El Salvador — IA para la Ciudadanía
Monitoreo del despliegue nacional de agentes sobre Gemini Enterprise · piloto de 50.000 licencias
Semanas 1–6 · 2 oct – 12 nov 2026
DEMO · datos sintéticos
¿La ciudadanía está adoptando la IA?
Sí: 68% de las licencias del piloto ya se activaron, por debajo del objetivo (80%) pero con la curva acelerando. La brecha está concentrada: emprendedores y estudiantes de bachillerato adoptan al doble de ritmo que la población general, y 1 de cada 5 activados no volvió después de la primera consulta — ahí vive la palanca de las próximas semanas.
Licencias activadas
34.150 / 50.000
68,3% · objetivo semana 6: 80%
Usuarios activos (WAU)
16.480 +9,2%
semana 6 vs semana 5
Consultas acumuladas
1,84M
11,4 consultas / usuario activo / semana
Usuarios recurrentes
14.220 28,4%
≥3 semanas distintas con uso
Agentes propios creados
14.700
por 9.400 ciudadanos (Gemini Agentes)
Curva de activación del piloto
Licencias activadas acumuladas por semana, contra el objetivo acordado de despliegue. Fuente: gemini_enterprise_user_activity + analytics de licencias (seats claimed).
Activaciones reales Objetivo de despliegue
Embudo de activación
De la licencia entregada al hábito.
6.500 usuarios (19% de los activados) hicieron una sola consulta y no volvieron. El 71% pertenece al segmento población general.
Adopción por segmento
% de licencias activadas por clúster de despliegue · semana 6.
Los clústeres de emprendimiento validan la hipótesis del despliegue: adopción 2,6× la de población general. Insumo directo para decidir los segmentos de la ola de enero.
Facciones de adopción
Segmentación por comportamiento (no demográfica) sobre los 34.150 activados: qué hace cada grupo frente a la herramienta.
Entusiastas · 17% — usan 5+ días/semana, crean agentes propios
Pragmáticos · 33% — 2–4 días/semana, tareas concretas (trámites)
Exploradores tardíos · 27% — ≤1 día/semana, consultas simples
Inactivos · 23% — activaron y abandonaron
Cada facción pide una estrategia distinta para la ola de 5M: a los entusiastas, herramientas de creación; a los pragmáticos, más trámites conectados; a los tardíos, AI Academy y onboarding guiado. El piloto es el experimento que dimensiona cada grupo.
Capacitación → uso (AI Academy)
Consultas semanales por usuario, según cursos completados en AI Academy. 21.400 inscriptos, 9.800 completaron al menos uno.
7,2
0 cursos
24.350 usuarios
24.350 usuarios
13,9
1–2 cursos
7.150 usuarios
7.150 usuarios
19,6
3+ cursos
2.650 usuarios
2.650 usuarios
Quien completa cursos usa la IA 2,7× más. Es correlación (no causalidad todavía): la semana 7 arranca un experimento con invitación aleatorizada a Academy para medir el efecto causal.
Consultas por dominio
Sobre qué consulta la ciudadanía · % de las 1,84M consultas ruteadas por el Agente Master.
Temas emergentes en uso general (detección sobre texto ya anonimizado): subsidios de transporte, requisitos de pasaporte, precios de canasta básica. Candidatos a próximos agentes especializados.
Insights · cuellos de botella detectados
Anomalía
Bachillerato quedó sin tokens 3 días de la semana 6
El clúster llegó al 96% de su tope y fue limitado jueves–sábado, mientras universitarios usó el 41% del suyo. 4.100 consultas rechazadas por límite.
Plan: rebalanceo de topes entre clústeres (−25% universitarios → bachillerato). Propuesta lista para enviar a Google. Proyección: 0 días con throttling.
Alerta temprana
Trámites de Educación: retrabajo 18% y escalado 15%
3,2× más re-preguntas que el resto de los agentes, concentradas en consultas de becas: el agente responde desde documentos desactualizados.
Plan: conectar una tool determinística al catálogo oficial de becas (API MINEDUCYT). Proyección: retrabajo −8 pp y −310M tokens/mes.
Señal de adopción
19% de los activados nunca hizo una segunda consulta
6.500 usuarios con una sola sesión. 71% del segmento población general; la primera consulta promedio duró <90 segundos.
Plan: onboarding guiado en la primera sesión + campaña AI Academy dirigida a la facción "exploradores tardíos".
¿Los agentes resuelven trámites de punta a punta?
El trámite estrella funciona: la finalización del formulario de apertura de empresas pasó de 43% a 71% con el agente asesor. El cuello de botella es Trámites de Educación: 18% de retrabajo por responder desde documentos desactualizados — es el agente a intervenir esta semana.
Resolución sin humano
79,4% +3,1 pp
consultas resueltas de punta a punta
Retrabajo promedio
11,8% ±0
re-preguntas sobre el mismo trámite
Escalado a humano
8,6%
derivaciones a ventanilla / call center
Latencia p50
3,1 s
primera respuesta · p95 9,4 s
Flota de agentes gubernamentales
Arquitectura jerárquica: el Agente Master rutea cada consulta al agente especializado. Métricas de las 6 semanas del piloto.
| Agente | Consultas | Resolución | Retrabajo | Escalado | Tokens/sesión | p50 | CSAT | Estado |
|---|---|---|---|---|---|---|---|---|
| Agente Master (router) | 1,84M | 91,2% ruteo | — | — | 640 | 1,9 s | — | Sano |
| Apertura de Empresas | 128k | 71,0% | 9% | 6% | 8.400 | 4,2 s | 88% | Sano |
| Asesor Fiscal | 306k | 78,2% | 14% | 11% | 5.900 | 3,6 s | 81% | Observación |
| Tutor AI Academy | 184k | 84,3% | 6% | 2% | 3.100 | 2,4 s | 92% | Sano |
| Trámites de Educación | 92k | 68,9% | 18% | 15% | 7.200 | 5,1 s | 74% | Intervenir |
Resolución = el ciudadano no repite la consulta ni escala en 7 días · Retrabajo = re-preguntas sobre el mismo trámite (misma sesión o retorno) · fuentes: gen_ai.choice, Cloud Trace, feedback del producto.
Trámite: apertura de empresa
Embudo del formulario con el agente asesor al lado. Antes del piloto, solo el 43% de quienes iniciaban llegaba al envío (57% de abandono).
+28 puntos de finalización vs línea base (marca gris = 43% histórico). Son ~3.500 empresas más que completan el trámite en 6 semanas. El paso "requisitos y documentos" sigue siendo donde más se abandona: el agente ya guía, la próxima iteración pre-carga documentos.
Eficiencia por agente: retrabajo × costo
Cada punto es un agente: horizontal = % de retrabajo, vertical = tokens por resolución exitosa. Abajo a la izquierda es mejor.
Trámites de Educación combina el retrabajo más alto con un costo por resolución 2,8× el de Academy. La causa raíz está diagnosticada (documentos desactualizados) y el plan de resolución está en la vista de Adopción.
¿Por qué escalan a humano? · top 5 motivos
Clasificación automática de las 158k derivaciones, sobre texto ya anonimizado.
"Caso fuera del catálogo" es la lista priorizada de los próximos agentes a construir: subsidios de transporte, pasaportes y pensiones encabezan el ranking.
¿El presupuesto de tokens está donde genera más valor?
No todavía. Bachillerato agotó su tope y fue limitado 3 días, mientras universitarios usa el 41% del suyo. La asignación dinámica entre clústeres — la propuesta de rebalanceo de abajo — recupera esa capacidad ociosa sin pedirle un token más a Google.
Tokens semana 6
1.610M / 1.750M
92% del tope semanal del piloto
Tokens por consulta
8,6k −7%
bajando por caché y tools deterministas
Tasa de caché
31%
respuestas desde caché · ahorro 210M tok/sem
Resolución por tool
22%
consultas resueltas con tool determinística
Costo por trámite
US$ 0,19
vs ~US$ 12,40 del trámite presencial*
Consumo semanal por clúster
Millones de tokens por semana, apilados por clúster. El consumo crece con la adopción: la pendiente es sana, el problema es la distribución del tope.
Bachillerato
Emprendedores
PyMEs
Universitarios
Empleados públicos
Población general
Uso del tope por clúster · S6
% consumido del tope asignado a cada clúster.
La asignación actual es estática y quedó desalineada con el uso real en 3 semanas. Con 5M de licencias este desbalance se multiplica ×100.
Propuesta de rebalanceo · lista para enviar a Google
Recomendación generada a partir del uso real (p95 de consumo por clúster, últimas 3 semanas). El tope total no cambia: se redistribuye.
| Clúster | Tope actual | Tope propuesto | Δ | Fundamento |
|---|---|---|---|---|
| Bachillerato | 505M | 660M | +31% | throttled 3 días · demanda insatisfecha 4.100 consultas |
| Emprendedores | 470M | 520M | +11% | proyección de saturación en 2 semanas |
| Universitarios | 430M | 320M | −26% | p95 de uso = 71% del tope propuesto |
| Población general | 345M | 250M | −28% | uso al 24% · sobra margen aún tras el recorte |
El operador aprueba con un clic y LeanGov genera el cambio de configuración de clústeres en el formato que pide Google, con vista previa, log de auditoría y ventana de rollback.
Palancas de eficiencia
Cuánto token ahorra cada estrategia ya activa · semana 6.
210M
Caché de
respuestas
respuestas
130M
Tools
deterministas
deterministas
74M
Ruteo por
complejidad
complejidad
41M
Compresión
de contexto
de contexto
Las 4 palancas ahorran 455M tokens/semana (22% del consumo bruto). Proyectado a 5M de licencias: el equivalente a ~1,1M de consultas diarias adicionales con el mismo contrato.
* Costo por trámite: estimación demo a tarifas de lista de Gemini. El dato real sale del acuerdo GOES–Google; la comparación presencial usa el costo estándar por gestión de ventanilla.
¿El sistema se mantiene seguro — y la data viaja sin exponer a nadie?
Los guardrails funcionan y mejoran: los bloqueos bajaron 39% desde la semana 1 tras ajustar los system prompts. Y una regla de oro: ningún texto crudo de la ciudadanía sale del entorno de Google — la de-identificación corre dentro del proyecto GCP del gobierno, antes de cualquier export.
Bloqueos por 10k consultas
3,7 −39% vs S1
Model Armor · 695 eventos en S6
Mensajes con PII detectada
12,8%
100% de-identificados antes del export
Volumen procesado
2,1 GB/día
logs conversacionales + traces + guardrails
Frescura del dato
31 min
p50 evento → dashboard · última ingesta hace 22 min
Guardrails · bloqueos por 10.000 consultas
Eventos de Model Armor (prompt + respuesta) normalizados por volumen. La caída de S1→S3 corresponde al ajuste de system prompts del agente máster.
Por categoría · semana 6
Fuente: SanitizeOperationLogEntry de Model Armor vía Cloud Logging. Alertas en tiempo real cuando una categoría se desvía >3σ de su línea base — al canal que defina GOES (correo institucional / webhook).
Privacidad: qué se detecta y de-identifica
Distribución de la PII encontrada en mensajes de la ciudadanía (473k mensajes con hallazgos sobre 3,7M procesados). Todo se reemplaza por tokens irreversibles para Leanmote antes de salir del proyecto GCP del gobierno.
Pseudonimización determinística (AES-SIV, llave del gobierno): el mismo ciudadano siempre produce el mismo token, así medimos usuarios únicos, retención y facciones sin poder identificar a nadie. La llave nunca sale de GOES.
Detectores: infoTypes de Google Cloud DLP + custom infoTypes para DUI y NIT (no existen built-in para El Salvador — los definimos nosotros con reglas de contexto para evitar falsos positivos).
Pipeline de datos · de Gemini Enterprise al dashboard
Todo lo sensible se procesa dentro del perímetro GCP del gobierno. Leanmote consume solo datos ya de-identificados, vía dataset vinculado (sin copia) y Pub/Sub para alertas.
1 · Fuentes (GCP GOES)
- user_activity — consultas por usuario y agente
- gen_ai.user.message / choice — conversaciones
- Cloud Trace — tokens por consulta (OTel)
- Model Armor — eventos de guardrails
- exportMetrics — licencias y adopción
2 · Bronze (GOES)
- Log sinks → BigQuery, crudo
- Retención según política GOES
- Base del data warehouse nacional
3 · De-identificación (GOES)
- Cloud DLP: DUI/NIT custom + built-ins
- Pseudonimización AES-SIV
- El texto crudo nunca cruza este punto
4 · Silver / Gold (compartido)
- Sesiones, trámites, retrabajo, facciones
- Dataset vinculado read-only (Analytics Hub)
- Pub/Sub → alertas en minutos
5 · LeanGov (Leanmote)
- Este dashboard + alertas
- Insights con plan de resolución
- MCP de consultas complejas
Estado del pipeline: última ingesta hace 22 min · frescura p50 31 min · 0 eventos perdidos en 6 semanas · export diario bronze al data warehouse de GOES a las 03:00 (última corrida OK).
Doble vía: las métricas curadas (gold) también se exportan de vuelta al DWH del gobierno para estadística pública — el mismo dato que ve este dashboard puede alimentar el portal de transparencia.
Consultas complejas en lenguaje natural · MCP LeanGov
Además del dashboard, el equipo de GOES puede conectar su propio asistente (Gemini, Claude, el que use el ministerio) al servidor MCP de LeanGov y preguntar sobre la capa gold — con el mismo scope y anonimización que rige acá. Ejemplos reales del piloto:
"¿Qué clústeres van a agotar su tope antes del domingo si siguen a este ritmo?"
Bachillerato (proyección: jueves, 96% ya consumido) y Emprendedores (proyección: sábado). Los demás cierran la semana bajo el 80%. Sugerencia: ejecutar el rebalanceo pendiente en la vista Tokens.
SELECT cluster, cap_tokens, SUM(tokens) usados,
fit_lineal(tokens ORDER BY dia) proy_domingo
FROM gold.consumo_diario_cluster
WHERE semana = '2026-W46' GROUP BY 1,2
"Compará la finalización del trámite de apertura de empresa entre quienes pasaron por AI Academy y quienes no."
Con Academy: 79% de finalización (n=3.120). Sin Academy: 67% (n=9.280). La brecha se concentra en el paso "requisitos y documentos" (+9 pp). Nota: población auto-seleccionada, el experimento de la semana 7 lo corrige.
SELECT hizo_academy, COUNT(*) n,
AVG(completo_envio) tasa_finalizacion
FROM gold.tramites_empresa t
JOIN gold.usuarios u USING (user_pseudo_id)
GROUP BY 1
El MCP expone herramientas tipadas (get_metricas, consulta_gold, proyectar_consumo) sobre la capa gold — nunca sobre bronze. Cada consulta queda en el log de auditoría con la identidad del funcionario.
LeanGov · demo para GOES — Gobierno de El Salvador. Todos los datos de esta página son sintéticos y simulan las primeras 6 semanas del piloto de 50.000 licencias (los nombres de fuentes y mecanismos de integración — Cloud Logging, Model Armor, DLP, Analytics Hub — son los reales de Gemini Enterprise). Leanmote © 2026.