La avalancha de agentes de IA gubernamentales está convirtiendo un mejor acceso en una crisis de capacidad
Chris Schmitz ha documentado 84 posibles casos de avalancha de agentes de IA gubernamentales, revelando un conflicto oculto en el acceso más fácil a los servicios públicos. Las herramientas de IA están ayudando a las personas a preparar quejas, apelaciones, peticiones y solicitudes de prestaciones que antes exigían horas de trabajo especializado. Los organismos ahora deben procesar esa demanda adicional, a menudo sin más personal ni financiación.
La tentación inmediata es clasificar el nuevo material como spam automatizado. Esa explicación encaja con algunos envíos, especialmente mensajes repetitivos o documentos extensos con poca información relevante. Sin embargo, Schmitz sostiene que la mayoría de los casos observados implican a personas que buscan algo que tienen derecho legítimo a solicitar.
Esa distinción cambia el problema de política pública. Los gobiernos no se limitan a defender sus sistemas frente a bots. Están descubriendo cuánta demanda quedaba reprimida por instrucciones confusas, lenguaje jurídico desconocido, pruebas fragmentadas y el coste psicológico de enfrentarse a la burocracia.
La tensión resultante va más allá de un solo estudio. Si un asistente de IA facilita la presentación de una reclamación válida, un mayor volumen de solicitudes representa un mejor acceso. Sin embargo, esa misma mejora puede desbordar a instituciones cuyos presupuestos dependían silenciosamente de que las personas elegibles desistieran.
Lo que realmente cambió la avalancha de agentes de IA gubernamentales
La IA ha reducido el coste de pedir que el gobierno actúe, mientras que el coste de responder sigue siendo prácticamente el mismo.
Schmitz, Lewis Hammond y Alan Chan definen la avalancha agéntica como un aumento, impulsado por IA, del volumen o la complejidad de las solicitudes que tensiona un servicio gubernamental. Su estudio de 84 casos abarca 11 jurisdicciones y varios tipos de administración pública.
Los casos incluyen solicitudes de prestaciones, denuncias regulatorias, solicitudes de acceso a la información, escritos judiciales, objeciones urbanísticas y peticiones parlamentarias. Estos sistemas difieren legalmente, pero muchos comparten una interfaz vulnerable: aceptan texto abierto de miembros del público.
La avalancha actual no suele implicar a un agente totalmente autónomo que navegue por todos los portales gubernamentales. En su lugar, una persona proporciona documentos o información de contexto a un modelo de lenguaje de gran tamaño, que produce una presentación estructurada. Después, la persona revisa, copia o presenta ese material.
Este flujo de trabajo relativamente sencillo puede eliminar varias barreras a la vez. El modelo puede resumir una carta oficial, identificar una posible vía de apelación, organizar pruebas y redactar un lenguaje parecido a la correspondencia profesional. Una foto tomada con un smartphone puede sustituir horas dedicadas a descifrar instrucciones desconocidas.
La investigación distingue dos formas de presión. La avalancha cuantitativa implica que un organismo recibe más solicitudes. La avalancha cualitativa implica que cada solicitud se vuelve más larga, detallada o complicada de evaluar.
Una oficina puede experimentar cualquiera de las dos formas sin un aumento drástico del número de solicitantes. Diez quejas breves pueden convertirse en diez presentaciones extensas que contienen decenas de alegaciones. Cada alegación puede requerir clasificación, comprobaciones de pruebas, consultas internas y una respuesta por escrito.
Los investigadores describen su conjunto de datos como evidencia de posibles casos, no como prueba de que la IA haya causado cada aumento registrado. Esa salvedad importa porque varias fuerzas pueden modificar la demanda de servicios públicos. Los cambios de política, las condiciones económicas, la concienciación pública, los fallos institucionales y los nuevos canales de denuncia pueden elevar el volumen.
El momento sigue siendo notable. Muchos de los servicios observados mantenían patrones de presentación relativamente estables antes de la llegada de la IA generativa ampliamente disponible. Sus cargas de trabajo aumentaron después, a medida que las herramientas de generación de texto se volvieron más fáciles de usar.
Según los hallazgos publicados, las quejas ante el Housing Ombudsman del Reino Unido aumentaron de aproximadamente 2.600 en 2022 a poco más de 7.000 en 2025. Las quejas presentadas ante la Consumer Financial Protection Bureau de Estados Unidos también crecieron con fuerza durante ese período.
Esas cifras no pueden aislar a la IA como causa. Sí muestran por qué los organismos están prestando atención. Incluso una participación parcial de la IA puede adquirir relevancia operativa cuando cada presentación válida crea un deber legal o procedimental de respuesta.
Por tanto, el cambio memorable no es un software autónomo atacando sitios web gubernamentales. Es que personas corrientes obtienen asistencia asequible para realizar un trabajo que las instituciones antes esperaban que hicieran por sí solas.
La IA no creó las reclamaciones subyacentes
La inversión central es que muchas solicitudes supuestamente excesivas revelan demanda no atendida, no demanda inventada.
Los procesos administrativos imponen costes de aprendizaje, cumplimiento y psicológicos. Un solicitante debe descubrir un programa, interpretar las normas de elegibilidad, reunir documentos, cumplir plazos y comunicarse en el formato preferido por una institución.
Cada requisito adicional puede filtrar fraudes o casos incompletos. También puede desanimar a personas elegibles que carecen de tiempo, confianza, conocimientos jurídicos, fluidez lingüística o ayuda profesional.
Los organismos públicos llevan tiempo tratando la baja participación como un problema de diseño de servicios. La investigación de acceso de la OECD afirma que las normas complejas, las lagunas informativas y las solicitudes engorrosas impiden que los hogares elegibles reciban apoyo social.
Un asistente de IA modifica esa ecuación al absorber parte del esfuerzo de solicitud. No crea el derecho legal. Hace más fácil seguir la vía para hacer valer ese derecho.
Schmitz resumió la cuestión de forma directa: “La gran mayoría de los casos que encontramos son personas con derecho a reclamar algo, reclamando esa cosa.”
Esta afirmación no establece que todas las presentaciones sean correctas. El derecho sigue dependiendo de las pruebas, los criterios legales y las circunstancias individuales. Sí cuestiona la suposición de que el aumento del volumen refleje principalmente abuso.
Pensemos en un inquilino que recibe una respuesta insuficiente a una queja sobre reparaciones. Antes de la IA generativa, esa persona podría tener que localizar la política aplicable, reconstruir meses de mensajes y explicar el fallo de manera coherente. La carga puede ser especialmente intensa durante una enfermedad, un desplazamiento o dificultades económicas.
Con un asistente, el inquilino puede organizar la cronología y producir una queja más clara. Esa presentación sigue requiriendo investigación. Sin embargo, el organismo ya no puede depender del agotamiento o la confusión para mantenerla fuera de la cola.
El mismo mecanismo se aplica a las quejas financieras. Los informes sobre quejas de la CFPB documentan la escala y composición de las presentaciones de consumidores, aunque no atribuyen su crecimiento exclusivamente a la IA.
Un consumidor que impugna información crediticia incorrecta puede tener una reclamación válida, pero le cuesta describirla utilizando las categorías adecuadas. La IA puede convertir registros y correspondencia en una narración más estructurada. También puede ayudar al consumidor a persistir tras un rechazo inicial.
Esto crea un incómodo problema de medición. Una cola más larga puede indicar un deterioro del servicio, un intento de manipulación, una mayor concienciación pública, una menor carga administrativa o las cuatro cosas a la vez.
Por ello, llamar avalancha a cada aumento corre el riesgo de introducir de contrabando un juicio de política pública en una descripción de la carga de trabajo. Desde la perspectiva del organismo, un aumento repentino es una amenaza para la capacidad. Desde la perspectiva del solicitante, ese mismo aumento puede representar un acceso recientemente viable a un derecho.
La avalancha de agentes de IA gubernamentales es importante porque expone esa diferencia de perspectiva. Los sistemas públicos suelen medir el éxito mediante la velocidad de procesamiento y unas cargas de casos manejables. A los ciudadanos les importa que las necesidades válidas reciban decisiones justas.
Una institución puede mantener excelentes estadísticas de procesamiento haciendo que las solicitudes sean difíciles. Ese resultado parece eficiente internamente, mientras produce exclusión externamente.
Los agentes de IA hacen que este acuerdo sea menos estable. Revelan una demanda que el papeleo antes ocultaba, obligando a los responsables a decidir si la fricción administrativa era una salvaguarda o un mecanismo no oficial de racionamiento.
El avance en el acceso se convierte en una crisis de capacidad
Eliminar fricción en la entrada al servicio público puede trasladar el cuello de botella directamente a investigadores, gestores de casos y adjudicadores.
La mayoría de los servicios gubernamentales no contaban con personal para que todas las personas elegibles presentaran una reclamación completa y persistente. Sus previsiones de carga de trabajo reflejan el comportamiento histórico, incluidos los abandonos, los plazos incumplidos y las solicitudes que nunca llegan a iniciarse.
La asistencia de IA puede invalidar rápidamente esas previsiones. Más personas pueden presentar solicitudes, mientras que cada persona puede aportar material más detallado y seguir más etapas de revisión.
El Housing Ombudsman ofrece una imagen concreta de la presión operativa. Su plan de negocio de 2025 describía una carga de casos sin precedentes, un contacto cada 25 segundos y más de 7.000 investigaciones realizadas durante el año.
Una investigación no puede escalarse como la generación de texto. El personal debe establecer la jurisdicción, examinar las pruebas, contactar con las partes pertinentes, aplicar la política y documentar una decisión defendible. Los casos sensibles también requieren un juicio que no puede reducirse de forma segura al reconocimiento de patrones.
Esta asimetría impulsa la crisis. Un solicitante puede generar una apelación extensa en minutos. La autoridad receptora puede dedicar horas a determinar qué pasajes importan y si cada afirmación está respaldada.
Las presentaciones más largas también pueden generar trabajo defensivo. Los funcionarios deben buscar hechos relevantes entre argumentos repetidos, citas inventadas o un lenguaje que parece jurídicamente preciso sin identificar una cuestión válida.
El problema se parece a la presión creada por los informes de seguridad de IA de baja calidad. Generar un informe de vulnerabilidad plausible es barato, pero decidir si el problema es real sigue consumiendo atención experta. Los organismos públicos se enfrentan a una restricción adicional porque las leyes o normas de servicio pueden obligarlos a responder.
Sin embargo, la analogía con la seguridad tiene límites. Un informe de error inventado ofrece poco beneficio social. Una queja de vivienda o apelación de prestaciones asistida por IA puede proceder de una persona a la que el sistema fue creado para servir.
Por tanto, el adversario central es un acceso más amplio frente a una capacidad administrativa fija. No son los ciudadanos frente a los funcionarios, ni los humanos frente a las máquinas.
Los gestores de casos pueden agradecer solicitudes más claras y seguir estando desbordados por su número. Los solicitantes pueden formular reclamaciones legítimas y, sin quererlo, contribuir a colas más largas. Ambas partes experimentan un sistema diseñado para un nivel de participación anterior.
La avalancha de agentes de IA gubernamentales también redistribuye la experiencia. Antes de la IA generativa, defensores profesionales y abogados ayudaban a los clientes a convertir problemas vividos en lenguaje institucional. Ahora, un modelo de propósito general puede aproximarse a parte de ese trabajo de redacción.
La aproximación es inconsistente. Los modelos pueden aclarar argumentos, pero también pueden inventar normas o animar a los usuarios a exagerar puntos débiles. Los organismos deben distinguir la ayuda útil del error expresado con seguridad después de recibir la presentación.
Esa evaluación se vuelve más difícil cuando el lenguaje generado por IA hace que las reclamaciones débiles y sólidas parezcan igual de pulidas. La calidad de redacción ya no ofrece una señal fiable del mérito legal ni del esfuerzo personal.
Los gobiernos pueden responder incorporando su propia automatización. Los clasificadores pueden derivar casos, extraer incidencias, detectar duplicados o resumir documentos para revisores humanos. Estas herramientas pueden reducir el trabajo administrativo, pero plantean interrogantes sobre precisión, sesgo, privacidad y derechos de apelación.
La clasificación automatizada también crea una competencia entre dos sistemas probabilísticos. Un modelo amplía la reclamación de un ciudadano hasta convertirla en lenguaje formal. Otro comprime ese lenguaje en categorías utilizadas por la agencia.
Información importante puede desaparecer entre esos pasos. Es posible que el solicitante nunca sepa qué alegación ignoró el segundo sistema, mientras que el gestor del caso quizá nunca vea el énfasis original.
Por tanto, el desarrollo de capacidades debe incluir más que la compra de software. Las agencias necesitan estructuras de presentación claras, clasificación auditable, revisión humana suficiente y procedimientos para corregir errores de automatización.
Sin esas inversiones, un acceso más rápido simplemente desplaza el tiempo de espera hacia el interior de la institución. El formulario se vuelve más fácil, pero la decisión tarda más.
Más papeleo no significa más verdad
La IA puede revelar reclamaciones válidas y, aun así, degradar el entorno de información utilizado para resolverlas.
El argumento más sólido a favor de la asistencia mediante IA se basa en un acceso legítimo. El argumento escéptico más sólido se refiere a la fiabilidad, la duplicación y el uso estratégico.
Los grandes modelos de lenguaje predicen texto plausible. No establecen de forma independiente que una norma jurídica sea aplicable, que un documento sea auténtico o que el recuerdo de un solicitante sea preciso. Una presentación pulida puede contener citas falsas o argumentos irrelevantes sin señales de advertencia evidentes.
Los usuarios también pueden pedir a un modelo que refuerce su posición. El texto resultante puede transformar la incertidumbre en certeza, tratar una inferencia como prueba o generar varias alegaciones superpuestas a partir de un solo hecho.
Estos fallos importan porque las decisiones públicas afectan a la vivienda, los ingresos, el estatus migratorio, las licencias, las deudas y otros intereses de gran importancia. Los revisores no pueden asumir que un lenguaje profesional refleje una verificación profesional.
El fraude es otra incertidumbre. Reducir los costes de solicitud beneficia a los reclamantes elegibles, pero también reduce el coste de poner a prueba historias falsas en varios programas. Mejores controles de identidad pueden limitar la suplantación sin establecer si los hechos contenidos en una reclamación son verdaderos.
La participación política coordinada plantea una cuestión diferente. La IA puede ayudar a los residentes a comprender una propuesta urbanística y expresar objeciones informadas. También puede producir miles de comentarios casi idénticos que exageren la aparente amplitud de la participación pública.
Un organismo gubernamental debe decidir si la participación debe medirse por personas, presentaciones, argumentos distintos o interés local demostrado. El texto generativo facilita la manipulación de esas categorías.
La investigación no establece una tasa universal de fraude ni demuestra que la IA haya generado cada aumento registrado en su conjunto de datos. Su valor proviene de identificar un patrón recurrente y un mecanismo creíble.
La incertidumbre causal debería limitar las predicciones dramáticas. No debería convertirse en una excusa para la inacción. Las agencias pueden medir la extensión de los documentos, el lenguaje duplicado, el tiempo de tramitación, el abandono, los resultados de las decisiones y las apelaciones exitosas sin adivinar qué herramientas utiliza cada usuario.
Estas mediciones deben separar la carga de trabajo del mérito. Un servicio podría recibir el doble de reclamaciones y aprobar una proporción similar. Ese patrón diferiría de un aumento dominado por presentaciones rechazadas o duplicadas.
Las agencias también deberían distinguir entre asistencia con IA y automatización a escala. Una persona que utiliza un modelo para organizar una apelación crea riesgos distintos a los de un servicio comercial que presenta miles de reclamaciones mediante un flujo de trabajo automatizado.
Lo primero se parece a un acceso ampliado al asesoramiento. Lo segundo se parece a una intermediación industrializada, especialmente cuando una empresa obtiene beneficios de las reclamaciones exitosas o controla la comunicación con los solicitantes.
Ambas actividades pueden ser legales. No deberían regularse mediante una única categoría general denominada contenido generado por IA.
Los requisitos de divulgación parecen atractivos, pero generan problemas de aplicación. Es posible que los solicitantes no sepan qué funciones de una herramienta de escritura implican IA. Una etiqueta de divulgación tampoco dice nada sobre precisión, autorización o derecho.
El software de detección ofrece aún menos certeza. Los detectores de texto de IA pueden clasificar erróneamente la escritura humana y no proporcionan una base fiable para denegar un servicio público. Su uso podría perjudicar especialmente a quienes escriben en una segunda lengua.
Las mejores preguntas se refieren a la procedencia y la responsabilidad. ¿Autorizó el solicitante la presentación? ¿Puede la agencia verificar la identidad? ¿Están disponibles los documentos de respaldo? ¿Puede el solicitante corregir errores y entender la decisión?
Estos controles se centran en la integridad del proceso, no en el estilo de la prosa. Siguen siendo útiles tanto si una reclamación fue redactada por un abogado, un defensor, un modelo o el propio solicitante.
Por tanto, la saturación de agencias gubernamentales por agentes de IA debería tratarse como un problema de diseño de servicios con casos de abuso, y no simplemente como un problema de abuso con algunos usuarios legítimos ocasionales.
Añadir fricción castigaría a los reclamantes legítimos
Las defensas más rápidas pueden restablecer colas manejables recreando las barreras que la IA ayudó a superar.
Las agencias disponen de varias herramientas conocidas para suprimir la demanda. Pueden introducir tasas, exigir visitas presenciales, reducir los plazos de presentación, imponer límites estrictos de palabras o añadir controles de identidad difíciles.
Cada medida puede reducir el volumen. Cada una también puede excluir a personas con recursos económicos, movilidad, tiempo, dominio del idioma o acceso a documentos limitados.
Esta disyuntiva es especialmente grave en servicios de alto valor económico y complejidad administrativa. Estos programas dan a las personas una razón poderosa para buscar ayuda, mientras que sus normas dificultan la gestión sin apoyo.
Las tasas pueden disuadir solicitudes especulativas, pero también fijan el acceso según los ingresos. Los requisitos de presencia física pueden frustrar la presentación masiva automatizada, pero cargan a solicitantes con discapacidad, residentes rurales, cuidadores y trabajadores por horas.
Las plantillas estrictas pueden mejorar la tramitación si solicitan claramente los hechos pertinentes. Se vuelven excluyentes cuando un error técnico invalida automáticamente una reclamación que, por lo demás, es válida.
Los límites de frecuencia también requieren un diseño cuidadoso. Limitar las presentaciones por persona verificada puede ralentizar la presentación masiva. Puede perjudicar a personas que afrontan varios problemas independientes o a defensores autorizados para representar a muchos clientes.
La identidad digital ofrece otra opción. Una autenticación sólida puede establecer quién autorizó una interacción y respaldar controles de frecuencia justos. También plantea desafíos de privacidad, accesibilidad e implementación.
La alternativa es desarrollar capacidad. Los gobiernos pueden simplificar las normas de elegibilidad, completar previamente datos conocidos, proporcionar interfaces estructuradas de solicitud e inscribir proactivamente a las personas cuando el derecho pueda establecerse a partir de registros existentes.
Estas medidas abordan la carga administrativa subyacente. También reducen el incentivo para producir narrativas extensas porque el sistema solicita pruebas específicas en un formato previsible.
La OCDE ha sostenido que los datos administrativos vinculados y la inscripción automática pueden mejorar el acceso a las prestaciones. Ese enfoque elimina trabajo para los ciudadanos y las oficinas receptoras, en lugar de automatizar una disputa sobre el papeleo.
Las agencias públicas también pueden publicar normas legibles por máquinas e interfaces oficiales para agentes. Una interfaz de programación de aplicaciones, o API, es un canal estructurado mediante el cual software aprobado puede intercambiar información definida.
Una interfaz cuidadosamente diseñada puede limitar la longitud arbitraria de los documentos, solicitar pruebas de forma coherente y devolver información clara sobre el estado. Puede hacer que la asistencia automatizada sea más responsable sin obligar a los usuarios a volver al papel.
Sin embargo, una API no debe convertirse en la única puerta de entrada. Las personas necesitan canales humanos accesibles, especialmente cuando sus circunstancias no encajan en campos estándar.
Las agencias también necesitan certeza jurídica en torno al procesamiento asistido por IA. Un gestor de casos debería saber qué decisiones requieren juicio humano, a qué información puede acceder un sistema automatizado y cómo puede un solicitante impugnar un error.
Las normas de contratación deberían exigir registros de actividad y evaluación frente a casos reales. Los funcionarios deben poder ver por qué una herramienta derivó, resumió o marcó una presentación antes de confiar en su resultado.
Las auditorías independientes deberían comprobar si la automatización modifica las tasas de rechazo entre grupos lingüísticos, de discapacidad, ingresos o demográficos. Las ganancias de eficiencia no pueden justificar la discriminación oculta.
Este rediseño cuesta más al principio que añadir una tasa o cerrar una bandeja de correo electrónico. También alinea la capacidad con la promesa de acceso público.
La elección de política es reveladora. Si los funcionarios responden a una mayor participación legítima reconstruyendo obstáculos, entonces la antigua simplicidad de la cola dependía de la exclusión.
Si rediseñan los servicios en torno a la demanda real, la asistencia mediante IA puede revelar debilidades que los gobiernos debían abordar de todos modos.
Tres señales mostrarán qué camino eligen los gobiernos
La próxima fase estará definida por respuestas medibles de las agencias, no por otro salto en la capacidad de los modelos.
La primera señal es si los organismos públicos publican pruebas que vinculen la asistencia con IA a resultados operativos específicos. Los recuentos brutos de presentaciones son insuficientes.
Los informes útiles compararían el volumen, la extensión de los documentos, el tiempo de tramitación, las tasas de duplicación, las tasas de aprobación, las apelaciones exitosas y los atrasos sin resolver. Deberían separar la asistencia individual de la presentación masiva coordinada o comercial.
Si las agencias publican esa información, el debate puede superar las anécdotas. Las altas tasas de aprobación reforzarían el argumento de que la IA está revelando demanda legítima. Las altas tasas de duplicación o rechazo respaldarían controles más específicos contra presentaciones de bajo valor.
La segunda señal es si los gobiernos eligen fricción o capacidad. Nuevas tasas, canales cerrados, restricciones amplias sobre la IA o visitas físicas obligatorias mostrarían que las instituciones protegen su carga de trabajo reduciendo el acceso.
Formularios estructurados, más personal, inscripción automática, clasificación auditable e interfaces oficiales para agentes apuntarían en la otra dirección. Mostrarían que las agencias aceptan una mayor participación como obligación de servicio.
La tercera señal es si la capacidad de procesamiento sigue el ritmo de una presentación más sencilla. Los atrasos de investigación y los tiempos de decisión revelarán si los gobiernos solo han modernizado la entrada orientada al ciudadano.
La carga de trabajo del Housing Ombudsman y los volúmenes de reclamaciones de la CFPB ofrecen puntos de referencia útiles, pero los informes futuros necesitan un análisis causal más claro. Los investigadores deberían examinar los cambios de política y las condiciones económicas junto con la adopción de IA.
Ese trabajo también debería seguir la distribución. Decisiones medias más rápidas pueden ocultar peores resultados para los casos que no encajan en categorías automatizadas.
Para los desarrolladores, la lección es que la calidad de un agente no puede medirse únicamente por el éxito de una presentación. Un sistema responsable debería conservar las pruebas, mostrar las fuentes, solicitar confirmación y evitar convertir una reclamación en alegaciones sin respaldo.
Los compradores empresariales deberían preguntar quién sigue siendo responsable cuando un agente se comunica con un organismo público. La autorización, la retención de datos, los registros de auditoría y los flujos de trabajo de corrección importan más que una redacción fluida.
Los trabajadores del conocimiento deberían tratar las presentaciones generadas como registros con consecuencias. La comodidad de producir una carta formal no elimina la obligación de comprobar nombres, fechas, reclamaciones y normas citadas.
Las agencias públicas afrontan la tarea más difícil. Deben proteger una capacidad limitada sin tratar como atacantes a ciudadanos que ahora tienen más capacidades.
La saturación de agencias gubernamentales por agentes de IA pondrá a prueba si el acceso digital era un compromiso genuino o simplemente un eslogan conveniente. Una cola manejable no es un servicio exitoso cuando las personas elegibles se mantienen alejadas porque el proceso las derrota.
La pregunta práctica ya es ineludible: cuando la IA revele la demanda oculta tras la carga administrativa, ¿financiarán los gobiernos el servicio que se prometió a la gente o restaurarán la carga que la mantenía en silencio?
