Las redacciones de FOIA con IA de DHS prometen rapidez, pero arriesgan un mayor secretismo
DHS planea utilizar IA para recomendar redacciones en entre 100.000 y 140.000 solicitudes anuales de registros públicos, pese a la limitada evidencia de que las máquinas puedan tomar decisiones fiables sobre divulgación. La iniciativa de redacciones de FOIA con IA de DHS promete tiempos de procesamiento más breves. También corre el riesgo de hacer que la retención excesiva de información sea más rápida, barata y difícil de impugnar para los solicitantes.
El Departamento de Seguridad Nacional afirma que los empleados revisarán las recomendaciones antes de que los registros salgan de la agencia. Esa salvaguarda es importante porque la Ley de Libertad de Información, o FOIA, exige una evaluación jurídica contextual. Un modelo puede reconocer nombres o números de identificación. No puede decidir de forma independiente si divulgar un debate sobre políticas causaría un perjuicio jurídicamente reconocible.
No se trata de una competencia entre la tecnología y la burocracia basada en papel. El conflicto real es entre la eficiencia del procesamiento y un acceso público significativo. Las agencias federales enfrentan volúmenes de solicitudes de registros que los revisores humanos tienen dificultades para gestionar. Sin embargo, el gobierno no ha demostrado que las recomendaciones automatizadas favorecerán de forma consistente la divulgación cuando la ley lo permita.
Esta cuestión tiene un peso inusual en DHS. El departamento procesó casi un millón de solicitudes durante el año fiscal 2025, según datos federales citados en el plan federal de redacción. Solo el 2,3 por ciento produjo registros sin redacciones. Si la automatización influye siquiera en una fracción de esa carga de trabajo, sus supuestos determinarán lo que periodistas, investigadores, abogados y ciudadanos comunes pueden conocer sobre la actividad federal.
Qué harán realmente las redacciones de FOIA con IA de DHS
El cambio inmediato no es una censura autónoma, sino la incorporación de recomendaciones automatizadas a un proceso de revisión jurídica a una escala enorme.
La Oficina de Aduanas y Protección Fronteriza de Estados Unidos, una agencia dentro de DHS, planea utilizar herramientas de inteligencia artificial y aprendizaje automático de Google durante el procesamiento de FOIA. El sistema identificará contenido que podría cumplir los requisitos para ser retenido y recomendará redacciones a los empleados gubernamentales.
Una redacción elimina parte de un registro antes de su divulgación, normalmente cubriendo texto, imágenes, audio o video. Las agencias aplican redacciones cuando la información se incluye en una exención de FOIA u otra ley prohíbe su divulgación. Los ejemplos comunes incluyen datos personales, material clasificado, información de aplicación de la ley y ciertas deliberaciones internas.
La descripción de DHS señala que la automatización debería reducir los tiempos de procesamiento. El departamento también ha dicho que los miembros del personal revisarán cada caso y garantizarán que los solicitantes reciban información precisa y completa. Estas declaraciones indican que un ser humano sigue siendo responsable de la decisión final.
Sin embargo, la escala prevista cambia el significado práctico de esa revisión. DHS espera aplicar IA a categorías de solicitudes que representan más del 10 por ciento de sus presentaciones. El departamento estima ese rango en aproximadamente entre 100.000 y 140.000 solicitudes.
Revisar la sugerencia de una máquina no equivale necesariamente a tomar una decisión desde cero. Un empleado ocupado puede empezar por los pasajes resaltados por el modelo y concentrarse en confirmarlos. Ese flujo de trabajo puede generar sesgo de automatización, la tendencia a aceptar el resultado de un sistema porque parece sistemático o autoritativo.
La distinción se vuelve crítica cuando un modelo va más allá de la información personal evidente. Detectar un número de Seguridad Social sigue un patrón relativamente estable. Aplicar una exención a un correo electrónico sobre una política aún inconclusa exige comprender el autor, propósito, momento, público y relación del documento con una decisión final.
DHS no ha establecido públicamente con qué frecuencia su sistema se ocupará de la simple coincidencia de patrones en lugar de esas decisiones contextuales. Tampoco ha divulgado resultados integrales de rendimiento, tasas de error, registros de pruebas, ejemplos de entrenamiento ni tasas de anulación.
Otros departamentos también están experimentando. Según se informa, el Departamento del Interior utiliza tecnología de Microsoft para localizar material que podría estar protegido por el secreto profesional entre abogado y cliente. El Departamento de Salud y Servicios Humanos ha descrito un sistema de prueba de concepto para revisar y redactar grandes colecciones de documentos. El Departamento de Justicia afirma que varios de sus componentes ya utilizan funciones automatizadas de búsqueda y revisión.
Por tanto, el movimiento es más amplio que una sola implementación de DHS. Las agencias federales están construyendo una capa de asistencia automatizada entre los registros gubernamentales y las personas que los solicitan. Lo que sigue sin resolverse es si esa capa ayudará a los revisores a encontrar información divulgable o los alentará a eliminar una mayor cantidad.
Esa incertidumbre convierte una actualización operativa en una prueba de transparencia gubernamental.
Por qué las agencias federales están automatizando FOIA ahora
La IA está entrando en FOIA porque los volúmenes de solicitudes y las colecciones de registros han superado los sistemas de revisión existentes de muchas agencias.
FOIA otorga al público el derecho a solicitar registros de las agencias del poder ejecutivo. No cubre al Congreso, los tribunales federales ni la mayoría de las oficinas que asesoran directamente al presidente. Cada agencia cubierta debe localizar los registros pertinentes, examinarlos, aplicar las exenciones legales correspondientes y divulgar todo el material no exento razonablemente segregable.
Ese proceso se vuelve lento cuando una solicitud abarca miles de correos electrónicos, archivos adjuntos, mensajes, videos, hojas de cálculo y documentos escaneados. Los revisores deben encontrar duplicados, identificar material pertinente, consultar a otras oficinas, proteger secretos legítimos y preservar todo lo que pueda divulgarse legalmente.
En todo el gobierno federal, las agencias procesaron un récord de 1,6 millones de solicitudes durante el año fiscal 2025. Esto representó un aumento del 9 por ciento respecto al año anterior, según los datos anuales de FOIA del Departamento de Justicia.
La tecnología puede abordar varias partes mecánicas de esta carga de trabajo. El reconocimiento óptico de caracteres convierte las páginas escaneadas en texto con capacidad de búsqueda. La deduplicación elimina cadenas de correos electrónicos repetidas. El reconocimiento de entidades localiza nombres, números de teléfono, direcciones y otros patrones recurrentes. Los sistemas de clasificación pueden priorizar documentos que parecen relevantes para una solicitud.
Estos usos no conllevan el mismo riesgo. Buscar registros pertinentes en una colección puede ampliar el acceso si la alternativa es una búsqueda manual incompleta. Ocultar automáticamente lenguaje afecta al contenido de la divulgación pública.
Los funcionarios federales llevan años explorando esa distinción. En mayo de 2026, el Consejo de Responsables Principales de FOIA, la Oficina de Servicios de Información Gubernamental de los Archivos Nacionales y el Departamento de Justicia celebraron la tercera NexGen FOIA Tech Showcase.
La muestra tecnológica del gobierno buscó herramientas para descubrimiento electrónico, procesamiento de casos, divulgaciones accesibles, salas públicas de lectura y redacción automatizada. Los sistemas propuestos abarcaban archivos en papel, contenido digital, video, audio y datos estructurados.
El evento siguió a muestras similares en 2022 y 2024. También reflejó una recomendación del Comité Asesor Federal de FOIA, que alentó a las agencias a buscar información de la industria sobre el procesamiento asistido por IA.
La adopción sigue siendo limitada, pero está aumentando. La última evaluación de FOIA de los Archivos Nacionales concluyó que el 20,6 por ciento de las agencias federales que respondieron utilizaban IA o aprendizaje automático para ayudar a buscar u organizar registros en 2025. Esto aumentó desde el 18,6 por ciento de la evaluación anterior.
El mismo informe concluyó que el 80 por ciento utilizaba herramientas de descubrimiento electrónico para las búsquedas de FOIA, frente al 72 por ciento en 2020. Estas cifras muestran que las agencias ya estaban automatizando el trabajo documental antes de que la IA generativa se convirtiera en la principal historia tecnológica.
El problema de los atrasos es real. El acceso demorado puede hacer inútil la información precisa. Un registro divulgado después de una elección, disputa judicial, debate político o emergencia pública puede llegar demasiado tarde para contribuir a la rendición de cuentas.
Por lo tanto, la automatización puede favorecer la apertura cuando ayuda al personal a localizar documentos, eliminar duplicados o identificar datos personales claramente protegidos. Un procesamiento más rápido no es un beneficio vacío.
El peligro aparece cuando las agencias tratan la velocidad como la principal medida de éxito. Una solicitud cerrada no es necesariamente una solicitud satisfecha. Una respuesta rápida llena de recuadros negros innecesarios puede aportar menos valor público que una divulgación más lenta y revisada cuidadosamente.
Por eso, la pregunta central sobre el rendimiento no puede ser cuántas páginas procesa el sistema por hora. Debe ser cuánta información legalmente divulgable llega al público, con cuántos errores y tras qué nivel de escrutinio humano.
La promesa de eficiencia se encuentra con un problema de divulgación
El mismo sistema que puede acelerar redacciones válidas también puede ampliar la tendencia existente del gobierno a retener demasiada información.
DHS procesó 994.992 solicitudes de FOIA durante el año fiscal 2025. Divulgó registros sin redacciones en solo el 2,3 por ciento de los casos completados. Cerca del 40 por ciento resultó en divulgaciones parcialmente redactadas.
Las solicitudes restantes finalizaron por varias razones. Algunas recibieron denegaciones completas conforme a exenciones legales. En muchos casos, el departamento indicó que no encontró registros pertinentes. Otras solicitudes fueron retiradas, remitidas a otra entidad o cerradas por motivos de procedimiento.
Estas categorías no demuestran una conducta indebida. DHS se ocupa de inmigración, aplicación de la ley fronteriza, ciberseguridad, gestión de emergencias, seguridad del transporte y operaciones de protección. Sus registros contienen habitualmente datos personales e información vinculada a la aplicación de la ley o a la seguridad nacional.
Aun así, el punto de partida importa. DHS no está introduciendo recomendaciones automatizadas en un sistema conocido por una divulgación amplia y sin redacciones. Las está introduciendo en un sistema donde las divulgaciones completas ya son poco frecuentes.
La IA puede empujar ese sistema en cualquiera de las dos direcciones. Un modelo bien diseñado podría ayudar a los empleados a aislar un nombre protegido mientras divulga el resto de un párrafo. Esto respaldaría el requisito legal de separar la información exenta del material que el público puede recibir.
Un modelo mal calibrado podría marcar un párrafo completo porque una oración se parece a lenguaje protegido. Si los empleados aceptan la recomendación, el sistema ocultaría contexto no exento junto con texto potencialmente sensible.
Los modelos también cometen dos tipos distintos de errores. Un falso negativo pasa por alto información que debería protegerse, con la posibilidad de exponer material privado o clasificado. Un falso positivo marca información legalmente divulgable para su eliminación.
Los incentivos gubernamentales no tratan esos errores por igual. Una divulgación accidental puede generar un incidente de seguridad inmediato, una queja de privacidad o un problema disciplinario. Una redacción innecesaria suele recaer sobre el solicitante, que debe apelar o demandar para impugnarla.
Ese desequilibrio favorece configuraciones conservadoras. Un sistema optimizado para evitar divulgaciones accidentales probablemente marcará más material. Los revisores humanos que trabajan bajo presión de tiempo pueden entonces aprobar esas sugerencias porque retener información parece institucionalmente más seguro.
El resultado puede ser un mecanismo que impulse el secretismo. Cada recomendación del modelo parece prudente por sí sola. En cientos de miles de solicitudes, el efecto acumulado podría eliminar grandes cantidades de información que una revisión más deliberada divulgaría.
La automatización también hace posible la coherencia, pero la coherencia no equivale automáticamente a la equidad. Un modelo puede aplicar una interpretación restrictiva de la ley en toda una agencia. También puede reproducir decisiones inconsistentes a partir de los registros utilizados para configurarlo o entrenarlo.
Las decisiones sobre la FOIA a menudo dependen de la historia institucional. Si los revisores anteriores ocultaban habitualmente un tipo de discusión, un sistema que aprende de su trabajo puede presentar esa práctica como la respuesta normal. El modelo no sabe si las decisiones previas reflejaban un análisis jurídico cuidadoso, directrices obsoletas o una sobreedición habitual.
Eso crea un ciclo de retroalimentación. Las retenciones anteriores influyen en las recomendaciones automatizadas. Los revisores aceptan esas recomendaciones. El resultado aprobado se convierte entonces en evidencia que respalda futuras decisiones automatizadas.
El gobierno solo puede interrumpir ese ciclo mediante una evaluación deliberada. Las agencias necesitan colecciones de prueba que contengan tanto material exento como divulgable. Revisores independientes deberían medir los falsos positivos, los falsos negativos y la cantidad de texto no exento que se pierde alrededor de redacciones válidas.
Los datos sobre anulaciones también importan. Si los empleados casi nunca rechazan las sugerencias del modelo, la supervisión podría ser meramente nominal. Si los revisores añaden o eliminan redacciones con frecuencia, el sistema podría no estar ahorrando tanto trabajo como se prometió.
DHS ha dicho que los humanos seguirán participando. Aún no ha mostrado si esa participación será independiente, contará con personal suficiente, quedará documentada y estará sujeta a controles de calidad. Hasta que esos detalles se hagan públicos, la afirmación de eficiencia seguirá siendo incompleta.
La IA no puede decidir el perjuicio previsible basándose únicamente en patrones
Un modelo puede detectar patrones lingüísticos, pero la FOIA exige que las agencias vinculen cada decisión de retención con un perjuicio específico y razonablemente previsible.
El Congreso reforzó ese requisito mediante la FOIA Improvement Act de 2016. Por lo general, una agencia solo puede retener información exenta cuando prevé razonablemente que su divulgación perjudicaría un interés protegido por la exención. También puede retener información cuando otra ley prohíbe su divulgación.
El criterio de perjuicio previsible evita que las agencias traten cada exención técnicamente disponible como una orden automática. Un documento puede encajar dentro de los límites de una exención y aun así carecer de una razón significativa para mantenerlo en secreto.
Las directrices de divulgación del Departamento de Justicia indican a las agencias que consideren el contexto. Los factores relevantes pueden incluir la antigüedad de un registro, divulgaciones oficiales anteriores, su sensibilidad y su propósito. Las agencias deberían consultar a personal experto cuando el posible perjuicio no esté claro.
Ese trabajo difiere fundamentalmente de la detección de entidades. Un modelo puede encontrar el nombre de una persona. No puede determinar únicamente a partir del nombre si su divulgación invadiría la privacidad, identificaría una fuente confidencial, revelaría una actuación oficial o repetiría información ya hecha pública.
El mismo desafío se aplica al privilegio del proceso deliberativo. Esa protección puede abarcar determinadas comunicaciones previas a una decisión que reflejen la consulta de la agencia. No permite a una agencia ocultar cada borrador, recomendación o correo electrónico interno.
Investigadores han probado el aprendizaje automático en este problema. Jason R. Baron, Mahmoud F. Sayed y Douglas W. Oard reunieron material de los registros presidenciales de Clinton y entrenaron clasificadores para identificar pasajes potencialmente deliberativos.
Su estudio de aprendizaje automático determinó que los sistemas rendían mejor cuando el entrenamiento y la evaluación seguían interpretaciones coherentes de los revisores. El rendimiento se debilitaba cuando cambiaban los revisores, los custodios de los registros o la materia.
En un debate público posterior, Baron describió los métodos como aproximadamente un 70 por ciento precisos para distinguir material asociado al privilegio del proceso deliberativo. Los resultados publicados en condiciones coherentes registraron medidas F1 de entre el 70 y el 83 por ciento. Una puntuación F1 combina cuántos pasajes relevantes encuentra un modelo con la frecuencia con que sus clasificaciones positivas son correctas.
Esos resultados son útiles para la clasificación inicial. No son lo bastante sólidos para respaldar decisiones jurídicas sin supervisión. Con un rendimiento del 70 por ciento, una proporción importante de los pasajes se clasificará incorrectamente.
La investigación también expone un problema más profundo. Los revisores humanos no siempre coinciden sobre si el mismo lenguaje cumple los requisitos para ser retenido. Un sistema entrenado con la interpretación de un revisor puede tener dificultades cuando otro aplica la ley de manera distinta.
Ese desacuerdo no es mero ruido técnico. Refleja el carácter contextual de la FOIA. Los juicios jurídicos dependen de lo que representa el registro, de lo que el gobierno ya ha divulgado y del perjuicio concreto que se derivaría de su publicación.
Por tanto, DHS necesita más que una persona situada al final de una cadena automatizada. Una revisión significativa requiere suficiente tiempo, autoridad e información para rechazar la recomendación del modelo. El empleado también debe examinar si una redacción más limitada protegería el interés legítimo.
Las agencias deberían conservar una pista de auditoría para cada sugerencia automatizada. Ese registro debería identificar qué pasajes señaló el sistema, qué exención asoció con ellos, qué modificó el empleado y por qué la decisión final cumplía el criterio de perjuicio previsible.
Los solicitantes no necesitan acceso a datos de entrenamiento sensibles ni a detalles sobre la seguridad del sistema. Sí necesitan información comprensible sobre cómo las herramientas automatizadas afectaron a sus registros. Sin esa visibilidad, una apelación se vuelve más difícil porque el solicitante no puede distinguir el juicio de un abogado de un valor predeterminado asistido por un modelo.
Una recomendación de caja negra nunca debería convertirse en una caja negra en la página simplemente porque un humano hizo clic en aprobar.
La revisión humana es una salvaguarda solo cuando cambia los resultados
La expresión “humano en el circuito” ofrece poca protección a menos que las agencias midan si las personas realmente cuestionan las recomendaciones automatizadas.
DHS afirma que los empleados revisarán los casos asistidos por IA. La oficina federal de mediación de la FOIA advierte de forma similar que la IA y el aprendizaje automático no pueden sustituir el juicio profesional sobre las exenciones y el perjuicio previsible.
Esa es la posición formal correcta. Su eficacia dependerá del diseño del flujo de trabajo.
Si un revisor ve el documento completo antes de que aparezcan las marcas propuestas, puede formarse una opinión independiente. Si el sistema presenta una página ya cubierta de redacciones sugeridas, esas marcas establecen un anclaje. El revisor debe entonces justificar la eliminación de una protección en vez de decidir si debe añadirla.
La diferencia puede parecer procedimental, pero cambia la dirección de la duda. En el primer flujo de trabajo, la incertidumbre puede favorecer la divulgación. En el segundo, la incertidumbre favorece mantener la caja negra del modelo.
La dotación de personal crea otra limitación. Una agencia puede adoptar la automatización precisamente porque no cuenta con suficientes personas para manejar su carga de trabajo. Si esa misma escasez deja a los revisores solo unos minutos para inspeccionar cada resultado, la aprobación humana formal se convierte en un punto de control del rendimiento.
Los objetivos de rendimiento pueden amplificar esa presión. Los directivos pueden medir solicitudes cerradas, páginas procesadas o reducción de atrasos. Esas cifras son fáciles de contar. La cantidad de información no exenta preservada mediante una revisión cuidadosa es más difícil de observar.
Un programa de supervisión eficaz utilizaría varias medidas. Las agencias deberían comparar las decisiones asistidas por máquina con muestras de revisión independiente. Deberían seguir con qué frecuencia los empleados eliminan las redacciones propuestas, las restringen o añaden protecciones que el sistema no detectó.
También deberían probar los resultados en distintos tipos de documentos. Una herramienta que detecta de forma fiable números de pasaporte en formularios estandarizados puede rendir mal en correos electrónicos sobre políticas, notas manuscritas, hojas de cálculo, entrevistas grabadas o documentos históricos.
Las pruebas deben incluir las consecuencias de ambos tipos de error. Los falsos negativos pueden exponer información protegida. Los falsos positivos pueden denegar el acceso público. Tratar los errores de privacidad y seguridad como los únicos fallos significativos incorporaría la sobreedición al proceso de evaluación.
Las agencias deberían publicar resultados agregados. Entre las divulgaciones útiles estarían el número de solicitudes procesadas con IA, las exenciones implicadas, las tasas de error en muestras, las tasas de anulación por revisores y los cambios en el tiempo de procesamiento.
Los informes públicos no revelarían el contenido sensible de solicitudes individuales. Permitirían establecer si la herramienta se comporta como asistente o como un responsable de decisiones no reconocido.
Las apelaciones ofrecen otra fuente de evidencia. Si los casos asistidos por IA generan más apelaciones administrativas exitosas, esa tendencia sugeriría que el sistema o su proceso de revisión retiene información de manera demasiado amplia. Las agencias deberían comparar esos resultados con los de casos revisados de forma convencional.
Con el tiempo, los tribunales también desempeñarán un papel. Los litigios relacionados con la FOIA a menudo exigen que las agencias expliquen el fundamento de las redacciones mediante declaraciones o un índice Vaughn, un documento que vincula el material retenido con las exenciones invocadas. Las herramientas automatizadas no reducen esa carga jurídica.
Si una agencia no puede explicar por qué la divulgación causaría perjuicio sin referirse de manera general a un modelo, su justificación debería fracasar. El gobierno sigue siendo responsable de la decisión final, independientemente de qué proveedor suministró el software.
La supervisión de proveedores es, por tanto, parte de la rendición de cuentas pública. Los contratos deberían permitir pruebas gubernamentales, conservar registros, documentar cambios en el modelo e impedir que registros sensibles se reutilicen para entrenamiento no relacionado. Las agencias también deben comprender si las actualizaciones alteran el comportamiento después de que un sistema entre en producción.
La versión más sólida de la redacción gubernamental con IA ayudaría a los empleados a localizar posibles datos sensibles mientras preserva su juicio jurídico independiente. La versión más débil convertiría la sobreedición en un flujo de trabajo repetible con una firma humana al final.
DHS ha descrito la primera versión. La evidencia necesaria para distinguirla de la segunda aún no se ha hecho pública.
Tres señales mostrarán si el sistema sirve a la apertura
La próxima prueba no es si DHS despliega IA, sino si el departamento demuestra que la tecnología divulga más información legalmente permitida sin exponer material protegido.
La primera señal es la transparencia operativa. DHS debería publicar una descripción clara de qué categorías de solicitudes utilizan recomendaciones automatizadas, qué modelos realizan el trabajo y qué exenciones respaldan.
Esa descripción debería separar el reconocimiento básico de patrones de la clasificación jurídica contextual. Localizar un número de identificación presenta un riesgo distinto al de evaluar discusiones internas sobre políticas. Combinarlos bajo una sola etiqueta de “IA” impediría un escrutinio significativo.
El departamento también debería divulgar medidas agregadas de rendimiento. Las tasas de falsos positivos mostrarán con qué frecuencia el sistema recomienda ocultar material divulgable. Las tasas de falsos negativos indicarán con qué frecuencia pasa por alto información protegida.
Las tasas de anulación por revisores revelarán si los humanos ejercen un juicio independiente. Una tasa cercana a cero podría significar que la herramienta es excepcionalmente precisa. Más probablemente, plantearía preguntas sobre sesgo de automatización, tiempo limitado de revisión o incentivos que desalientan a los empleados de modificar las sugerencias.
La segunda señal es la calidad de los registros divulgados. El tiempo de procesamiento debería disminuir, pero la divulgación no debería reducirse. Los investigadores pueden comparar la proporción de divulgaciones completas, divulgaciones parciales y denegaciones completas antes y después del despliegue.
Esas categorías son imperfectas. Una palabra eliminada y diez páginas de cajas negras pueden contar ambas como una divulgación parcial. Por ello, DHS debería examinar la proporción de texto pertinente divulgada dentro de muestras representativas de documentos.
Las apelaciones administrativas proporcionarán otra medida. Un aumento de las impugnaciones exitosas que involucren redacciones asistidas por máquina debilitaría el caso del departamento. Resultados de divulgación estables o mejorados, junto con demoras más cortas, respaldarían su argumento de eficiencia.
La tercera señal es una rendición de cuentas exigible. Los solicitantes deben saber cuándo la automatización influyó de forma sustancial en una respuesta. El personal encargado de las apelaciones de la agencia y los tribunales necesitan registros que muestren cómo cada recomendación llegó a la decisión final.
El Congreso, los inspectores generales y los National Archives deberían examinar si DHS aplica de forma independiente el criterio de daño previsible después de que el modelo marque un pasaje. También deberían evaluar los controles de los proveedores, la seguridad de los datos, las actualizaciones del modelo y las protecciones contra los bucles de retroalimentación.
Ninguna de estas salvaguardas exige rechazar la automatización. Las oficinas de FOIA necesitan mejores herramientas de búsqueda, deduplicación, conversión de documentos y revisión. El acceso público no mejora cuando los documentos pertinentes permanecen intactos en una lista de espera durante años.
Sin embargo, una censura más rápida no equivale a una divulgación más rápida. La primera elimina información. La segunda brinda al público acceso oportuno a todo lo que permite la ley.
Esa distinción debería orientar toda evaluación de las censuras de documentos FOIA mediante IA de DHS. El departamento puede validar su enfoque publicando métodos de auditoría, métricas de error, datos sobre anulaciones y resultados de divulgación antes y después.
Periodistas, investigadores, abogados y otros solicitantes deberían vigilar esos indicadores en lugar de aceptar menores tiempos de procesamiento como prueba de éxito. También deberían recurrir a apelaciones administrativas cuando una agencia ofrece explicaciones genéricas o parece retener más información de la necesaria.
La IA puede ayudar a identificar el límite entre la información pública y la protegida. No debería desplazar silenciosamente ese límite hacia el secretismo. La pregunta decisiva es sencilla: después de que DHS acelere el proceso, ¿recibirán los estadounidenses más información útil o simplemente recibirán antes sus páginas tachadas?
