Del aprendizaje de las redes neuronales a la gobernanza algorítmica

Publicado por: Luis Enrique Guerrero Ibarra Fecha: 06 de Junio de 2026 Equipo: Gestión del Conocimiento Tema: Tecnología 45

Compartir Twittear

Del Aprendizaje De Las Redes Neuronales A La Gobernanza Algorítmica

Una mirada práctica a la Inteligencia Artificial

Por Luis Enrique Guerrero Ibarra.

La capacidad de aprender a partir de datos constituye una de las características más sobresalientes de las redes neuronales artificiales. Al dar una mirada detrás de aplicaciones cotidianas como asistentes virtuales, sistemas de recomendación o herramientas de apoyo a la toma de decisiones en organizaciones públicas y privadas, sobresale que existe un proceso matemático que permite a los modelos ajustar progresivamente su comportamiento para reducir errores y mejorar su desempeño. Lo que trae al frente, las palabras de Sainz-Pardo frente a procesos de innovación, al pensar la Administración Pública: "La IA debe ser una herramienta al servicio del bienestar colectivo, bajo supervisión humana, con trazabilidad, explicabilidad y respeto a los derechos fundamentales" (Pastor Sainz-Pardo, en Criado et al., 2026, p. 24). De este modo, este ensayo busca no solo entender cómo trabaja y alcanza el éxito una red neuronal, sino como podríamos aprovechar estas mismas capacidades para pensar en una administración pública más inteligente.

Uno de los mecanismos fundamentales del aprendizaje de las Redes Neuronales, es la regla delta. Su función consiste en modificar los pesos de las conexiones neuronales en función de la diferencia existente entre la salida obtenida y la salida esperada. Cuando la red comete un error, los pesos se ajustan para que en futuras iteraciones la respuesta se acerque más al resultado correcto. Sin embargo, este ajuste no ocurre de manera arbitraria. Y así mismo debe tratarse en la gestión pública: "Avanzar con rapidez, pero sin renunciar a sus principios y valores fundamentales" (Pastor Sainz-Pardo, en Criado et al., 2026, p. 23). El descenso de gradiente actúa como el método de optimización que guía estos cambios, buscando la dirección que reduce el error de forma más eficiente. Lo que en la gestión pública permite "Ofrecer un seguimiento sistemático y actualizado de los avances en la aplicación de la inteligencia artificial en los servicios públicos" (Criado et al., 2026, p. 23). Puede entenderse como un proceso similar al que seguiría una administración pública cuando evalúa continuamente sus servicios para identificar desviaciones y corregirlas mediante mejoras progresivas. "La innovación no puede ser solo tecnológica, sino también organizativa, ética y humana" (Criado et al., 2026, p. 24).

La aplicación correcta del descenso de gradiente fue posible gracias a la incorporación de la función sigmoidea. A diferencia de funciones de activación más rígidas, la sigmoidea es continua y derivable, lo que permite calcular matemáticamente cómo pequeños cambios en los pesos afectan el error total de la red. Esta propiedad hizo posible entrenar modelos más complejos y constituye uno de los avances que impulsó el desarrollo de las redes neuronales modernas. Al tratar problemas complejos, dando pequeños pasos prospectivos, impulsamos una gobernanza que impulse el desarrollo así, "La Administración debe ejercer hoy una gobernanza dual" (Criado et al., 2026, p. 25). De manera análoga, en el ámbito de la administración pública, la toma de decisiones basada en evidencia requiere procesos continuos de medición y evaluación que permitan ajustar políticas y servicios a partir de resultados observables. "Ambos mundos configuran una nueva realidad administrativa porque son complementarios" (Criado et al., 2026, p. 25).

El desafío real aparece cuando las redes neuronales incorporan capas ocultas. Mientras que en la capa de salida es posible comparar directamente el resultado obtenido con el esperado, en los nodos ocultos no existe una referencia inmediata que indique cuál debería ser su comportamiento. Lo mismo sucede en la gestión pública, "Abriendo la caja negra de la gobernanza pública mediada por algoritmos" (Criado et al., 2026, p. 4). Este problema fue durante años una de las principales limitaciones para el desarrollo de redes multicapa. Y no muy lejos en la Administración Pública, "Abordar la complejidad de la adopción de la IA en el sector público sin caer en simplificaciones ni tecnocentrismos" (Criado et al., 2026, p. 23).

La solución se dio mediante el algoritmo de retropropagación o Backpropagation. "Aprender, desaprender y reaprender" (Toffler, citado en Criado et al., 2026, p. 23). Este procedimiento permite distribuir el error desde la capa de salida hacia las capas ocultas, calculando cuánto contribuyó cada conexión al resultado final. Gracias a este mecanismo, todos los pesos de la red pueden ajustarse de manera coordinada. En la Administración pública la retro-propagación permite que, "La transformación digital sea también una transformación del empleo público proactivo, innovador e inclusivo" (Criado et al., 2026, p. 24). En términos prácticos, la retro-propagación actúa como un sistema de retroalimentación organizacional: cuando una institución detecta un problema en el servicio prestado, no basta con corregir el resultado final; también es necesario identificar qué procesos internos contribuyeron al error para implementar mejoras efectivas.

El algoritmo de retro-propagación se desenvuelve en varias etapas. Primero se realiza la propagación hacia adelante (forward pass), donde los datos atraviesan la red hasta producir una salida. En la gestión pública se traduce al pensar la innovación: "Cómo se despliega esta tecnología en el ámbito público" (Criado et al., 2026, p. 23). Posteriormente se calcula el error comparando la salida obtenida con la esperada. En una tercera fase, el error se propaga hacia atrás a través de las capas ocultas, permitiendo determinar el impacto de cada conexión. Consecutivamente, los pesos son actualizados utilizando el descenso de gradiente. Este ciclo se repite miles o incluso millones de veces hasta que la red alcanza un nivel aceptable de precisión. El fin que buscamos es que la innovación "Contribuya a mejorar los servicios públicos" (Criado et al., 2026, p. 24).

Empero, el aprendizaje de una red neuronal no depende únicamente de los algoritmos. La calidad de los datos resulta determinante. De este modo, es imprescindible en la gestión pública, exigir una "Buena gobernanza de los datos" (Criado et al., 2026, p. 24). Por esta razón, la preparación y normalización de los datos constituyen etapas esenciales antes del entrenamiento. Cuando las variables presentan escalas muy diferentes, algunas pueden dominar el proceso de aprendizaje y dificultar la convergencia del modelo. La normalización permite que todas las variables participen en condiciones similares, favoreciendo una mayor estabilidad y velocidad durante el entrenamiento. "El Espacio del Dato de la Administración del Estado, que maximiza el valor de los datos públicos bajo principios de confianza, interoperabilidad y seguridad" (Criado et al., 2026, p. 24).

Esta necesidad de trabajar con datos de calidad encuentra un interesante paralelismo con los procesos de transformación digital en las Administraciones Públicas. Según Criado, Villodre y Rodríguez Bolívar (2026), la adopción de la inteligencia artificial en el sector público requiere una adecuada gobernanza de los datos, garantizando su calidad, interoperabilidad y seguridad para generar valor público. "La inteligencia artificial ha dejado de ser una promesa tecnológica para convertirse en un factor estructural de transformación" (Criado et al., 2026, p. 23). Los autores señalan que las infraestructuras basadas en datos constituyen uno de los pilares fundamentales para el despliegue efectivo de soluciones de IA en las instituciones públicas (Criado et al., 2026, p.24).

El documento de la INAP, destaca que la inteligencia artificial debe entenderse como una herramienta complementaria a las capacidades humanas y no como un sustituto de estas. En palabras de los autores, existe la necesidad de promover un “complemento inteligente entre capacidades humanas y algorítmicas” (Criado et al., 2026, p.24). Esta idea coincide plenamente con el funcionamiento de las redes neuronales estudiadas, ya que los algoritmos pueden identificar patrones y optimizar procesos, pero la supervisión, interpretación y toma de decisiones finales continúan dependiendo de las personas. "Una Administración más inteligente, más humana y más abierta" (Criado et al., 2026, p. 26).

Desde esta perspectiva, comprender conceptos como la regla delta, el descenso de gradiente y la retropropagación no solo permite entender cómo aprenden las máquinas. También ayuda a comprender cómo la inteligencia artificial puede adoptarse de manera responsable en organizaciones complejas. Así como una red neuronal aprende mediante ciclos continuos de evaluación y ajuste, las instituciones públicas deben desarrollar capacidades para aprender de sus propios datos, mejorar sus procesos y generar servicios más eficientes, transparentes y centrados en las necesidades de la ciudadanía.

El estudio de las redes neuronales artificiales ofrece una enérgica metáfora para repensar la administración pública en la era de la inteligencia artificial. Aunque los conceptos de regla delta, descenso de gradiente, retropropagación o capas ocultas surgieron para resolver problemas computacionales, sus principios fundamentales hallan sorprendentes paralelos en los desafíos que enfrentan hoy las instituciones públicas. En ambos casos, el objetivo no es alcanzar la perfección inmediata, sino desarrollar la capacidad de aprender continuamente a partir de la experiencia, corregir errores y adaptarse a entornos complejos y aleatorios.

La regla delta nos enseña que el aprendizaje acontece cuando existe la capacidad de reconocer una diferencia entre lo esperado y lo obtenido. De manera similar, una administración pública inteligente debería evaluar permanentemente la brecha entre los resultados planificados y los resultados alcanzados, utilizando esa información para reajustar políticas, servicios y procesos. La mejora institucional no debería entenderse como un suceso aislado, sino como un proceso continuo de aprendizaje organizacional.

El descenso de gradiente aporta una segunda lección: los grandes problemas rara vez se resuelven mediante cambios abruptos. Las redes neuronales avanzan mediante pequeños ajustes sucesivos que reducen paulatinamente el error. En la gestión pública, este principio sugiere que las transformaciones más razonables suelen construirse mediante procesos iterativos de mejora continua, apoyados en evidencia y evaluación permanente, en lugar de reformas radicales desconectadas de la realidad institucional.

Las capas ocultas representan quizás una de las analogías más manifiestas. En una red neuronal, gran parte del aprendizaje ocurre en estructuras internas que no son visibles directamente. De forma semejante, detrás de cada servicio público existen procesos administrativos, dinámicas organizacionales, flujos de información y mecanismos de coordinación que constituyen las auténticas "capas ocultas" del Estado. Muchas veces los problemas observados por la ciudadanía son únicamente el síntoma visible de procesos internos que requieren ser comprendidos y transformados.

La retropropagación introduce una idea aún más fuerte: para mejorar un resultado no basta con observar el error final; es necesario rastrear sus causas y distribuir la responsabilidad del aprendizaje a través de todo el sistema. Esta lógica podría inspirar nuevas formas de evaluación pública, donde los errores no se conciban únicamente como fallas individuales, sino como oportunidades para revisar y optimizar el conjunto de procesos que los produjeron.

Desde esta perspectiva, la afirmación de Criado, Villodre y Rodríguez Bolívar (2026) sobre la necesidad de un "complemento inteligente entre capacidades humanas y algorítmicas" (p. 24) adquiere una relevancia personal. Las redes neuronales no reemplazan la inteligencia humana; amplifican determinadas capacidades mediante el aprendizaje basado en datos. Del mismo modo, las administraciones públicas del futuro no deberían querer sustituir a los servidores públicos por algoritmos, sino a construir organizaciones capaces de aprender mejor, decidir con mayor evidencia y adaptarse con mayor rapidez a las necesidades sociales.

Tanto las redes neuronales como las instituciones públicas dependen de un elemento fundamental: la calidad de los datos. Una red entrenada con datos deficientes genera decisiones deficientes. De manera análoga, una administración que carece de información confiable, interoperable y bien gobernada difícilmente podrá generar valor público de forma positiva. Por ello, la apuesta por una buena gobernanza de los datos no es únicamente una cuestión tecnológica, sino una condición indispensable para construir administraciones más inteligentes, transparentes y orientadas al aprendizaje.

El verdadero aporte de las redes neuronales a la gestión pública no consiste a secas en proporcionar nuevas herramientas tecnológicas. Su mayor contribución puede ser conceptual: enseñarnos que los sistemas más exitosos son aquellos que aprenden de sus errores, manejan la retroalimentación para mejorar continuamente y convierten los datos en conocimiento útil para la toma de decisiones. Quizás el reto más importante para la administración pública del siglo XXI sea esencialmente ese: dejar de funcionar como una estructura estática y comenzar a comportarse como una organización capaz de aprender, desaprender y reaprender de manera permanente, tal como lo hacen las redes neuronales que hoy impulsan la revolución de la inteligencia artificial.

Referencias

Criado, J. I., Villodre, J., & Rodríguez Bolívar, M. P. (Eds.). (2026). La adopción de la inteligencia artificial en las Administraciones públicas: Oportunidades y retos para una gobernanza algorítmica. Instituto Nacional de Administración Pública (INAP).

Sangüesa i Solé, R. (s.f.). Clasificación: Redes neuronales. Universitat Oberta de Catalunya (UOC).