La Federación Española de Municipios y Provincias (FEMP) recoge en su Guía práctica y políticas de uso de la IA en las entidades locales (2025) experiencias reales de ayuntamientos y diputaciones. Revisadas en conjunto, dejan un patrón muy claro: los proyectos que funcionan empiezan por un problema concreto, cuidan los datos y mantienen a las personas en el centro de la decisión.
Seis casos y su lección
| Caso | Qué se hizo | Lección |
|---|---|---|
| Avilés: asistente para atención ciudadana | Asistente de IA para el personal de registro y atención, basado en una base de conocimiento con la documentación municipal, para dar respuestas homogéneas con independencia de quién atienda | Una fuente documental única mejora la coherencia entre canales y facilita auditar las respuestas. Las preguntas repetidas revelan procedimientos mal diseñados |
| Avilés: informes de licencias de obra menor | Apoyo a la redacción de informes técnicos para unas 1.200 licencias al año, con un modelo en la nube y sin entrenamiento específico. Estima un ahorro del 20 % al 45 % en el proceso técnico | El ahorro viene de que la máquina valida y el técnico revisa, no de sustituirlo. Funciones como subsanar solicitudes se acercan a actos con efectos y deben evaluarse como tales |
| Madrid: detección de soledad no deseada | IA conversacional que llamó a personas mayores con un cuestionario. De 2.071 conversaciones completas, 646 pidieron hablar con personal municipal y unas 240 entraron en un programa de acompañamiento | La IA detecta y deriva; las personas deciden y acompañan. Con colectivos vulnerables, la evaluación de impacto y la transparencia son imprescindibles |
| Las Rozas: chatbot con IA generativa | Asistente multicanal y multiidioma basado en la web y documentos municipales, por unos 7.000 € al año dentro del contrato de atención telefónica. Estima un 50 % menos de tiempo de gestión | Mejorar las fuentes, hacer muchas pruebas y asumir algunos fallos. La calidad de la documentación y el banco de pruebas son decisivos |
| Valencia: derivación de instancias generales | Clasificación automática de instancias no catalogadas para enviarlas a la unidad que corresponde, con un margen de error aceptable | Validar con muestreo, mantener la revisión humana y medir el error |
| Alcobendas: atención telefónica automatizada | Robot de voz para atender llamadas fuera de horario, con devolución de llamada por el personal, a partir de una convocatoria de innovación y pagado por consumo | Ofrecer siempre la alternativa humana. La compra pública de innovación permite probar antes de comprometer un contrato grande, pero hay que estimar el coste a escala real |
Las lecciones que se repiten
Los datos deciden el resultado. La FEMP señala, según la opinión de expertos, que la calidad del dato está detrás de en torno al 80 % de los fracasos de proyectos de IA. Las señales de alerta son conocidas: nadie sabe de qué sistema sale un dato, el mismo dato vale distinto en dos aplicaciones o la base documental tiene versiones antiguas.
La supervisión humana se degrada si no se mide. Con volumen alto y un sistema que suele acertar, la revisión acaba en trámite. Hay que medir las discrepancias entre la propuesta de la IA y la decisión final: si nunca hay ninguna, es una señal de dependencia, no de acierto.
Lo que no se puede explicar no se puede motivar. Mejor soluciones que citen la fuente (RAG) y documentación en lenguaje claro de qué aporta el sistema en cada caso.
Sin registros no hay forma de responder a una reclamación. Guardar entrada, salida, versión del modelo y quién validó, y asegurarse por contrato el acceso a esos registros.
El piloto gratuito no es el coste real. Hay que estimar el coste recurrente (licencias, consumo en la nube) antes del piloto e incluir en los pliegos la salida del proveedor sin pérdida de datos.
La ciudadanía puede tomar una respuesta como criterio oficial. Respuestas orientativas con enlace a la fuente, recordatorio de plazos y trámites, y un canal humano siempre visible.
Empezar pequeño. Casos acotados y de bajo riesgo, un equipo mixto técnico, jurídico y del servicio, y formación desde el principio.
Qué tipo de proyecto es cada uno
Los casos responden a cuatro patrones que se repiten en casi cualquier entidad:
| Patrón | Casos | Riesgo habitual | Clave del éxito |
|---|---|---|---|
| Asistente sobre documentación propia (RAG) | Atención ciudadana, chatbot web | Respuestas que se toman como criterio oficial | Calidad y vigencia de la documentación, citar la fuente |
| Apoyo a informes técnicos | Licencias de obra | Que el técnico deje de revisar | Supervisión real y medición de correcciones |
| Clasificación y derivación | Instancias generales, registro | Errores que retrasan trámites | Validación con muestras y revisión humana |
| Contacto proactivo o de voz | Soledad no deseada, atención telefónica | Colectivos vulnerables y brecha digital | Alternativa humana y transparencia |
Identificar el patrón ayuda a saber de antemano qué controles hacen falta.
Una hoja de ruta para empezar
- Mes 1–2: ordenar la casa. Inventario de la IA que ya se usa (incluida la integrada en aplicaciones), normas básicas de uso, lista de herramientas autorizadas y formación inicial para todo el personal.
- Mes 2–3: elegir un primer caso. De bajo riesgo, con un problema claro y medible: un asistente interno sobre documentación pública o interna, sin datos personales, suele ser buena opción.
- Mes 3–6: piloto. Con un área implicada desde el inicio, banco de pruebas y criterios de aceptación fijados antes de empezar.
- Mes 6: decidir. Seguir, ajustar o parar, con datos. Si se sigue, autorización formal y publicación del sistema.
- Después: escalar. El segundo caso es más fácil: el modelo de gobierno, las fichas y los contratos ya existen.
Preguntas que conviene hacerse antes del primer proyecto
- ¿Qué problema concreto resolvemos y cómo sabremos si ha funcionado?
- ¿La documentación o los datos de partida están actualizados y tienen responsable?
- ¿Quién supervisa los resultados y con qué tiempo?
- ¿Qué pasa con quien no puede o no quiere usar el canal digital?
- ¿Cuánto costará al año a escala real, no en el piloto?
- ¿Podemos cambiar de proveedor sin perder datos ni configuración?
Errores que se repiten
- Elegir el primer caso por su espectacularidad y no por su viabilidad.
- Lanzar un chatbot sobre una web desactualizada: responderá con seguridad lo que la web dice mal.
- No medir antes: sin saber cuánto se tardaba, es imposible demostrar el ahorro.
- Dejar fuera al personal que usará el sistema hasta el final.
- Olvidar la transparencia: la ciudadanía confía más en la administración que explica qué sistemas usa y para qué.
Cómo aplicarlo en tu entidad
Antes de lanzar un caso, conviene pasar por unas preguntas mínimas: qué problema resuelve, si hace falta IA, qué datos usa y con qué base jurídica, quién supervisa y cómo se medirá el éxito. Lo explicamos en el ciclo de vida de un proyecto de IA y en qué normativa aplica a la IA y los datos.
En Bidatia trabajamos con administraciones públicas en gobierno del dato y en proyectos de IA responsables, desde la estrategia hasta la puesta en marcha.
Preguntas frecuentes
¿Dónde se pueden consultar casos de IA en ayuntamientos españoles?
La FEMP recoge varios en su Guía práctica y políticas de uso de la IA en las entidades locales (2025), con experiencias de ayuntamientos y diputaciones.
¿Cuánto cuesta un chatbot municipal con IA generativa?
Depende mucho del alcance. Uno de los casos recogidos por la FEMP cuesta unos 7.000 euros al año dentro del contrato de atención telefónica, pero hay que estimar siempre el coste recurrente a escala real.
¿Puede un chatbot municipal resolver trámites?
Puede informar y orientar, pero sus respuestas deben ser orientativas, enlazar a la fuente oficial y ofrecer un canal humano. Resolver sin intervención humana sería una actuación automatizada con requisitos específicos.
¿Por qué fracasan los proyectos de IA en el sector público?
Sobre todo por la calidad de los datos, por una supervisión humana que se convierte en trámite, por costes recurrentes no estimados y por no implicar desde el principio al servicio que usará el sistema.
¿Qué es la compra pública de innovación?
Un procedimiento que permite a las administraciones contratar soluciones que aún no están en el mercado o probarlas antes de comprometer un contrato grande. Varios proyectos de IA municipales han empezado así.