

La contratación debería exigir pruebas independientes e informes detallados de incidentes. Chicago no debería depender únicamente de afirmaciones de desempeño proporcionadas por un proveedor de modelos.

La auditoría también sugiere un requisito previo más básico: definiciones de datos coherentes. La evaluación de IA deja de ser fiable cuando los departamentos discrepan sobre el significado de las categorías de cierre.

Antes del lanzamiento, Chicago debería publicar un diccionario de datos compartido. Cada estado, resultado, transferencia, designación de duplicado y SLA debería tener una única definición operativa.

Los departamentos pueden conservar flujos de trabajo especializados. Sin embargo, sus informes públicos deben seguir ajustándose a un conjunto común de estados comprensibles.

Después, un piloto debería establecer una referencia inicial. Las medidas útiles incluyen derivaciones incorrectas, frecuencia de transferencias, duplicados no resueltos, actualizaciones vencidas, solicitudes reabiertas y satisfacción de los residentes.

La ciudad debería comparar casos asistidos por IA con casos similares gestionados bajo los procesos actuales. Debería evaluar tanto el rendimiento promedio como los fallos en el peor de los casos.

La velocidad de finalización por sí sola es insuficiente. Un sistema puede mejorar esa medida cerrando casos rápidamente, incluso cuando el trabajo sigue sin terminar.

Chicago debe combinar la rapidez con resultados verificados. Las auditorías podrían muestrear casos completados, comparar registros con evidencia de campo y contactar a los residentes sobre condiciones no resueltas.

Este estándar escéptico no rechaza la propuesta de Dowling. Hace que la propuesta sea operativamente seria.

La IA se gana un papel cuando mejora un servicio comprensible y preciso, preservando al mismo tiempo la responsabilidad humana. Fracasa cuando solo produce mejor lenguaje en torno a una burocracia sin cambios.

Chicago debería comenzar con tres pruebas medibles

El siguiente paso debería ser un piloto limitado y público centrado en la calidad de la derivación, actualizaciones veraces y una respuesta departamental responsable.

La primera señal es si Chicago crea un responsable claramente identificado del desempeño del 311. Ese responsable necesita autoridad sobre los departamentos participantes.

Un nuevo cargo por sí solo no bastaría. La oficina debería publicar definiciones de datos, revisar los SLA, investigar fallos recurrentes e informar sobre medidas correctivas.

Si Chicago establece esa función, el argumento de Dowling se fortalece. La IA tendría una estructura de gestión capaz de convertir los resultados del modelo en cambios operativos.

Si las responsabilidades siguen distribuidas e informales, la propuesta se debilita. Los hallazgos automatizados llegarían a las mismas brechas organizativas identificadas por la auditoría.

La segunda señal es un piloto controlado de derivación y detección de duplicados. Chicago debería seleccionar varias categorías de servicio de alto volumen y menor riesgo, con registros históricos fiables.

El piloto debería comparar las decisiones humanas con las sugerencias de IA. El personal debería registrar coincidencias falsas, derivaciones incorrectas, transferencias y casos que requieren escalamiento.

Los residentes cuyos informes se agrupen como duplicados deberían recibir el número del caso principal y su estado actual. También deberían conservar una vía para impugnar la coincidencia.

Una mejora supondría menos transferencias innecesarias y menos cierres sin explicación, sin peores resultados entre barrios o grupos lingüísticos.

El fracaso tendría otro aspecto. El sistema podría reducir el tiempo de procesamiento mientras aumenta la clasificación errónea, oculta patrones locales o niega a los residentes un registro de caso independiente.

La tercera señal es si la información pública sobre el estado se vuelve precisa. Chicago debería definir un conjunto estándar de estados antes de generar explicaciones en lenguaje natural.

Una actualización útil debería identificar al departamento responsable, describir la acción registrada, revelar el trabajo pendiente y proporcionar el próximo hito previsto.

Cuando la ciudad no tenga una estimación, debería decirlo. La incertidumbre honesta es más fiable que una fecha precisa creada a partir de datos débiles.

Chicago puede medir el porcentaje de solicitudes que reciben actualizaciones oportunas, la tasa de casos reabiertos y la diferencia entre los tiempos de finalización mostrados y los reales.

El conjunto de datos público de servicios de la ciudad ofrece una base para el análisis externo. Cualquier piloto de IA debería preservar o mejorar esa transparencia.

Estas pruebas deberían realizarse en secuencia. La gobernanza es lo primero, la automatización controlada viene después y la expansión pública depende de resultados verificados.

Chicago no debería comenzar con un chatbot para toda la ciudad que prometa responderlo todo. Ese enfoque crea el mayor riesgo reputacional antes de reparar los registros subyacentes.

Un asistente limitado aún puede aportar valor visible. Puede ayudar a un residente a seleccionar el tipo de solicitud correcto y explicar un historial de caso existente y verificado.

Debería identificarse como automatizado y mostrar los registros fuente detrás de su respuesta. La incertidumbre debería llevar a una revisión humana, no a una certeza inventada.

Los empleados del centro de llamadas y el personal de los distritos deberían ayudar a diseñar el sistema. Entienden los modos de fallo que aparecen entre una solicitud digital y el trabajo de campo.

Los residentes también deberían participar, especialmente quienes utilizan servicios de accesibilidad o idiomas distintos del inglés. Su experiencia puede revelar errores ocultos por las métricas agregadas.

Revisores independientes deberían evaluar el piloto antes de su expansión. Sus conclusiones deberían incluir tanto el rendimiento técnico como la calidad de las respuestas reales de la ciudad.

La atención de Google News puede hacer que la IA parezca el acontecimiento central. La cuestión más importante es si Chicago utiliza esa atención para reconstruir la rendición de cuentas.

Dowling tiene razón al afirmar que la IA puede mejorar un sistema que gestiona más de 2 millones de solicitudes anuales. La clasificación, la detección de duplicados, la búsqueda y la comunicación son aplicaciones prácticas.

Sin embargo, el “agujero negro” no surgió porque Chicago careciera de software fluido. Surgió porque los residentes no podían ver responsabilidad, progreso ni explicaciones fiables.

Chicago debería plantearse una pregunta después de cada fase del piloto: ¿recibieron los residentes un servicio más preciso o simplemente una comunicación más automatizada?

Esa distinción debería orientar la contratación, la dotación de personal y los informes públicos. También debería determinar si el programa se expande más allá de sus categorías iniciales.

Para los lectores que siguen la historia a través de Google News, el hito significativo no será un anuncio de IA. Será evidencia de que Chicago cierra la brecha entre la actividad registrada y el trabajo completado.

Estén atentos a un responsable de desempeño designado, definiciones de estado publicadas y resultados del piloto medidos de forma independiente. En conjunto, esas señales demostrarían que Chicago está construyendo algo más que una capa conversacional.

La IA puede iluminar el camino a través del 311. Los líderes de Chicago aún deben decidir quién lo recorre, quién soluciona el problema y quién responde cuando no sucede nada.