Del laboratorio al ayuntamiento

El 12 de mayo de 2026 se registraron dos anuncios que, a primera vista, parecían pertenecer a mundos totalmente diferentes. En un laboratorio de investigación avanzado, un sistema de inteligencia artificial (IA) había generado millones de moléculas con potencial terapéutico en cuestión de horas, reduciendo drásticamente el tiempo que antes se necesitaba para la fase de diseño preliminar. En paralelo, en el edificio de la Ayuntamiento de Villanueva del Río, un municipio de 85.000 habitantes en Andalucía, otro algoritmo de IA entró en funcionamiento para gestionar reclamaciones ciudadanas, pasando de 23 días de respuesta promedio a apenas 4 días. La distancia entre la biología molecular y la burocracia municipal parece enorme, pero ambos casos ilustran la misma fuerza transformadora: la capacidad de la IA para convertir la predicción en una herramienta operativa de bajo coste y alta velocidad.

La revolución molecular: cómo la IA acelera el descubrimiento de fármacos

Durante décadas, el desarrollo de un nuevo fármaco ha sido sinónimo de largas jornadas de prueba y error. Según estudios de la industria, el proceso típico lleva entre 10 y 15 años y requiere una inversión superior a los 2.000 millones de dólares. Gran parte de ese tiempo se consume en la fase de identificación de compuestos candidatos, donde químicos sintetizan y prueban cientos, a veces miles, de moléculas en busca de una que interactúe de forma eficaz con una diana biológica.

Los avances en deep learning y en la representación de moléculas mediante graph neural networks (redes neuronales de grafos) han roto este paradigma. Modelos como AlphaFold (DeepMind, 2020) demostraron que la predicción de estructuras proteicas podía alcanzarse con precisión casi experimental. A partir de esa base, plataformas como Insilico Medicine, Exscientia y startups emergentes como MolGenAI (fundada en 2023) entrenan redes para generar variaciones químicas y evaluar, en silicio, propiedades como afinidad, toxicidad y solubilidad.

En 2025, MolGenAI lanzó el proyecto MolXplorer, capaz de crear 10 millones de moléculas en 48 horas y de predecir sus perfiles ADMET (absorción, distribución, metabolismo, excreción y toxicidad). El algoritmo priorizó 15 compuestos que mostraron una alta probabilidad de inhibir la proteína KRAS G12C, una diana clave en varios cánceres de pulmón. De esos 15, los químicos del laboratorio sintetizaron los cinco mejores y, tras pruebas in vitro, dos avanzaron a estudios preclínicos en ratones.

Si bien ningún fármaco ha alcanzado todavía la fase de aprobación regulatoria completa, el hecho de que varias startups hayan recibido autorización para ensayos clínicos fase I en 2025‑2026 es un indicio claro de que la IA está acortando el pipeline. En comparación, antes de la irrupción de la IA, la tasa de éxito desde la fase de descubrimiento hasta la fase I rondaba el 5 %; hoy, los proyectos asistidos por IA reportan una tasa de éxito de entre el 12 % y el 15 %.

La IA llega a la gestión pública local: casos concretos en España

Mientras los laboratorios aprovechan la predicción molecular, los ayuntamientos están descubriendo cómo la IA puede mejorar la eficiencia administrativa. La normativa española, particularmente la Ley Orgánica de Protección de Datos (LOPDGDD) y el Reglamento General de Protección de Datos (RGPD), exige un manejo cuidadoso de la información ciudadana, lo que ha frenado la adopción masiva. Sin embargo, los municipios con recursos técnicos y voluntad política han empezado a experimentar.

El caso más avanzado, publicado en mayo de 2026 por la Asociación Española de Municipios y Provincias (AEMP), describe la implantación en Villanueva del Río de una solución basada en IBM Watson Assistant y Microsoft Azure Cognitive Services. El flujo de trabajo es el siguiente:

1. El ciudadano envía una solicitud a través del portal web o por WhatsApp.
2. El modelo de procesamiento de lenguaje natural (NLP) clasifica la petición en categorías (licencias, quejas, información, etc.).
3. Un motor de reglas determina el departamento responsable y asigna un plazo estimado, basado en históricos de casos similares.
4. Se genera automáticamente un borrador de respuesta que el funcionario revisa y firma.

Los indicadores clave de rendimiento (KPI) mostraron una reducción del 82 % en el tiempo medio de respuesta (de 23 a 4 días) y un aumento del 30 % en la satisfacción del ciudadano, medido a través de encuestas post‑interacción. Además, el sistema detectó 27 casos potenciales de fraude en subvenciones de desarrollo rural, lo que permitió a la auditoría interna iniciar investigaciones antes de que los fondos fueran desembolsados.

Otros municipios están explorando aplicaciones distintas: la ciudad de Bilbao está probando IA para optimizar la ruta de los camiones de recogida de residuos, usando datos de sensores IoT instalados en contenedores inteligentes; mientras que Granada ha implementado un modelo de predicción de demanda de servicios sociales para anticipar picos de atención en invierno.

El hilo conductor: la predicción como infraestructura

Lo que une a estos casos, a priori inconexos, es la transformación de la predicción en una infraestructura accesible y económica. En el pasado, la predicción era una actividad reservada a expertos con acceso a supercomputadoras y a bases de datos costosas. Hoy, plataformas en la nube ofrecen potencia de cálculo bajo demanda y herramientas de IA como servicio (AIaaS) que permiten a cualquier organización entrenar y desplegar modelos en cuestión de días.

Esta democratización tiene implicaciones económicas profundas. Cuando el coste marginal de una predicción cae a centésimas de dólar, la ecuación de coste‑beneficio de procesos que antes dependían de juicio humano cambia radicalmente. Por ejemplo:

• En la industria farmacéutica, la predicción de afinidad de ligandos permite reducir la fase de cribado de high‑throughput screening (HTS) de millones a unas decenas de moléculas, ahorrando cientos de millones en reactivos y tiempo de laboratorio.
• En la administración pública, la clasificación automática de documentos reduce la carga manual de archivistas y permite reasignar recursos a actividades de mayor valor añadido, como la elaboración de políticas.
• En la logística urbana, la predicción de llenado de contenedores evita recorridos vacíos, disminuyendo la emisión de CO₂ en un 10‑15 % según estudios piloto de la Universidad de Zaragoza.

En términos macroeconómicos, la IA está creando lo que algunos analistas denominan economías de la predicción, donde la ventaja competitiva se basa en la capacidad de anticipar eventos antes que los competidores. Esta dinámica también genera nuevos riesgos: la dependencia de modelos opacos, la vulnerabilidad a datos sesgados y la concentración de poder en proveedores de IA.

Desafíos y riesgos en la adopción de IA

Aunque los beneficios son evidentes, la incorporación de IA en ámbitos críticos no está exenta de obstáculos.

Calidad y gobernanza de los datos

Los modelos sólo son tan buenos como los datos con los que se entrenan. En los ayuntamientos, la información suele estar almacenada en sistemas heredados (SAP R/3, bases de datos Access) y presenta problemas de duplicidad, falta de estandarización y errores de captura. La fase de data cleaning puede consumir entre el 60 % y el 80 % del esfuerzo total de un proyecto de IA.

Transparencia y explicabilidad

La legislación europea, particularmente la propuesta de Reglamento de IA (2024), exige que los sistemas de alta riesgo ofrezcan una explicación comprensible de sus decisiones. En el caso de la gestión de reclamaciones, los ciudadanos deben poder solicitar el “porqué” de una asignación automática. Esto obliga a los desarrolladores a emplear técnicas de XAI (Explainable AI) como LIME o SHAP, lo que añade complejidad al despliegue.

Desigualdad territorial

Los municipios con mayor capacidad financiera (por ejemplo, los de la Comunidad de Madrid o Cataluña) pueden invertir en equipos de datos, contratar consultoras y firmar contratos con grandes proveedores. Los ayuntamientos rurales, con presupuestos limitados, corren el riesgo de quedarse rezagados, ampliando la brecha digital y creando un efecto bola de nieve donde la falta de IA reduce la eficiencia, dificultando la recaudación de impuestos y, por tanto, la capacidad de invertir nuevamente.

Ética y sesgo

Los algoritmos de clasificación de solicitudes pueden reproducir sesgos históricos. Si, por ejemplo, las bases de datos muestran que las reclamaciones de ciertos barrios se resuelven más lentamente, el modelo podría aprender a asignar menos recursos a esas zonas, perpetuando la inequidad. La auditoría continua y la participación ciudadana son esenciales para mitigar este riesgo.

Qué vigilar en los próximos años

El futuro inmediato está cargado de hitos que servirán como termómetros de la madurez de la IA en ambos dominios.

1. Éxito en ensayos clínicos de fármacos diseñados por IA. La primera aprobación completa de un medicamento cuyo descubrimiento haya dependido mayoritariamente de IA (se anticipa para 2028) marcará un antes y un después en la medicina personalizada.
2. Marco regulatorio de IA en la administración pública. La entrada en vigor del Reglamento de IA europeo en 2024 ya ha generado directrices, pero su aplicación práctica en municipios requiere guías operativas. La publicación de un código de buenas prácticas por parte de la AEMP en 2027 será clave.
3. Desigualdad de adopción. Se prevé que, para 2030, al menos el 35 % de los municipios con menos de 10.000 habitantes no cuenten con ninguna solución de IA, mientras que los de más de 100.000 habitantes tendrán al menos tres sistemas integrados (gestión de documentos, movilidad urbana y servicios sociales).
4. Innovaciones en explicabilidad. Herramientas de XAI que generen informes legibles para ciudadanos y funcionarios podrían convertirse en estándar, reduciendo la fricción jurídica y social.
5. Colaboración intersectorial. Se espera el surgimiento de consorcios público‑privados que compartan datos anónimos de salud y de gestión urbana para entrenar modelos más robustos, siguiendo el modelo de la Alianza Europea de Datos de Salud (2025).

Conclusión: una nueva era de predicción omnipresente

La inteligencia artificial ya no es una herramienta de nicho reservada a gigantes tecnológicos. Está convirtiéndose en la columna vertebral de procesos tan dispares como la síntesis de moléculas terapéuticas y la tramitación de una queja de ruido en el barrio. La clave está en reconocer que, cuando la predicción se vuelve barata y escalable, abre la puerta a decisiones más informadas, a la reducción de costos y, potencialmente, a una mayor equidad.

No obstante, esa promesa viene acompañada de responsabilidades: garantizar la calidad de los datos, hacer los algoritmos transparentes y evitar que la brecha tecnológica deje a ciertos sectores o territorios atrás. El desafío para los próximos cinco años será equilibrar la velocidad de innovación con marcos éticos y regulatorios que protejan a los ciudadanos y a los pacientes, sin frenar el impulso que la IA está generando en la frontera del conocimiento y la gestión cotidiana.