Un estudio combina ciencia de datos y políticas sociales para agilizar la gestión del ministerio
¿La inteligencia artificial puede mejorar la gestión de programas sociales en Uruguay? Un grupo de investigadores decidió explorar esa pregunta en la forma de abordar el programa de acompañamiento familiar Uruguay Crece Contigo.
La propuesta, investigada por Christian Beron Curti, Rodrigo Vargas Sainz y Yitong Tseo, busca optimizar la selección de familias que requieren acompañamiento estatal, utilizando aprendizaje automático (machine learning) como herramienta central para modernizar la gestión pública.
El proyecto se desarrolló en el marco de la maestría en Ciencia de Datos que la Universidad Tecnológica (UTEC) dicta junto al MIT.
Berón explicó a El Observador que "la idea surge de aplicar IA a políticas sociales para optimizar procesos del trabajo diario", destacando la posibilidad de liberar tiempo técnico y mejorar la eficiencia del programa.
El modelo se construyó a partir de una base de datos anonimizada que reunió 15.436 derivaciones previas, focalizadas en mujeres embarazadas y niños menores de cuatro años. "La base de datos no se obtuvo por trabajar en el ministerio, sino mediante expediente formal y con autorización jurídica", aclaró Berón. Muchos de los datos no fueron entregados por la ley que regula la protección de datos personales.
Hoy la tarea es manual y, pese a que los investigadores no lo tienen calculado con precisión, puede llevar muchísimas horas de dedicación. Los supervisores deben leer uno a uno los formularios que describen el estado de salud, el contexto socioeconómico y las condiciones de vivienda de cada familia.
Los supervisores leen manualmente cada derivación, analizan la información y deciden quién ingresa, explicaron los investigadores. Según el investigador, este proceso es "artesanal y con posibles sesgos personales", lo que puede derivar en diferencias en la evaluación, demoras en la asignación y falta de uniformidad en la priorización.
Uno de los principales problemas que busca resolver el modelo es el impacto de la subjetividad humana.
"Si vos leés 100 casos hoy y decidís quién entra y quién no, y mañana te doy exactamente los mismos casos, es probable que cambies de decisión en algunos", explicó Vargas Sainz, aunque aclaró que hay protocolos establecidos para el ingreso de familias. La sensibilidad individual, las experiencias personales y hasta el estado emocional pueden influir en cómo un supervisor interpreta cada situación, generando variaciones no deseadas en la selección.
El algoritmo busca contrarrestar este fenómeno al aprender de los registros históricos y definir probabilidades de aceptación de forma consistente. "El algoritmo aprende de lo que pasó antes y asigna peso a las variables según su relevancia", afirmó Berón. De esta forma, se logra mayor homogeneidad en las decisiones, manteniendo la transparencia y reduciendo la arbitrariedad en el acceso a los programas sociales.
El modelo fue preparado para identificar las variables más importantes y asignarles un peso específico según su influencia en los casos históricos. Para abordar el desequilibrio entre las clases, se aplicaron técnicas que permitieron balancear las predicciones y evitar que el sistema aceptara todos los casos por defecto.
Si el algoritmo aprende solo de la clase predominante, podría terminar aceptando a todos los casos, lo que disminuye la precisión, dijeron los investigadores. Gracias a estos ajustes, el modelo logra priorizar correctamente los casos críticos y optimizar la intervención del programa.
La herramienta funciona como un filtro inicial para orientar a los supervisores, pero no sustituye su decisión final. "Nunca planteamos que el algoritmo reemplace al supervisor", aclaró Berón.
El objetivo es permitir que el equipo técnico dedique más tiempo al trabajo de campo y al acompañamiento directo de las familias. "Queremos que los supervisores puedan dedicar más tiempo al apoyo directo en territorio y no solo a leer formularios", enfatizó el investigador.
El estudio se desarrolló durante varios meses, desde marzo hasta septiembre, y fue presentado a fines del año pasado como tesis final, destacándose como un ejemplo innovador de aplicación de ciencia de datos en el sector público uruguayo.
Los resultados muestran el potencial del modelo para clasificar familias con eficiencia y priorizar la atención en los casos más urgentes. Sin embargo, la herramienta aún no se encuentra implementada. "Terminamos la tesis el año pasado y ahora evaluamos cómo avanzar hacia la implementación", contó Berón.
La propuesta contempla el desarrollo de una interfaz sencilla, con indicadores visuales tipo semáforo que indiquen la urgencia y prioridad de cada caso, facilitando la tarea de selección.
En Uruguay, el uso de inteligencia artificial en organismos públicos es todavía muy limitado. Según una encuesta de AGESIC, pocos organismos estatales han explorado IA, y ninguno la ha aplicado a programas sociales de esta magnitud. "Hay muy poca experiencia, sobre todo en políticas sociales", aseguró Berón.
A nivel mundial, el uso de IA en políticas sociales sigue siendo excepcional y se concentra principalmente en experiencias piloto. "No encontramos muchas referencias, por eso creemos que es un antecedente innovador", subrayó.
El proyecto podría convertirse en un punto de partida para repensar la gestión social en Uruguay y abrir la puerta a nuevas aplicaciones tecnológicas en la administración pública. Para Berón, el camino es claro: "Esto puede ser una herramienta valiosa para apoyar, no para reemplazar, el trabajo humano, y mejorar el impacto real de las políticas públicas en la población más vulnerable".