CAPÍTULO 4

INTELIGENCIA ARTIFICIAL Y GOBERNANZA

DE DATOS EN LA ADMINISTRACIÓN
PÚBLICA: SENTANDO LAS BASES PARA SU
INTEGRACIÓN A NIVEL CORPORATIVO

Miquel Salvador
Profesor titular de Universidad en el Departamento de Ciencias Políticas y Sociales
Universitat Pompeu Fabra.

1. INTRODUCCIÓN
En el contexto de la denominada Revolución 4.0 y la irrupción de las
tecnologías inteligentes (smart technologies) como el internet de las cosas o
el blockchain, la inteligencia artificial (IA) se apunta como una de las
innovaciones disruptivas llamadas a transformar radicalmente el
comportamiento de personas y de organizaciones.
Aunque la IA ha constituido el objeto de estudio desde múltiples
disciplinas, todavía no cuenta con una definición universalmente aceptada
(Grosz et al., 2016). En una aproximación amplia, el concepto se asocia a
sistemas de computación capaces de recabar datos e información de
diferentes fuentes, pensar, aprender y actuar de acuerdo con unos objetivos
vinculados a unos algoritmos. A efectos de la investigación que se presenta
se ha asociado el concepto de IA al campo de la tecnología y las ciencias
computacionales (aunque con aportaciones de otros campos como la
biología, la neurociencia, la lingüística, la estadística, entre otros), que
incluye una serie de técnicas basadas en algoritmos y maquinas (software y
hardware) con capacidad para automatizar actividades, realizar operaciones
análogas al aprendizaje y toma de decisiones, y evolucionar con o sin la
intervención humana (Castro y New, 2016).
Las organizaciones del sector privado cuentan con una notable trayectoria
en el desarrollo y configuración de soluciones basadas en IA para mejorar
sus modelos de negocio y de relación con el entorno. Pero todavía no
sucede lo mismo en las organizaciones del sector público. Una demora que
no deja de sorprender teniendo en cuenta que la materia prima sobre la que
trabaja la IA son los datos y que precisamente las Administraciones
Públicas son organizaciones intensivas en su recolección y gestión.
Probablemente ello se deba, entre otras, a que el tipo de tratamiento que se
da a este recurso de información no resulta el más apropiado para su
optimización a través de la IA y el desarrollo de aplicaciones derivadas.
Además, en la medida que los datos contengan errores, sean incompletos,
no estén sistematizados y no sean íntegros, bajará la calidad de la
información y ello dificultará la producción de resultados fiables en base a
ella.
El impulso externo, como el proveniente de organismos internacionales o
empresas de consultoría, además de la demanda ciudadana, están
propiciando avances y generando oportunidades para incorporar la IA a la
actuación de las organizaciones públicas (Desouza, 2018). En este contexto
se identifican tanto técnicas (como el aprendizaje automático —machine
learning—, el aprendizaje profundo —deep learning—, la realidad virtual,
los sistemas expertos, los algoritmos genéticos, las redes neuronales
artificiales y la robótica) como sus aplicaciones (para generar software —‐
actuando en el mundo virtual— y hardware —integrándose en algún tipo de
dispositivo físico— de cara a la automatización inteligente de las
actividades) (Valle-Cruz et al., 2019). La incorporación de estas soluciones
de IA se orienta a transformar los procesos de diagnóstico, formulación de
alternativas, decisión, desarrollo e implementación, seguimiento y
evaluación de las políticas y servicios públicos (Valle-Cruz et al., 2020;
Thierer et al., 2017). El desarrollo de experiencias puntuales que permiten
visualizar potenciales y la existencia de una cierta competencia por liderar
esta innovación, también contribuyen a estos avances. El surgimiento de
soluciones vinculadas a determinados ámbitos sectoriales (como salud,
educación, seguridad, movilidad, entre otros) ofrecen nuevas respuestas a
problemas de política pública (Nikitas et al., 2020; Qian Sun y Medaglia,
2019; Allam y Dhunny, 2019; Luckin et al., 2016). Estas respuestas
sectoriales adolecen, en muchas ocasiones, de planteamientos centrados
exclusivamente en su ámbito o departamento, sin generar sinergias ni
apoyarse en una estrategia a nivel corporativo. Ello propicia desarrollos
desiguales que en ocasiones dificultan la integración de respuestas ante
problemas complejos como los que enfrenta el sector público.
Para trascender de estas iniciativas desarrolladas a nivel sectorial e
incorporar una visión compartida a nivel institucional resulta relevante tanto
contar con datos íntegros y adecuadamente gestionados para el conjunto de
la organización como incorporar una visión global y transversal de su
utilización que permita reforzar estrategias de IA a nivel corporativo.
Para avanzar en esta línea, el presente capítulo plantea aportar reflexiones
y evidencias sobre la relación entre la gobernanza de datos y la IA.
A nivel más concreto se propone identificar y plantear el desarrollo de los
componentes de gobernanza de datos para el desarrollo integral —más allá
del sectorial— de la IA en las Administraciones Públicas.
Para ello se propone una primera aportación en clave de reflexión
conceptual, sobre cómo la literatura referida a la IA en el sector público
aborda la cuestión de los datos. A continuación, se incorpora la reflexión
sobre la vinculación entre IA y datos, incorporando el concepto de
gobernanza de datos y los componentes que se pueden asociar a su
desarrollo para valorar su aplicación concreta en las organizaciones del
sector público.
Para culminar el aporte se ofrecen unas conclusiones sobre los factores
clave que inciden en la configuración de una gobernanza de datos para el
desarrollo de la IA en la Administración Pública.

2. INTELIGENCIA ARTIFICIAL (IA) Y GESTIÓN DE DATOS EN EL

SECTOR PÚBLICO
La literatura académica sobre la IA en el sector público constituye un
campo en expansión, todavía de carácter incipiente, en el que se abordan
temas como el surgimiento de soluciones para transformar servicios y
políticas impulsadas por las organizaciones públicas, sus potenciales y sus
riesgos.
Entre los potenciales de las aplicaciones de IA en el sector público se
destacan desde el software de apoyo a la gestión del conocimiento, los
sistemas para automatizar procesos, los agentes virtuales que pueden
desarrollar actividades como los humanos, la analítica predictiva y la
visualización de datos, la analítica de identidades, los sistemas autónomos
con capacidad de aprender y evolucionar, los sistemas de reconocimiento y
asistencia a partir de la voz o la identificación de rasgos físicos y los
sistemas de seguridad asociados, entre otros (Wirtz et al., 2019). Una
amplia familia de tecnologías denominadas cognitivas que incluyen el
aprendizaje automático, el procesamiento del lenguaje natural y la robótica
(Kuziemski y Misuraca, 2020). En lo referente al sector público, en el
informe de Naciones Unidas sobre eGobierno se destaca que más de 40
países indicaron que utilizan la IA, internet de las cosas, blockchain, la
robótica y otras tecnologías emergentes para prestar y gestionar servicios en
línea (United Nations, 2018). Su aplicación se concreta en diferentes
ámbitos sectoriales entre los que destacan los de salud, educación,
seguridad, movilidad, gestión del agua, entre otros (Susar y Aquaro, 2019).
En una sugerente clasificación, Wirtz et al. (2019) destacan cinco
categorías para clasificar las contribuciones académicas a este campo: (1) el
impacto de la IA en los servicios públicos, destacando el reto que plantea la
utilización de sus aplicaciones para transformar procesos, datos y
decisiones sobre su prestación; (2) la influencia de la IA en el entorno
laboral y social, como campos destacados en los que incide su
incorporación, atendiendo especialmente a su impacto en las capacidades
humanas y su reflejo a nivel social; (3) el papel de la IA en la identificación
de la gestión de riesgos y la seguridad, y su vinculación con ámbitos como
el orden público o la legalidad, entre otros; (4) ética e IA, planteando los
dilemas que suponen las transformaciones que implica en la acción de
gobierno y en la propia democracia; y (5) las políticas dirigidas a la IA (en
especial para su regulación).
En las cinco categorías se aborda, con diferentes enfoques, la cuestión
clave de los datos. Desde la primera se abordan los datos como factor
crítico para transformar la gestión pública, entrando a detallar procesos para
su adecuada revisión e integración de cara a aplicar soluciones de IA
(Zheng et al., 2018; Sun y Medaglia, 2017). Desde la segunda se toman
como variable externa que permite informar de los impactos resultantes en
el entorno laboral y social (Aguilera y Ramos Barrera, 2016). Desde la
tercera categoría se plantea su recopilación, pero sin entrar a fondo en su
tratamiento previo a su posterior utilización en casos concretos, como el
diseño de modelos predictivos en determinadas políticas públicas
(Kouziokas, 2017). En la cuarta se incluye la referencia a los impactos
éticos asociados a la generación y utilización de los datos, como la
compatibilidad entre los juicios de humanos y máquinas, los dilemas
morales, los eventuales sesgos y sus consecuencias (Quraishi et al., 2017).
En la quinta categoría, referida a las políticas públicas sobre IA, se destacan
aportes referidos a sus potenciales y riesgos y a la necesidad de regularlos,
combinando flexibilidad (por ejemplo, con el concepto de permission-less
de Thierer et al., 2017) con el control y la transparencia de los algoritmos
para promover su desarrollo (Mehr, 2017). A nivel más concreto, se
plantean la creación de estructuras interdisciplinares que establezcan las
nuevas reglas del juego para la incorporación de la IA y el uso de datos en
el sector público (y en las organizaciones sociales y privadas), atendiendo
especialmente a los valores que desean promoverse, conectando con la
dimensión ética referida en la categoría anterior (Boyd y Wilson, 2017).
Aunque implícitamente los aportes realizados desde las cinco categorías
reconocen que los datos son el factor crítico y el principal impulsor que
determina la viabilidad de la IA, tan solo los ubicadas en la primera
(referida a los servicios y políticas públicas) y la quinta (referida a las
políticas de IA) entran más en detalle en su análisis y en el planteamiento
de propuestas para la mejora de su gestión y gobernanza.

3. GOBERNANZA DE DATOS: RETOS EN EL SECTOR PÚBLICO

En la relación entre IA y los datos cabe destacar tanto las potencialidades
como los requerimientos. Por un lado, la IA permite gestionar grandes bases
de datos para mejorar el trabajo de los profesionales del sector público, en
especial a partir de la integración de bases de datos internas y externas,
incluso si incluyen información de diferente naturaleza (datos visuales,
audios, espaciales, etc.), y tanto de carácter cuantitativo como cualitativo,
para generar nuevos resultados (Mehr, 2017). Por otro lado, las necesidades
de datos para la IA difieren de las requeridas por la analítica de datos
tradicional. Para los procesos de autodesarrollo, la IA requiere de ingentes
cantidades de datos sobre los que basar sus dinámicas de interacción y
aprendizaje. Por ello también resulta importante atender al tipo de datos que
se proporcionan, puesto que el aprendizaje se basará en ellos (Susar y
Aquaro, 2019; Gerbert et al., 2017). En la medida que se pretenda evitar
sesgos o malentendidos, es necesario que los científicos de datos tengan
claramente definidos el tipo de datos a incorporar. Además, la IA conecta
los datos a los procesos de acción y de aprendizaje en la medida que por un
lado los utiliza para ofrecer resultados para decidir y para actuar ante una
problemática considerada, pero al mismo tiempo utiliza dichos datos y
resultados para su propio proceso de aprendizaje y mejora. Por ello resulta
fundamental combinar datos, tecnología y procesos para generar sistemas
integrados de IA en la organización.
Por ello, y como apuntan Wirtz et al. (2019), la IA será tan inteligente
como los datos de los que aprende. En este sentido resulta fundamental que
los datos sean de calidad, íntegros y, especialmente, confiables. Para
conseguir alinear IA y gestión de datos es necesario clarificar qué tipo de
datos y evidencias son necesarias, su temporalidad y vigencia, dónde
obtenerlos y cómo agregarlos para su adecuada utilización para generar
procesos de IA (Mehr, 2017). La recopilación y agregación del tipo
adecuado de datos resulta crítico para el éxito en este ámbito.
Otro reflejo de la creciente importancia otorgada a los datos es el
surgimiento de una literatura académica vinculada a conceptos como el de
«datificación», asociado a la digitalización y a la analítica del big data.
Desde estos aportes se analizan las tecnologías y los procesos de trabajo a
través de los cuales pueden gestionarse grandes cantidades de datos para
monitorizar el comportamiento de determinadas variables (Loebbecke y
Picot, 2015; Newell y Marabelli, 2015). Y en dicho análisis se destacan
cuestiones como la infraestructura que ha de facilitar sus procesos de
obtención, almacenaje y tratamiento, o las aplicaciones que han de permitir
su gestión y su transformación, y su utilización en los procesos de decisión
y evaluación y sus consecuencias (Markus, 2017).
Aunque el concepto más extendido es el de big data, que inicialmente se
refería a aquellos datos digitales que son demasiado grandes, poco
elaborados o desestructurados para ser analizados mediante técnicas
convencionales de bases de datos relacionales, y que posteriormente
evolucionó para incluir los procesos a través de los cuales las
organizaciones obtienen valor de ellos (Guirguis, 2020; Kim et al., 2014).
Una definición que, en el contexto del presente capítulo, se asocia también
a la acumulación de datos en repositorios, cuyo análisis mediante
algoritmos propicia la toma de decisiones —sin que sea imprescindible la
intervención humana—, generando procesos de transformación del trabajo,
las organizaciones y la sociedad (Jones, 2019; Galliers et al., 2017).
En este contexto surge el concepto de gobernanza de los datos (data
governance). Entre la multiplicidad de acepciones que aporta la literatura,
Weber et al. (2009) y Khatri y Brown (2010) definen la gobernanza de
datos en términos de marco que establece derechos y responsabilidades en
la toma de decisiones en la gestión y el uso de datos. Otros aportes plantean
entender el concepto como la confluencia de varias áreas relacionadas con
los datos y los procesos para su administración, la gestión de su calidad o de
su seguridad, entre otros (Begg y Caira, 2012). Más allá de la multiplicidad
de aportes, existe cierto consenso en asociar la gobernanza de datos a las
ideas de: (1) poner en valor los datos como un activo de la organización que
debe gestionarse, (2) establecer responsabilidades en la toma de decisiones
(derechos) y las tareas asociadas (deberes) y (3) establecer pautas y normas
para velar por la calidad de los datos y su uso adecuado (Otto, 2011b). El
concepto plantea el establecimiento de reglas del juego para cubrir el ciclo
que incluye: recopilar, depurar y ordenar los datos, analizarlos e
interpretarlos, elaborar informes y su visualización, ajustarlos y mejorarlos,
y operacionalirzarlos e implementarlos. Siguiendo este argumento, la
gobernanza de datos se asocia a los procesos organizativos que permiten
especificar la asignación de responsabilidades y decisiones, alineadas con
los objetivos de la organización, para impulsar un comportamiento deseable
en el tratamiento de los datos como un activo de la misma (Otto, 2011a).
Planteada en estos términos, la gobernanza de datos se vincula al ámbito
organizativo, focalizándose en cuestiones como el papel asignado al área de
tecnologías, la centralización o descentralización de procesos y toma de
decisiones o la definición de fórmulas de trabajo que convivan y atenúen
tensiones organizativas. Una acepción organizativa que se enriquece al
incorporar cómo la gobernanza de datos en el sector público plantea una
serie de nuevos retos. Entre estos cabe destacar el propio reconocimiento
del valor de los datos (Nielsen et al., 2019; Begg y Caira, 2012), la
vinculación de los niveles político y directivo con la gobernanza de los
datos y el uso de sus resultados (Gonzalez-Zapata y Heeks, 2015), los
condicionantes derivados de las cuestiones de seguridad y privacidad
(Christodoulou et al. 2018), y los valores y la ética en el tratamiento y el
desarrollo de soluciones basadas en los mismos (Pencheva et al., 2020).
En esta contextualización de los retos en el marco de las organizaciones
del sector público deben tenerse en cuenta también como estas suelen
organizar sus datos (Jones, 2019; Kim et al., 2014). En parte como
resultado del modelo burocrático que caracteriza a muchas entidades del
sector, las Administraciones Públicas generan y recopilan grandes
cantidades de datos, con diferentes finalidades y usos, con distintas
tipologías y grados de estructuración, que suelen estar asociadas a
diferentes departamentos que, a modo de silos, presentan notables
dificultades de integración. Por otro lado, y como se comentó
anteriormente, los requerimientos de seguridad y salvaguarda de la
privacidad cobran especial importancia atendiendo al contenido y
naturaleza de los datos con los que operan las Administraciones Públicas.

4. COMPONENTES DE LA GOBERNANZA DE DATOS PARA

IMPULSAR LA INTELIGENCIA ARTIFICIAL (IA) EN LAS
ADMINISTRACIONES PÚBLICAS
Para afrontar la multiplicidad de retos planteados resulta fundamental
atender a lo que la literatura vinculada a la IA refiere como condicionantes,
requisitos o capacidades previas (o simultáneas, cuando menos). Con ello se
hace referencia a la necesidad de contar con una infraestructura de
competencias y recursos, y a utilizarla para desarrollar y optimizar la
gestión y uso de datos para el desarrollo de soluciones de IA en el
despliegue de su actividad.
A partir de las aportaciones de la literatura al respecto (Guirguis, 2020;
Desouza et al., 2020; Keding, 2020; Susar y Aquaro, 2019; Ramió, 2019 y
2018; Desouza, 2018), en el presente capítulo se propone interpretar estos
condicionantes en términos de componentes de la gobernanza de datos que
es necesario atender para su desarrollo y vinculación con la IA. A
continuación, se presenta una breve revisión de los componentes destacados
de la gobernanza de datos en las Administraciones Públicas.
4.1. La orientación estratégica en relación a los datos
Recientemente han surgido diferentes iniciativas que plantean diferentes
estrategias de desarrollo de la IA en el sector público. Iniciativas que se dan
tanto a nivel europeo con el White Paper on Artificial Intelligence — A
European approach to excellence and trust
(<https://ec.europa.eu/info/sites/info/files/commission-white-paper-
artificial-intelligence-feb2020_en.pdf>) y el Plan Coordinador sobre
inteligencia artificial (<https://data.consilium.europa.eu/doc/document/ST-
6177-2019-INIT/es/pdf>), como a nivel estatal con la Estrategia Española
de I+D+I en inteligencia artificial
(<https://www.ciencia.gob.es/stfls/MICINN/Ciencia/Ficheros/Estrategia_Int
eligencia_Artificial_IDI.pdf>), y a nivel autonómico con ejemplos como
Valencia
(<http://www.presidencia.gva.es/documents/80279719/169117420/Dossier_
cas.pdf/88361b83-0e33-4b49-99c0-ad894ffc0f75>) o Catalunya
(<http://politiquesdigitals.gencat.cat/ca/tic/catalonia-ai>), y que también
empieza a proyectarse a nivel local con ejemplos como el del Ayuntamiento
de Barcelona
(<https://ajuntament.barcelona.cat/premsa/2020/06/26/barcelona-tindra-la-
primera-estrategia-municipal-dintelligencia-artificial-pionera-a-europa/>).
En todos estos documentos se destaca la importancia de los datos y su
gestión para el impulso de la IA, y se plantean propuestas vinculadas al
desarrollo de un ecosistema digital de datos y la potenciación las
infraestructuras, considerando aspectos como la propiedad de dichos datos,
su apertura y su accesibilidad, y también referencias a la seguridad en su
almacenaje y tratamiento y a la salvaguarda de la privacidad. Pero por la
naturaleza y alcance de este tipo de instrumentos no se llegan a desarrollar
estrategias específicas vinculadas a la gobernanza de datos más allá de las
referencias apuntadas.
El plantear la gobernanza de datos como un instrumento para sentar las
bases para el desarrollo de la IA supone trascender de ajustes operativos y
apuntar a un cambio substantivo que incide tanto en las dinámicas de
actuación como en la propia cultura organizativa. Por ello resulta
conveniente contar con una orientación estratégica específica que ponga en
valor los datos y las dinámicas a su alrededor, destacando la necesidad de
atender a su gestión, tratamiento y utilización. Un mensaje claro que
debería plantearse en términos estratégicos, de apoyo al desarrollo de la
actuación de la Administración Pública.
Una orientación que debe plasmarse en indicaciones claras, conocidas y
valoradas por toda la organización, que permitan acompañar el desarrollo
de la estrategia en este campo. Una orientación que parte de la planificación
y selección de los datos necesarios atendiendo a los retos que se plantean
abordar. Ello implica identificar tanto qué datos son requeridos como de
qué fuentes de información deben conseguirse e integrarse. La
disponibilidad de datos se convierte, para muchos ámbitos de política
pública, en un reto a considerar en el desarrollo de soluciones de IA.
Incorporar desde la estrategia este planteamiento supone redefinir, en
muchas administraciones, los procesos de diagnóstico y de toma de
decisiones.
El direccionamiento estratégico ha de incluir también las reglas del juego
que fijen roles y relaciones tanto internas como externas, alrededor de la
cadena de valor del dato, incluyendo cuestiones vinculadas a la
actualización, acceso, disponibilidad, propiedad, seguridad, privacidad, y a
los usos posteriores de los resultados obtenidos con los datos.
La orientación estratégica debe integrar el resto de componentes de la
gobernanza de datos, pero también, obviamente, conectar con la estrategia
corporativa global.
Los instrumentos en los que se plasmen estas directrices estratégicas,
tanto las referidas a la visión global como la específica de la gobernanza de
datos vinculada a la IA, deben apostar por la participación e implicación de
los diferentes actores implicados. Para el adecuado desarrollo del proceso
resulta esencial partir de un claro direccionamiento fijado a nivel central
que establezca los aspectos metodológicos asociados al rigor con el que
plantear la cadena de valor del dato antes citada. A partir de esta sólida base
conviene incorporar la participación e implicación de la diversidad de
actores para generar consensos en cuanto a necesidades y usos de datos,
adaptados a las diferentes realidades y planteamientos.
Esta aproximación supone, además, incluir la flexibilidad en los
instrumentos que plasman la orientación estratégica. Para poder afrontar la
incertidumbre propia de un proceso novedoso en muchas Administraciones
Públicas, resulta esencial superar rigideces y plantear dinámicas abiertas al
cambio y a la innovación. Este tipo de planteamientos propicia, además, la
participación e implicación de los diferentes actores vinculados a la
gobernanza de datos como base para el desarrollo de la IA en las
organizaciones públicas.

4.2. La arquitectura y la infraestructura de datos

Un segundo componente de la gobernanza de datos se refiere a la
vertiente más técnica, que se conecta con decisiones en relación a la
tecnología a utilizar para su desarrollo. En este componente se incluyen las
cuestiones vinculadas a la arquitectura de datos (estándares, semántica,
interoperabilidad) y la infraestructura de datos (almacenamiento y gestión
de datos) para facilitar el desarrollo de los algoritmos y aplicaciones
asociadas a la IA.
Con la arquitectura de datos se abordan cuestiones referidas a la
generación de protocolos que faciliten el intercambio de datos tanto interna
como externamente. Partiendo de la diversidad de actores con sus propias
fuentes de datos y con necesidades diversas en relación a ellos, surge la
necesidad de establecer pautas compartidas que faciliten tanto el
reconocimiento como utilización de los datos. El proceso resulta complejo a
nivel interno, como resultado de las inercias de distintos departamentos con
lógicas diferenciadas de recopilación, gestión y utilización de datos. Para
avanzar en ello resulta conveniente combinar estrategias que reconozcan y
recuperen estos recursos previos con otras que establezcan bases sólidas y
rigurosas en clave de futuro para facilitar la evolución del modelo conjunto.
Precisamente para trascender de iniciativas que utilizan los datos para
generar soluciones sectoriales de IA y plantear su incorporación a nivel
institucional, el establecimiento de definiciones y pautas de trabajo
compartidas se convierte en una pieza clave de partida.
Atendiendo a la complejidad de la práctica totalidad de políticas que
deben afrontar las Administraciones Públicas y a las crecientes
interdependencias con actores del entorno, las consideraciones sobre la
arquitectura de datos deben también ampliarse a los agentes tanto públicos
como privados con los que se plantea generar intercambios (cuestión que
también se aborda en el componente del modelo relacional que se comenta
más adelante). Los avances realizados con iniciativas como el Esquema
Nacional de Interoperabilidad
(<https://administracionelectronica.gob.es/pae_Home/pae_Estrategias/pae_I
nteroperabilidad_Inicio/pae_Esquema_Nacional_de_Interoperabilidad.html
?>) o la «Via oberta» del Consorcio Administración Abierta de Catalunya
(<https://www.aoc.cat/serveis-aoc/via-oberta/>) para facilitar el intercambio
entre organismos del sector público se sitúan en esta línea. Pero tal como se
apunta en la Estrategia Española de I+D+I en inteligencia artificial
(<https://www.ciencia.gob.es/stfls/MICINN/Ciencia/Ficheros/Estrategia_Int
eligencia_Artificial_IDI.pdf>), debería implicarse también a entidades
privadas vinculadas al desarrollo de políticas públicas.
La infraestructura asociada al desarrollo de la gobernanza de datos
introduce aspectos a considerar en los procesos de almacenamiento y
gestión de datos como la escalabilidad de los dispositivos o la
infraestructura en red para incrementar capacidades. A modo de ejemplo, en
la estrategia de Catalunya sobre inteligencia artificial (Catalonia.ai,
<http://politiquesdigitals.gencat.cat/ca/tic/catalonia-ai>), se destacan
infraestructuras como la red de fibra óptica o los centros de proceso de
datos, entre otros. En las medidas para la transformación digital del sector
público que aparecen en el Plan «España Digital 2025»
(<https://www.mineco.gob.es/stfls/mineco/prensa/ficheros/noticias/2018/20
0723_np_agenda.pdf>) se incluye la «actualización de las infraestructuras
tecnológicas del sector público», incorporando cuestiones como «mejoras
de las infraestructuras digitales de conexión con las Entidades locales y
autonómicas» o la «estrategia cloud de la Administración General del
Estado». En relación a este componente también surgen debates como el de
la internalización/externalización y la ubicación de determinadas
infraestructuras. Aunque algunas organizaciones han apostado claramente
por utilizar la nube (cloud) como recurso, en muchas Administraciones
Públicas se sigue recurriendo a entornos locales, en aras de proteger una
supuesta seguridad. Ello implica la necesidad de planificar los
requerimientos de capacidad y de seguridad, tanto a corto como a medio y
largo plazo, en especial si se incrementan exponencialmente los datos —‐
con la incorporación de fuentes externas— y su analítica. Para dicho
dimensionamiento también deben atenderse cuestiones como los datos a
utilizar —cómo se generan y cómo se obtienen y procesan— o el tipo y
cantidad de soluciones de IA que se plantean desarrollar.

4.3. La organización asociada a la gobernanza de datos

Para el despliegue de las actividades asociadas a la gobernanza de datos,
como un instrumento para el desarrollo de la IA, y tal y como se apuntaba
en la orientación estratégica, resulta esencial definir roles y asignar
responsabilidades. En el contexto de las Administraciones Públicas ello
supone actuar en la estructura orgánica pero también en los procesos.
En diversas organizaciones públicas se han creado unidades vinculadas a
las actuaciones que se asocian a la gobernanza de datos (Magro, 2020;
Ramió y Salvador, 2019). En la Estrategia Española de I+D+I en
inteligencia artificial
(<https://www.ciencia.gob.es/stfls/MICINN/Ciencia/Ficheros/Estrategia_Int
eligencia_Artificial_IDI.pdf>), se recomendaba crear un Instituto Nacional
de Datos que permitiese planificar y definir una gobernanza sobre datos
procedentes de las Administraciones Públicas nacionales, regionales y
locales. En el Ayuntamiento de Barcelona se creó, en febrero de 2018, la
Oficina Municipal de Datos (OMD)
(<https://ajuntament.barcelona.cat/digital/es/transformacion-digital/city-
data-commons/oficina-municipal-de-datos>), a la que se asignó la
responsabilidad de impulsar la mejora de la gestión, la calidad, la
gobernanza y la explotación de los datos en propiedad o custodiados por el
Ayuntamiento y todos sus entes asociados (públicos o privados). En la
Administración General del Estado (AGE) se habilitaba la creación, en julio
de 2020, de la División Oficina del Dato
(<https://www.boe.es/diario_boe/txt.php?id=BOE-A-2020-10008>) a la que
se asignaba, entre otras, el diseño de las políticas de gobernanza y
estándares en la gestión y análisis de datos de dicha administración y la
promoción de metodologías y buenas prácticas que propiciasen la toma de
decisiones basadas en datos por parte de las Administraciones Públicas.
La identificación de estos órganos supone un primer reconocimiento
explícito a la importancia del ámbito y, especialmente, clarificar la
asignación de responsabilidades para el impulso de su gobernanza. Cuestión
aparte es el estilo con el que esta se concrete, en especial en lo referente al
equilibrio entre centralización y descentralización. Aunque las propuestas
pueden variar atendiendo a la realidad de cada organización, tal como se
indicaba en el apartado anterior se plantea la conveniencia de centralizar el
establecimiento de criterios transversales y metodologías en relación a la
recopilación, tratamiento y explotación de datos, así como el impulso de
repositorios de datos compartidos. Por el contrario, se suele plantear la
descentralización de las acciones vinculadas a los contenidos específicos
sobre los que utilizar los datos, la identificación de preguntas y datos clave
para atenderlas, así como el uso y aplicación de los resultados obtenidos. A
ello cabe añadir la creación de órganos interdepartamentales para facilitar la
coordinación y propiciar dinámicas de aprendizaje compartido, como apoyo
al equilibrio entre centralización y descentralización, en aras de potenciar
lógicas transversales que superen los enfoques departamentales o
sectoriales.
En la configuración de la red de actores internos que, a efectos de
estructura y procesos, se vinculan al desarrollo de la gobernanza de datos,
surgen diferentes roles. Además de los comentados de la unidad
central/oficina de datos, cabe destacar aquellas productoras de los mismos.
La complejidad de las Administraciones Públicas implica una más que
notable diversidad de realidades de unidades que ya sea directa (con medios
propios, a partir de los procedimientos y servicios que gestionan, etc.) o
indirectamente (mediante colaboraciones externas con otras organizaciones
públicas o privadas) producen datos. Desde la unidad central de datos
debería mapear, a efectos de organización y coordinación, esta diversidad
interna y establecer dinámicas como las que se apuntaban (mediante
órganos interdepartamentales) para facilitar la unificación de criterios y
propiciar la interoperabilidad interna. En este mapa resulta relevante
destacar también el papel de las unidades asociadas a las funciones de
archivística y documentación, como referentes para compartir criterios que
también son importantes para otras políticas vinculadas como las de
digitalización y administración electrónica, entre otras. En este mapa
también destaca el papel de la unidad central de apoyo informático,
tecnológico o de sistemas. Su rol resulta fundamental a muchos niveles, en
especial en lo que se refiere al acompañamiento tecnológico para identificar
soluciones a cuestiones clave de la gobernanza de datos como la
arquitectura y la infraestructura de los mismos. Pero resulta conveniente
que el liderazgo e impulso de la gobernanza de datos no se confunda con su
eventual dimensión tecnológica. Aunque condicionada por el perfil de su
dirección y efectivos, desde la unidad central de datos se debe dar respuesta
a la orientación estratégica que se planteaba, con especial atención a las
cuestiones de contenidos y de dinámicas organizativas.
Para completar dichas dinámicas organizativas para el desarrollo de la
gobernanza de datos resulta esencial revisar los procesos y procedimientos.
La traslación de los criterios y directrices establecidas para facilitar el
cambio que se plantea hacia una cultura de datos pasa, necesariamente, por
revisar las dinámicas operativas de funcionamiento. Contar con un mapa de
procesos que incorpore información sobre la generación de datos, sobre su
almacenaje, sobre su gestión y sobre su utilización, resulta un importante
hito de partida. A partir del mismo, o en paralelo a su configuración, debe
plantearse la revisión de los procedimientos a nivel más concreto,
atendiendo a sus implicaciones en la cadena de valor del dato. En este
proceso resulta importante contar con el impulso de la unidad central de
datos, pero también con la participación del departamento/unidad de
organización que, con una adecuada metodología, acompañe a las diferentes
unidades finalistas en la revisión y mejora de los procesos y procedimientos
que desarrollan.

4.4. Las competencias profesionales y la gestión de recursos humanos

Un componente especialmente crítico para facilitar el desarrollo de la
gobernanza de datos como un instrumento de apoyo al impulso de la IA es
el referido a los profesionales que integran la Administración Pública. Entre
las actuaciones incluidas en este componente destacan las encaminadas a
redefinir perfiles y competencias, atraer candidatos externos si estos no se
encuentran o no pueden desarrollarse fácilmente en la organización, pero
también las que suponen transformar el modelo de gestión para facilitar su
imprescindible adaptación, incorporando además la nueva cultura del dato
que se promueve.
A modo de ejemplo de referencias aplicadas en relación a este
componente cabe apuntar cómo, al plantear las propuestas sobre IA y el uso
de datos en las Administraciones Públicas, desde la Estrategia Española de
I+D+I en inteligencia artificial
(<https://www.ciencia.gob.es/stfls/MICINN/Ciencia/Ficheros/Estrategia_Int
eligencia_Artificial_IDI.pdf>) se destaca la necesidad de «ofrecer una
formación especializada en IA a los trabajadores públicos para poder sacar
el máximo partido a los datos que disponen, y así contribuir a la mejora de
las políticas públicas». En las medidas para la transformación digital del
sector público que aparecen en el Plan «España Digital 2025»
(<https://www.mineco.gob.es/stfls/mineco/prensa/ficheros/noticias/2018/20
0723_np_agenda.pdf>) se incluyen la definición de puestos de trabajo de
nueva generación, incluyendo la necesidad de capacitación o reskilling de
los empleados públicos y la participación del Instituto Nacional de
Administración Pública en el proceso. Desde el «Manual de transformación
digital del empleado público» la Generalitat de Catalunya
(<http://politiquesdigitals.gencat.cat/web/.content/administracio-
digital/manual-empleat/manualempleat.pdf>) se propone actuar sobre las
competencias, la creación de nuevos puestos asociados a nuevas formas de
trabajo, el desarrollo y la formación y sobre los procesos de provisión y
selección (en especial para atraer a los nuevos perfiles que se requieren).
Así, en este ámbito se destacan los perfiles profesionales que la
Administración Pública debe potenciar para facilitar el diseño, la
implantación y el desarrollo de la gobernanza de datos. Para ello deben
incorporarse perfiles (o promover la transformación de profesionales
internos) de analistas de datos, científicos de datos, desarrolladores,
expertos en ciberseguridad, ingenieros de redes, y profesionales de los
sistemas de información, entre otros. Pero más allá de los perfiles
directamente vinculados a las actividades específicas de la gobernanza de
datos, para facilitar el trabajo con la nueva cultura del dato en su aplicación
a los procesos y procedimientos, a las dinámicas del conjunto de la
organización y, en definitiva, la transformación que implica, también resulta
imprescindible renovar capacidades técnicas y directivas de los diferentes
profesionales de la organización. Para ello es necesario invertir en la
formación y en los procesos de cambio cultural asociados al desarrollo de la
cultura de datos y su vinculación con la IA en la organización, incluyendo e
implicando a los colectivos que actuarán como usuarios de la misma.
 Sin embargo, circunscribir las propuestas de cambio de este componente a
las centradas en las competencias (incluyendo la formación y capacitación)
o en la definición e incorporación de nuevos perfiles y el desarrollo de
nuevos métodos de trabajo (y nuevos estilos de liderazgo), supone dejar de
lado la transformación substantiva que implica la gobernanza de datos y que
implica de lleno a los profesionales de la Administración Pública.
Transformar la cultura y las dinámicas hacia la gobernanza de datos
supone un cambio cultural en la importancia otorgada a los datos, con su
incorporación en los procesos decisionales. Para facilitar el cambio cultural,
las actuaciones en el ámbito de la gestión de los recursos humanos deben,
además de atender a las necesidades apuntadas en relación a definir puestos,
perfiles, competencias y capacitación, plantear una nueva estrategia de
desarrollo de este factor clave. Una transformación que debe iniciarse por la
propia planificación de las necesidades de personal en cuanto a perfiles y
dotaciones, atendiendo a la realidad de una organización digitalizada y
articulada alrededor del dato (y no del documento), y su reflejo en
dinámicas de reajuste de plantillas, reciclaje profesional y nuevas
incorporaciones. Una transformación que debe plantear cambios
substantivos en los procesos de reclutamiento y selección, más acordes al
tipo de perfiles que se desean atraer e incorporar, que incluyan la valoración
de los predictores de desempeño asociados a las nuevas funciones a
desarrollar, aunque potenciando la transmisión de valores públicos acordes
con la realidad de las administraciones. Pero tanto para poder atraer y
retener a nuevos profesionales como para valorar y potenciar el desarrollo
de los que ya forman parte de la Administración, deben transformarse
también los mecanismos de evaluación y reconocimiento del desempeño
profesional. Para configurar un ecosistema de gestión de recursos humanos
acorde con el modelo de gobernanza de datos que se plantea hay que definir
un sistema de evaluación del desempeño que atienda a los objetivos
planteados, pero también a la exploración de potenciales, precisamente
utilizando los datos de forma adecuada. Y configurar un sistema de
reconocimientos, tanto a partir del modelo retributivo como del modelo de
provisión y promoción, que ofrezca oportunidades de carrera profesional y
el despliegue de potenciales de forma flexible y adaptativa. Todo ello
acompañado de actuaciones en el campo de la comunicación (interna y
externa) del ámbito, como elemento crítico para promover el cambio
cultural que se propone.
La incorporación del factor humano y su gestión en el desarrollo de la
gobernanza de datos pasa, por lo tanto, por un cambio integral que incida en
la configuración del propio modelo de gestión de los profesionales que
integran la organización.

4.5. El modelo relacional en la gobernanza de datos

El quinto componente de la gobernanza de datos asociada al desarrollo de
la IA se refiere al tipo de interacción que se despliega por parte de la
Administración tanto con el resto de organizaciones públicas, como con las
del sector privado y el sector social, así como con la ciudadanía. Para ello
se destaca la configuración de ecosistemas de entidades públicas y privadas
que, a través del trabajo en red y la generación de sinergias, faciliten el
avance y consolidación de transformaciones.
Un ejemplo de la importancia otorgada al papel de este tipo de redes
aparece en la estrategia de IA de la Generalitat de Catalunya (Catalonia.AI,
<http://politiquesdigitals.gencat.cat/ca/tic/catalonia-ai>) donde al relatar las
capacidades disponibles se destaca el ecosistema del conocimiento, en el
que se ubican las universidades y los centros de investigación e innovación
que han desarrollado iniciativas en IA, el ecosistema de empresas
tecnológicas, destacando desde las del sector TIC y el sector propiamente
dicho de inteligencia artificial
(<https://www.accio.gencat.cat/ca/serveis/banc-
coneixement/cercador/BancConeixement/la-intelligencia-artificial-a-
Cataluña>), o las infraestructuras científicas, como el Barcelona
Supercompunting Center (<https://www.bsc.es/>) o l’Anella Científica
(<https://www.csuc.cat/es/comunicaciones/anella-cientifica>) del Consorcio
de Servicios Universitarios de Cataluña, entre otros.
Otro ejemplo lo ofrece el caso del Ayuntamiento de Barcelona, con una
estrategia que incluye la participación conjuntamente con la Generalitat de
Catalunya en organismos como el Centre of Innovation for Data tech and
Artificial Intelligence (CIDAI, <https://cidai.eu/>) o el BigDataCoE
(Centro de Excelencia en Big Data de Barcelona),
<https://www.bigdatabcn.com/>). En este entramado también surgen
fórmulas organizativas esencialmente privadas, pero en las que participa
indirectamente el Ayuntamiento, para promover actividades de producción
y análisis de datos y conocimiento. Interpretadas como boundary-spanning
organisations o BSO (Acuto et al., 2018), en el caso de Barcelona cabe
destacar organismos impulsados desde la corporación municipal como el
Urban i-Lab (<https://ajuntament.barcelona.cat/digital/es/innovacion-
digital/i-lab>, en políticas de desarrollo local e innovación social) o Escolab
(<http://escolab.bcn.cat/>, para el ámbito de la innovación, tecnología e
innovación), u organismos impulsados desde la iniciativa privada —pero
con presencia de la Administración local— como la Fundación i2Cat
(<https://www.i2cat.net/#home>) para la promoción de la innovación con
un componente tecnológico, o el 22@Barcelona y la asociación
22@NetworkBcn (<https://www.22network.net/associacio/>) que agrupa
organizaciones del distrito tecnológico del mismo nombre.
El reflejo de la importancia otorgada al modelo relacional también se da
en los procesos de creación y articulación de unidades centrales de datos. A
modo de ejemplo, una de las funciones que se destaca en la División
Oficina del Dato de la Administración General del Estado (AGE)
(<https://www.boe.es/diario_boe/txt.php?id=BOE-A-2020-10008>) es la
creación de espacios de compartición de datos entre empresas, ciudadanos y
Administraciones Públicas de manera segura. También en las funciones
asignadas a la Oficina Municipal de Datos (OMD) del Ayuntamiento de
Barcelona se apunta la integración de diversidad de fuentes de datos (y no
tan solo internas) (Ramió y Salvador, 2019).
Así, desde este componente se plantea el desarrollo de un enfoque
colaborativo a través de la creación de redes de actores tanto públicos como
privados, incluyendo también un rol activo de la ciudadanía. Su despliegue
implica crear y distribuir datos e información entre los actores implicados
en la red, coordinar actividades y compartir la toma de decisiones para
abordar los retos de forma colaborativa.
La combinación de la complejidad de ámbitos de actuación de la
Administración Pública conduce a la existencia de múltiples redes, que
pueden variar en términos de amplitud (según el número y tipología de
actores implicados, tanto interna como externamente) y de profundidad de
las relaciones de intercambio que se establecen entre estos (Mayne et al.
2020). En aras de propiciar el enfoque de gobernanza de datos que se
plantea, deben generarse trasvases entre estas redes, a modo de sinergias
que contribuyan al desarrollo de visiones más trasversales. Ello se puede
facilitar incorporando a dichas redes a la unidad central de datos de la
Administración, con un rol de acompañamiento y apoyo a la actividad,
aportando una visión de conjunto que complemente los enfoques
sectoriales.
El reto es muy importante precisamente debido a la diversidad de
realidades. Los procesos de colaboración en materia de datos con
determinados sectores y empresas suponen un reto especialmente complejo
cuando existen recursos y servicios públicos implicados en ello. Las
reticencias amparadas en argumentos como la seguridad o la privacidad, o
las estrategias que no apuestan por la colaboración real, plantean un límite
importante para consolidar una base a partir la cual construir soluciones
integradas.
La gestión de estas interacciones requiere establecer, por lo tanto, un
marco que clarifique roles y responsabilidades, así como aportes, acceso y
uso de los resultados. Clarificar estas instituciones para regular los procesos
de colaboración e intercambio resulta esencial para garantizar su
funcionamiento y aportar un valor conjunto que vaya más allá de la mera
suma de sus componentes.
En la configuración de este nuevo modelo relacional, que implica a
organizaciones de la sociedad civil pero también a la ciudadanía,
compartiendo datos, pero también responsabilidades y generando objetivos
comunes, la Administración Pública debe actuar como «orchestrator of
networked interaction and mutual learning», para estimular la innovación,
aumentar la capacidad operativa y fortalecer la legitimidad de la actuación
pública asociada (Crosby et al. 2017).
La integración de los cinco componentes ofrece un marco que permite
revisar diferentes iniciativas aplicadas en el campo de la IA, atendiendo a
cómo se integra la gobernanza de datos como factor crítico para asentar las
bases que faciliten su viabilidad.

5. REFLEXIONES FINALES A MODO DE CONCLUSIÓN

 El surgimiento de iniciativas sectoriales que utilizan la IA para la mejora
de los servicios y las políticas públicas ofrece una imagen del potencial de
este tipo de soluciones basadas en la tecnología. Por su carácter estratégico
resulta fundamental que el sector público no quede ajeno a la integración de
la IA en sus dinámicas de actuación. Para ello se plantea trascender de
respuestas acotadas y de carácter puntual e integrar la IA en la lógica de
funcionamiento de las Administraciones Públicas. Pero, ¿están preparadas
estas organizaciones para asumir e integrar, a nivel transversal, la IA? Para
sentar las bases de dicha integración se plantean una serie de propuestas que
parten de la importancia de los datos y su gobernanza.
La revisión conceptual que se ha ofrecido permite ilustrar, a través de los
diferentes tipos de aportes realizados sobre la IA en el sector público, la
importancia de los datos para su desarrollo. Sin embargo, su encaje resulta
diferente del habitual en la analítica tradicional. Entre las diferencias que
caracterizan el nuevo contexto cabe destacar el creciente volumen y
diversidad de datos, la velocidad con la que se producen y actualizan, las
nuevas conexiones entre ellos, unido a la sofisticación de las opciones
analíticas que ofrece nuevas potencialidades. El nuevo contexto implica
también nuevos riesgos como la necesidad de revisar la veracidad de los
datos, su calidad, su integridad y su trazabilidad, cuestiones vinculadas
especialmente a su confiabilidad, como punto de partida para la obtención
de resultados y soluciones válidas para la mejora de la actuación pública.
Para la extensión y desarrollo de la IA a nivel corporativo resulta esencial
contar con nuevas capacidades que aborden la gestión y uso de los datos.
En este contexto se destaca el concepto de gobernanza de datos, referida al
establecimiento de las reglas del juego que han de regir el ciclo vinculado a
la recopilación, depuración, ordenación, análisis e interpretación de datos,
para facilitar la elaboración de resultados y su posterior utilización,
implementación y evaluación de cara a su mejora.
Para la configuración de una gobernanza de datos vinculada al desarrollo
de la IA en el sector público se han destacado cinco componentes que
cubren la estrategia, la arquitectura e infraestructura de datos, la
organización, las competencias profesionales y la gestión de recursos
humanos, y el modelo relacional. La revisión de contenidos y la
formulación de propuestas para cada uno de los cinco componentes ofrece
una visión de lo que supone desarrollar la gobernanza de datos, y su
combinación con la aproximación conceptual permite destacar algunos
aprendizajes.
1) La importancia de establecer una estrategia a nivel corporativo que
permita poner en valor la importancia de los datos y su adecuada gestión,
incorporando las diferentes dimensiones de seguridad, privacidad, ética y
responsabilidad. Pero que también incorpore una clara referencia a los
demás componentes de la gobernanza de datos y su reflejo en las
capacidades institucionales que han de permitir la viabilidad de su
desarrollo.
2) La articulación de la arquitectura y la infraestructura de datos para
traducir, a nivel operativo, el valor del dato y su utilización, facilitando la
consolidación de procesos de intercambio interno y externo que permitan
generar sinergias a nivel corporativo y con el ecosistema de actores
vinculados.
3) La asignación de responsabilidades y su reflejo orgánico, pero también
a nivel de mecanismos de coordinación interna, con su reflejo en los
procesos de gestión, que faciliten la consolidación de la gobernanza de
datos, así como la implicación de las diferentes unidades para generar
aprendizajes compartidos. La adecuada combinación de centralización y
descentralización permite compartir este tipo de recursos y propiciar
innovaciones adecuadas a diferentes realidades.
4) La traducción de la importancia de la gobernanza de datos en el ámbito
de la gestión de recursos humanos, potenciando su reconocimiento en los
mecanismos de planificación de perfiles y dotaciones, selección,
socialización, formación, evaluación y retribución, como un valor que la
organización reconoce y estimula. Aquí los retos son especialmente
importantes debido a la distancia entre las lógicas y los ritmos de
transformación propios de la gestión de los profesionales en el sector
público en relación con los que se atribuyen a la gobernanza de datos. El
peso de inercias y una diversidad de actores internos y externos, con cierta
aversión al riesgo y poco proclives a alterar los equilibrios vigentes,
dificultan especialmente el cambio.
 5) El modelo de relaciones con los actores presentes en el ecosistema de
la gobernanza de datos y el desarrollo de la IA constituye otro de los
componentes a replantear. Por ejemplo, potenciando las capacidades del
sector público para establecer nuevos mecanismos de colaboración en los
que se potencie el intercambio de datos con las entidades privadas
implicadas, de modo que dichos datos reviertan en repositorios para su
posterior integración y utilización. O potenciar el seguimiento y evaluación
de las externalizaciones para que, por ejemplo, la información generada
revierta en el sector público que está financiando los servicios. O
reforzando las capacidades de las Administraciones Públicas para generar
iniciativas en clave de transparencia, rendimiento de cuentas y participación
con las entidades sociales, pero también con la ciudadanía, fomentando su
empoderamiento y al mismo tiempo su implicación responsable en el
desarrollo de políticas públicas.
Los aportes concretos realizados a cada uno de los cinco componentes de
la gobernanza de datos resultan importantes para sentar las bases de una IA
a nivel corporativo. Pero para que dichos avances sean coherentes y puedan
consolidarse resulta imprescindible que estén alineados con una estrategia
clara, integrada y compartida para el desarrollo de este ámbito. El tipo de
retos que plantea el despliegue de una gobernanza de datos implican un
cambio cultural profundo. Un factor intangible pero que se refleja
claramente en actitudes y posiciones de los diferentes actores en relación al
impulso de innovaciones como las que supone el imprescindible desarrollo
de la IA en las Administraciones Públicas.

BIBLIOGRAFÍA
A , M., S , K., I , E. y O -G , L. (2018). «Informing urban
governance? Boundary-spanning organisations and the ecosystem of urban data», Area, 51, pp. 94-
103. DOI: <https://doi.org/10.1111/area.12430>
A , A. y R B , M. G. (2016). «Technological unemployment: An approximation
to the Latin American case», en AD-minister, 29, pp. 59-78. DOI: <https://doi.org/10.17230/ad-
minister.29.3>
A , Z. y D , Z. A. (2019). «On big data, artificial intelligence and smart cities», en Cities,
89, pp. 80-91. DOI: <https://doi.org/10.1016/j.cities.2019.01.032>.
B , C. y C , T. (2012). «Exploring the SME Quandary: Data Governance in Practise in the
Small to Medium-Sized Enterprise Sector», en Electronic Journal of Information Systems
Evaluation, 15, pp. 3-13.
N , O. B., P J. S. y M S. (2019). «Why Governing Data Is Difficult: Findings from
Danish Local Government», en Elbanna A., Dwivedi Y., Bunker D., Wastell D. (eds.): Smart
Working, Living and Organising. (TDIT 2018. IFIP Advances in Information and Communication
Technology), vol. 533. Springer, Cham. DOI: <https://doi.org/10.1007/978-3-030-04315-5_2>.
B , M. y W , N. (2017). «Rapid developments in artificial intelligence: How might the New
Zealand government respond?», en Policy Quarterly, 13 (4), pp. 36-44. DOI:
<https://doi.org/10.26686/pq.v13i4.4619>.
C , D. y N , J. (2016). The promise of artificial intelligence. Center for Data Innovation.
Fecha de consulta: 04-09-2020. URL: <https://www.datainnovation.org/2016/10/the-promise-of-
artificial-intelligence/>.
C , P., D , S., D , A. V., K , C., P , V., S , S.,
T , V. y V , D. (2018). «Data Makes the Public Sector Go Round», en
Parycek P. et al. (eds.): Electronic Government. EGOV 2018. Lecture Notes in Computer Science,
vol. 11020. Springer, Cham. DOI: <https://doi.org/10.1007/978-3-319-98690-6_19>.
C , B. C., H , P. y T , J. (2017). «Public Value Creation through Collaborative
Innovation», en Public Management Review, 19 (5), pp. 655-669.
D K. C. (2018). «Delivering Artificial Intelligence in Government: Challenges and
Opportunities». IBM Center for the Business of Government. Fecha de consulta: 04-08-2020. URL:
<http://www.businessofgovernment.org/report/delivering-artificial-intelligence-government-
challenges-and-opportunities>.
D , K. C., D , G. S. y C , D. (2020). «Designing, developing, and deploying
artificial intelligence systems: Lessons from and for the public sector», en Business Horizons, 63
(2), pp. 205-213. DOI: <https://doi.org/10.1016/j.bushor.2019.11.004>.
G , R. D., N , S., S , G., y T , H. (2017). «Datification and its human,
organizational and societal effects: the strategic opportunities and challenges of algorithmic
decision-making», en Journal of Information Systems, 26 (3), pp. 185-190. DOI:
<https://doi.org/10.1016/j.jsis.2017.08.002>.
G , P., H , M., S , S. y R , P. (2017). «Putting artificial intelligence to
work». Munich, Germany: BCG Henderson Institute. Fecha de consulta: 04-09-2020. URL:
<https://www.bcg.com/de-de/publications/2017/technologydigital-strategy-putting-artificial-
intelligence-work.aspx>.
G -Z , F. y H , R. (2015). «The multiple meanings of open government data:
Understanding different stakeholders and their perspectives», en Government Information
Quarterly, 32 (4), pp. 441-452. DOI: <https://doi.org/10.1016/j.giq.2015.09.001>.
G , B. J., M , A., A , R., H , E., M , T., M , D. y S ,
Y. (2016). «Artificial intelligence and life in 2030: One hundred years’ study on artificial
intelligence». Stanford, CA: Stanford University. Fecha de consulta: 04-09-2020. URL:
<https://ai100.stanford.edu/sites/default/files/ai_100_report_0831fnl.pdf>.
G , K. (2020). «From Big Data to Big Performance — Exploring the Potential of Big Data for
Enhancing Public Organizations’ Performance. A Systematic Literature Review», en Swiss
Yearbook of Administrative Sciences, 11 (1), pp. 55-65. DOI: <https://doi.org/10.5334/ssas.140>.
J , M. (2019). «What we talk about when we talk about (big) data», en Journal of Strategic
Information Systems, vol. 28, pp. 3-16. DOI: <https://doi.org/10.1016/j.jsis.2018.10.005>.
K , C. (2020). «Understanding the interplay of artificial intelligence and strategic management:
four decades of research in review», en Management Review Quarterly. DOI:
<https://doi.org/10.1007/s11301-020-00181-x>.
K , V. y B , C. V. (2010). «Designing Data Governance», en Communications of the ACM,
53 (1), pp. 148-152.
K , G. H, T , S. y C , J. H. (2014). «Big Data Applications in the Government Sector: A
Comparative Analysis among Leading Countries», en Communications of the ACM, 57 (3), pp. 78-
85. DOI: <https://doi.org/10.1145/2500873>.
K , G. N. (2017). «The application of artificial intelligence in public administration for
forecasting high crime risk transportation areas in urban environment», en Transportation
Research Procedia, 24, pp. 467-473. DOI: <https://doi.org/10.1016/j.trpro.2017.05.083>.
K , M. y M , G. (2020). «AI governance in the public sector: Three tales from the
frontiers of automated decision-making in democratic settings», en Telecommunications Policy, 44
(6), pp. 1-13. DOI: <https://doi.org/10.1016/j.telpol.2020.101976>.
L , C. y P , A. (2015). «Reflections on Societal and Business Model Transformation
Arising from Digitization and Big Data Analytics: A Research Agenda», en The Journal of
Strategic Information Systems 24 (3), pp. 149-157. DOI:
<https://doi.org/10.1016/j.jsis.2015.08.002>.
L , R., H , W., G , M. y F , L. B. (2016). Intelligence Unleashed: An
argument for AI in Education. London: Pearson Education.
M , R. (2020). «La Oficina del Dato», El Consultor de los Ayuntamientos, III, pps. 99-110.
M , M. L. (2017). «Datification, Organizational Strategy, and IS Research: What’s the Score?»,
en The Journal of Strategic Information Systems, 26 (3), pp. 233-241. DOI:
<https://doi.org/10.1016/j.jsis.2017.08.003>.
M , Q., D J , J. y F -M , F. (2020). «State Capabilities for Problem-Oriented
Governance», en Perspectives on Public Management and Governance, 3 (1), pp. 33-44.
M , H. (2017). Artificial intelligence for citizen services and government. Cambridge, MA:
Harvard Kennedy School, Ash Center for Democratic Governance and Innovation. Fecha de
consulta: 04-09-2020. URL:
<https://ash.harvard.edu/files/ash/files/artificial_intelligence_for_citizen_services.pdf>.
N , S. y M , M. (2015). «Strategic opportunities (and challenges) of algorithmic
decision-making: a call for action on the long-term societal effects of “Datification”», en Journal
of Strategic Information Systems 24 (1), pp. 3-14. DOI:
<https://doi.org/10.1016/j.jsis.2015.02.001>.
N , A., M , K., N , E. T. y K , D. (2020). «Artificial
Intelligence, Transport and the Smart City: Definitions and Dimensions of a New Mobility Era»,
en Sustainability, 12, pp. 1-19. DOI: <https://doi.org/10.3390/su12072789>.
O , B. (2011a). «A morphology of the organization of data governance», en 19th European
Conference on Information Systems (ECIS2011), Helsinki, Finland, 9 al 11 de junio.
— (2011b). «Organizing Data Governance: Findings from the Telecommunications Industry and
Consequences for Large Service Providers», en Communications of the Association for
Information Systems, 29 (3), pp. 45-66. DOI: <https://doi.org/10.17705/1cais.02903>.
P , I., E , M. y J M , S. (2020). «Big Data and AI — A transformational
shift for government: So, what next for research?», en Public Policy and Administration, 35(1),
pp. 24-44. DOI: <https://doi.org/10.1177/0952076718780537>.
Q S , T. y M , R. (2019). «Mapping the challenges of Artificial Intelligence in the public
sector: Evidence from public healthcare», en Government Information Quarterly, 36 (2), pp. 368-
383. DOI: <https://doi.org/10.1016/j.giq.2018.09.008>.
Q , F. F., W , S. A. y D , P. (2017). «Social and ethical impact of artificial intelligence
on public: A case study of university students», en International Journal of Scientific Research in
Science, Engineering and Technology, 3 (8), pp. 463-467.
R , C. (2019). Inteligencia artificial y Administración pública. Robots y humanos compartiendo
el servicio público. Madrid: Los Libros de la Catarata. DOI:
<https://doi.org/10.24965/gapp.i22.10666>.
— (2018). «El impacto de la inteligencia artificial y de la robótica en el empleo público», en
GIGAPP Estudios Working Papers, 98, pp. 401‐421.
R , C. y S , M. (2019). Gobernanza social e inteligente. Una nueva organización para el
Ayuntamiento de Barcelona. Barcelona: Ajuntament de Barcelona.
S , T. y M , R. (2017). «Artificial intelligence and public healthcare service innovation: A
service ecosystem perspective», en The 40th Information Systems Research Conference in
Scandinavia, IRIS 2017. Halden, Norway: Ostfold University College.
S , D. y A , V. (2019). «Artificial Intelligence: Opportunities and Challenges for the Public
Sector», en Proceedings of the 12th International Conference on Theory and Practice of Electronic
Governance, pp. 418-426. Fecha de consulta: 04-09-2020. URL:
<https://dl.acm.org/doi/abs/10.1145/3326365.3326420>. DOI:
<https://doi.org/10.1145/3326365.3326420>.
T , A., C , A. y R , R. (2017). Artificial Intelligence and Public Policy. Arlington,
VA: Mercatus Center at George Mason University. Fecha de consulta: 04-09-2020. URL:
<https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3021135>.
U N (2018). UN E-Government Survey 2018. Fecha de consulta: 04-09-2020. URL:
<https://publicadministration.un.org/egovkb/Portals/egovkb/Documents/un/2018-Survey/E-
Government%20Survey%202018_FINAL%20for%20web.pdf>. DOI:
<https://doi.org/10.18356/f8a93d8f-en>.
V -C , D., R G , E., S A , R. y C , J. I. (2019). «A Review
of Artificial Intelligence in Government and its Potential from a Public Policy Perspective», en
Proceedings of the 20th Annual International Conference on Digital Government Research, pp. 91-
99. Dubai, United Arab Emirates, June 2019. DOI: <https://doi.org/10.1145/3325112.3325242>.
V -C , D., C , J. I., S -A , R. y R -G , E. A. (2020).
«Assessing the public policy-cycle framework in the age of artificial intelligence: From agenda-
setting to policy evaluation», en Government Information Quarterly 37 (4). Fecha de consulta: 04-
09-2020. DOI: <https://doi.org/10.1016/j.giq.2020.101509>.
W , K., O , B. y Ö , H. (2009). «One Size Does Not Fit All. A Contingency Approach to
Data Governance», en Journal of Data and Information Quality, 1 (1), pp. 1-26. DOI:
<https://doi.org/10.1145/1515693.1515696>.
W , B. W., W , J. C. y G , C. (2019). «Artificial Intelligence and the Public Sector—
Applications and Challenges», en International Journal of Public Administration 42 (7), pp. 596-
615. DOI: <https://doi.org/10.1080/01900692.2018.1498103>.
Y , R. K. (2018). Case study research and applications: design and methods. Thousand Oaks, CA:
SAGE.
Z , Y., H , Y., C , L., M , C., L , C. y Y , Q. (2018). «SmartHS: An AI platform for
improving government service provision», en The Thirtieth AAAI Conference on Innovative
Applications of Artificial Intelligence (IAAI-18), pp. 7704-7711. Fecha de consulta: 04-09-2020.
URL: <https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/view/16041/16369>. DOI:
<https://doi.org/10.1609/aaai.v34i08.7027>.