Políticas conductuales inteligentes: Oportunidades y riesgos ético-políticos de la Inteligencia Artificial para el nudging

2.1. La Teoría del Nudging[Subir]

Un nudge es una «intervención, por parte de una institución privada o pública, que afecta al comportamiento de las personas al mismo tiempo que preserva totalmente su libertad de elección»^[1] (‍Sunstein, 2020a:4). El ejemplo canónico que se utiliza para explicar cómo funciona el nudging es el del GPS. Del mismo modo que el GPS sugiere la mejor ruta para llegar al destino que uno desea, sin que el hecho de rechazar la recomendación conlleve ningún tipo de consecuencia negativa; los nudges son un tipo de intervenciones que, aprovechando las limitaciones cognitivas humanas, nos ponen en el «buen camino» o la «buena dirección», sin consecuencias negativas para aquella persona que elige no seguir el camino recomendado. Por el carácter orientador de los nudges hacia ciertos objetivos o metas y, simultáneamente, su respeto por la autonomía y libertad individual de las personas, al nudging también se le denomina paternalismo liberal (libertarian paternalism) (‍Thaler y Sunstein, 2003; ‍Sunstein y Thaler, 2003; ‍Sunstein, 2014, ‍2020a). Por tanto, los nudges son mecanismos coercitivos alineados con los valores de las democracias liberales (‍Strabheim, 2020).

Como se ha señalado anteriormente, la práctica del nudging se basa en las premisas que aporta el campo de las ciencias del comportamiento, principalmente, el área de la psicología de la toma de decisiones. Y es que precisamente, con eso tiene que ver el nudging, con «dirigir» o, mejor dicho, «orientar», las decisiones de las personas en un sentido que les sea beneficioso. Así, el uso de los nudges surge de la aceptación de que las capacidades cognitivas humanas son «limitadas», y se podría entender como el intento por sacarle el máximo provecho a esta realidad (‍Gigerenzer, 2008, ‍2014). Este tipo de sesgos, heurística y atajos cognitivos, aunque algunos lo equiparan a poner el «modo automático» son el resultado de procesos evolutivos y adaptativos que nos permiten tomar decisiones rápidamente y que, con frecuencia, en contextos conocidos y repetitivos son de mucha utilidad. Esta sería la parte positiva de la racionalidad limitada. Sin embargo, estos mismos sesgos dificultan la toma de decisiones en contextos nuevos o donde la incertidumbre es relativamente alta, haciendo, en muchos casos, que las decisiones tomadas repercutan negativamente en nosotros mismos (‍Tversky y Kahneman, 2011; ‍Thaler y Sunstein, 2008; ‍Kahneman, 2011). Es, en este segundo escenario, dónde la aplicación de nudges resulta especialmente útil.

En función del tipo de estrategia que utilice o el tipo de heurística y/o limitaciones cognitivas en los que se basen, los nudges pueden tomar distintas formas. Concretamente se han identificado tres tipos de nudges (‍Güemes, 2017, ‍2021). En el primer tipo de nudges se encuentran todos aquellos que hacen referencia a conceptos, narrativas y maneras de entender el mundo que son fundamentales en el día a día de las personas. En este grupo, los nudges más usados son los que se encuentran enfocados hacia la resignificación o redefinición de ciertas prácticas. Algunos ejemplos serían el uso de porcentajes en vez de cifras concretas para mejorar la adhesión a cierto tipo de propuestas, por ejemplo, las de carácter fiscal; también encontraríamos en este grupo todas aquellas intervenciones orientadas a modificar patrones de conducta habituales en las personas, pero que por algún motivo se busca cambiar en un momento concreto. En este sentido se busca modificar tanto patrones aparentemente menores como hábitos más relevantes, es decir, desde dejar de fumar en espacios públicos hasta cambiar las prácticas habituales de festejo en grandes eventos.

En el segundo tipo de nudges encontraríamos los «que apelan a normas, valores o sentimientos de orgullo social donde se referencia claramente la conducta esperada y se utilizan aspectos de la psicología social que buscan que los individuos se ajusten al grupo» (‍Güemes, 2021:314). En este grupo de nudges se enmarcarían todas aquellas iniciativas orientadas, por ejemplo, a participar en las campañas de recaudación de impuestos, de reciclaje, el uso de mascarillas en espacio públicos, etc. Uno de los nudges más usados en este campo son los mensajes en los que se visibiliza, a través de imágenes o cifras, el alto nivel de adhesión ciudadana a ciertas prácticas. Finalmente, en el tercer tipo de nudges entrarían los que se basan de manera más directa y concreta en la inercia. En este grupo se engloban todas aquellas prácticas que aprovechan el automatismo que desarrollan los seres humanos en la realización de ciertas tareas, así como nuestra predisposición a elegir la opción más fácil y/o más accesible. Los nudges de este tipo más conocidos son, entre otros, la disposición de ciertos productos en los supermercados, el uso de determinados colores para mejorar las ventas de algunos artículos, la colocación de los alimentos más saludables en lugares más accesibles en los comedores, la introducción de opciones seleccionadas por defecto, etc. (‍Sunstein, 2014, ‍2020b).

2.2. Nudges en el sector público[Subir]

El uso de nudges es cada vez más frecuente en el sector público, una práctica que ha ido en aumento, principalmente, a partir de la década del 2010 y que se ha popularizado de manera más significativa en los últimos años. En esta sección presentamos una breve revisión de literatura sobre el uso nudges en la administración y las políticas públicas.

El auge de las ciencias del compartimiento ha convertido a este campo de estudio en un terreno fértil que permite aportar nuevas perspectivas a disciplinas afines como la ciencia política, las ciencias humanas y morales, etc. Este hecho ha producido un aumento de la producción académica en torno a este fenómeno, el nudging en el sector público, durante la última década. Por ello, la revisión de literatura que se ha realizado se ha limitado a todos aquellos artículos publicados entre el año 2010 y el 2021 incluidos en la base de datos de la Web of Science. Dado que el objeto de estudio de este trabajo son los nudges en el sector público, los artículos en los que estamos interesados son los publicados sobre el tema en revistas especializadas en las áreas de la administración pública, las políticas públicas y las relaciones internacionales. Otros criterios de búsqueda han sido la inclusión de la palabra «nudge», «nudges» y/o «nudging» en el abstract, las palabras clave y/o el título del artículo. Así pues, la sintaxis usada en la revisión de literatura ha sido la siguiente:

TS= ((«Nudges» OR «Nudge» OR «Nudging») AND («Public Policy» OR «Public Administration» OR «Political Science» OR «International Relations»)) OR TI=((«Nudges» OR «Nudge» OR «Nudging») AND («Public Policy» OR «Public Administration» OR «Political Science» OR «International Relations»)) OR AB=((«Nudges» OR «Nudge» OR «Nudging») AND («Public Policy» OR «Public Administration» OR «Political Science» OR «International Relations»)) OR AK=((«Nudges» OR «Nudge» OR «Nudging») AND («Public Policy» OR «Public Administration» OR «Political Science» OR «International Relations»)).

Después de eliminar todos aquellos artículos que aparecían duplicados y que no seguían los criterios de búsqueda mencionados anteriormente, la muestra final estaba compuesta por 41 documentos publicados en revistas de relaciones internacionales, administración y políticas públicas, en inglés (Tabla 1). En la Figura 1 se ilustra la distribución de las fechas de publicación de los artículos que componen la revisión de literatura. Podemos observar que la literatura académica sobre nudges empieza a ganar relevancia a partir del año 2015. Antes de esa fecha no se ha encontrado ningún artículo científico que cumpliese los criterios de búsqueda seleccionados. Al mismo tiempo, la Figura 1 ilustra el auge vivido en el estudio del nudging en el sector público a partir del año 2019, momento en el que se registra el máximo número de artículos publicados sobre el tema (15).

Aunque la literatura sobre nudges en el sector público es relativamente variada, la mayor parte se centra en las oportunidades y los retos que puede suponer la incorporación de estas herramientas procedentes de las ciencias del comportamiento en el ámbito de la administración y las políticas públicas (‍Schmidt, 2017; ‍Oliver, 2019; ‍Tummers, 2019; ‍Kuehnhanss, 2019; ‍Strassheim, 2021). En estos artículos se suele introducir el concepto de nudges, su vinculación con el campo de las ciencias del comportamiento y las distintas áreas o políticas concretas que podrían verse beneficiadas por el uso de este tipo de herramientas conductuales. Por ejemplo, Einfeld (‍2019) relaciona el uso de nudges en el sector público con un aumento de las políticas públicas basadas en evidencias; Visintin et al. (‍2021) propone el uso de nudges para aumentar la eficiencia en el trabajo de los street-level bureaucrats en políticas de bienestar, etc.

Entre los campos donde más se ha estudiado el uso de nudges o, más bien, la posibilidad de introducir nudges, es en el área de la salud pública (‍Thomann, 2018; ‍Esmark, 2019; ‍Prainsack, 2020). En ellos se suelen ilustrar distintas formas en las que el nudging podría cambiar las prácticas relacionadas con la salud por parte de la ciudadanía (‍Vlaev et al., 2016) de tal modo que estos pudiesen desarrollar fácilmente hábitos más saludables. También es interesante señalar que, aunque la búsqueda está limitada al año 2021, recientemente se ha observado un aumento en el número de artículos que promueven el uso de nudges para promover prácticas de salud pública acordes con las limitaciones y restricciones impuestas por los distintos gobiernos a raíz de la pandemia de la COVID-19 (‍Guan et al., 2021).

También hay algunos artículos, aunque estos son minoritarios en los que se estudia la aprobación ciudadana del nudging a través de encuestas (‍Sunstein et al., 2019), casos concretos en el uso de nudges (‍Gopalan y Pirog, 2017; ‍Turner et al., 2020) como, por ejemplo, en la donación de órganos (‍Moseley y Stoker, 2015); artículos en los que se sugieren cambios profundos en el sector público como resultado del nudging (‍Kasdan, 2019), etc. Finalmente, un número importante de artículos se centra en las limitaciones del nudging y en la necesidad de ir más allá de los enfoques tradicionalmente trabajados que suelen centrarse únicamente en el uso de nudges y olvidan otro tipo de herramientas conductuales (‍Mols et al., 2015; ‍Ewert, 2020; ‍Ewert y Loer, 2021). Estos enfoques críticos también se encuentran en temas relacionados con la salud, por ejemplo, Prainsack (‍2020) alerta sobre los peligros de la personalización introducida por el nudging en las prácticas médicas por problemas relacionados con la violación de la privacidad de los pacientes y una posible disminución en la eficacia de los tratamientos médicos.

2.3. IA en el sector público[Subir]

De forma más o menos paralela a la introducción del nudging, el sector público está viviendo en los últimos años una transformación que puede cambiarlo para siempre (de Sousa et al., 2019). Esta transformación está relacionada con la incorporación de nuevos grupos de tecnologías disruptivas, como la IA, en el ámbito de la gobernanza (‍Margetts y Dorobantu, 2019), la administración y las políticas públicas (‍Valle-Cruz et al., 2020; ‍Meijer y Grimmelikhuijsen, 2020), y la consecuente algoritmización de las estructuras burocráticas, la creciente dataficación (datafication) del sector público, etc. A partir de estos cambios se espera un incremento del potencial de acción de las instituciones públicas y el diseño de políticas públicas.

Debido a sus características propias, como el manejo de grandes cantidades de datos (big data), el uso de algoritmos inteligentes y el incremento significativo en las capacidades de procesamiento de datos (‍Russell y Norvig, 2016), la IA permite automatizar muchas tareas y operaciones, aumentando la eficacia y la eficiencia de las mismas, y al mismo tiempo, realizarlas con un grado de personalización muy alto, como, por ejemplo, sucede en el caso de los diagnósticos médicos (‍Sun y Medaglia, 2019) o en el seguimiento de ciertas enfermedades especialmente peligrosas (‍Greenemeier, 2014). Otras de las oportunidades más importantes que conlleva la introducción de IA en el sector público tiene que ver con las capacidades de este nuevo grupo de tecnologías para la detección en tiempo real de personas y/o hechos, así como la predicción de ciertos fenómenos. En este sentido son especialmente conocidas las aplicaciones de la IA al ámbito de la seguridad y la justica (‍Gasser y Almeida, 2017; ‍Misuraca y Van Noordt, 2020), donde la IA permitiría, por ejemplo, predecir las probabilidades de reincidencia de algunos delincuentes, detectar lugares especialmente peligrosos o hechos delictivos en tiempo real (‍Quest et al., 2018).

Sin embargo, todos estos cambios y transformaciones que prometen mejorar el sector público también conllevan numerosos problemas que dificultan seriamente la materialización de los planes de algoritmización. Más allá de los retos organizativos y administrativos implícitos en cualquier proceso de modernización del sector público, el tránsito hacia un nuevo modelo de gobernanza como el de la gobernanza algorítmica implica una serie de problemas ético-políticos que no pueden pasarse por alto si aspiramos a que este nuevo paradigma esté orientado en aras del bien común (‍Margetts y Dorobantu, 2019; ‍Coeckelbergh, 2020). En este sentido, la resolución de ciertos desafíos éticos como la explicabilidad (‍De Zárate-Alcarazo, 2022), el respeto por la autonomía humana y la privacidad (‍Véliz, 2021), la justicia y la no discriminación (‍De Zárate-Alcarazo, 2023), la transparencia (‍Burrel, 2016), etc., es una condición indispensable para garantizar un uso justo de la IA en el sector público. Además de estos, otro problema ético-político que ponen directamente en cuestión la viabilidad de la gobernanza algorítmica es la compatibilidad real de la transición tecnológica con la crisis climática (‍Almazán, 2021). Estas cuestiones, entre otras, ponen directamente en riesgo la viabilidad del uso masivo de la IA en el sector público.

En vistas a la resolución de estos problemas ético-políticos la Unión Europea (UE), lleva trabajando desde el año 2018 en un plan coordinado para la IA europea (‍Comisión Europea, 2018). El objetivo es garantizar que el uso de la IA en suelo europeo esté regido por un marco ético y legislativo común que permita asegurar los derechos de la ciudadanía europea en toda la Unión. Así, en el año 2019 la Comisión Europea publicó el Libro Blanco de la IA en la UE (‍Comisión Europea, 2019) donde recogía los principios éticos que debe cumplir cualquier sistema de IA que sea aplicado dentro de nuestras fronteras. Estos principios son: la explicabilidad de la IA (XAI), el no-daño, el respeto por la autonomía humana y la justicia. Para poder garantizar el cumplimiento de estos principios la UE ha desarrollado la primera legislación a nivel mundial en materia de IA (‍Comisión Europea, 2021). Dicha legislación diferencia entre cuatro tipos de IA en función del nivel de riesgo (inaceptable, alto, medio y bajo) que conlleva su uso en relación con la posible violación de derechos y libertades fundamentales. En base a la presente legislación, cada tipo de IA está sometido a unos controles regulatorios más o menos estrictos.

Todas estas características propias de la IA (eficacia, eficiencia, personalización, automatización, detección, predicción, etc.), así como el contexto que la hacen posible la convierten en un buen complemento para impulsar el uso de nudges en el sector público. Sin embargo, la presencia de distintos problemas éticos, como los mencionados anteriormente, supone un importante obstáculo de cara a hacer que las políticas conductuales inteligentes sean realmente viables dentro del marco de derechos y libertades que caracterizan a las democracias liberales europeas. Esta cuestión se desarrollará con más detalle en la sección 5 dedicada a las discusión de los resultados.

Políticas conductuales inteligentes[Subir]

El primer paso en el proceso de implementación de intervenciones conductuales, como son los nudges, es el de la definición de objetivos. Este momento es similar al de otros procesos como puede ser el agenda-setting en el proceso de elaboración de políticas públicas (‍Harguindéguy, 2013) y en él lo que se busca es, principalmente, identificar los problemas más relevantes y los comportamientos asociados a dichas problemáticas. De este modo, es posible establecer qué tipo de cambio se busca producir en el comportamiento de las personas, en cuánto tiempo sería razonable observar dicho cambio, así como otras cuestiones similares (‍BIT, 2014). En este sentido, el añadido de la IA a la práctica del nudging podría resultar muy útil en este primer momento del ciclo de tal modo que el número de respuestas positiva a las políticas de estímulo creciese.

La aplicación de algoritmos inteligentes capaces de hacer seguimiento de los debates en redes sociales y detectar las emociones que generan en tiempo real, aunque puede conllevar serios riesgos relacionados con la violación de la privacidad de los ciudadanos, el condicionamiento de los debates públicos, etc., (‍Lazer, 2015). También puede ayudar a mejorar la eficacia, eficiencia y precisión de las decisiones que se toman en este paso del proceso de implementación de nudges, principalmente, mejorando la selección de los problemas y comportamientos a tratar. Además, la capacidad de predicción de muchos de los sistemas de IA también podría ayudar a transformar este paso del proceso, así como la totalidad del mismo, haciendo posible adelantar las posibles consecuencias de las intervenciones antes de que tengan lugar. De este modo, se podrían evitar posibles errores, malas elecciones, así como los costes asociados a todo ello.

El segundo momento en el proceso del nudging se encuentra enfocado en la comprensión del contexto en el cual se produce el comportamiento y/o hábito que se busca orientar ya que, con frecuencia, las prácticas humanas son altamente dependientes del contexto y muchos nudges hacen uso de la disposición y colocación de elementos en un espacio determinado. Inicialmente, la forma habitual de conocer el contexto ha sido la de enviar personal a los escenarios seleccionados para poder estudiar el entorno en detalle y conocer las particularidades de las personas afectadas. En este sentido, la introducción de la IA y el tránsito hacia la aplicación de políticas conductuales inteligentes podría simplificar, agilizar y mejorar este paso de forma significativa a través del uso de softwares de reconocimiento facial, de objetos y del entorno, tecnologías de procesamiento del lenguaje natural y otros sistemas similares a los que ya se utilizan, por ejemplo, para realizar diagnósticos médicos (‍Sun y Medaglia, 2019). La aplicación de este tipo de tecnologías podría ser muy útil para identificar y evaluar el contexto en el cual se suele producir el comportamiento a orientar sin necesidad de que se desplacen personas. De este modo, además de las ventajas anteriormente mencionadas, se podrían abaratar significativamente los costes asociados a este paso.

Para ilustrar las oportunidades de la IA en este segundo momento del proceso de implementación de nudges puede ser útil referirse a uno de los ejemplos más usados en este campo, como es el del pago de impuestos. Recientemente, se ha demostrado que el uso de nudges puede ser útil para aumentar el número de personas que pagan impuestos a tiempo y siguiendo los cauces administrativos y legales más habituales (‍Hallsworth et al., 2017). En este sentido, la incorporación de la IA al nudging podría usarse, por ejemplo, para detectar qué personas suelen eludir el pago de impuestos, identificar posibles patrones en sus perfiles, mejorar la comprensión de los motivos por los cuáles deciden no pagar impuestos (a través del análisis del texto y emociones), cruzar datos de naturaleza emocional con datos fiscales, laborales o de otro tipo, etc., de tal modo que la comprensión del contexto fuera mucho más precisa.

El tercer paso del proceso es la intervención, y es el que propiamente constituye la aplicación del nudging y, por tanto, el núcleo central del marco desarrollado por el BIT. Como se ha mencionado anteriormente, este paso se conoce como EAST y consta de cuatro elementos a tener en cuenta y de cuya aplicación depende, a priori, la eficacia del nudge (Figura 2). A su vez, cada uno de los elementos del momento de la intervención, EAST, se basa en distintos sesgos cognitivos y heurísticas humanas. Esta característica es lo que convierte a los nudges en herramientas cognitivas que permiten orientar las prácticas humanas y transformar los hábitos de la ciudadanía en sentidos que les son más beneficiosos, al mismo tiempo que respetan su derechos y libertades (‍Behavioural Insights Team, 2012, ‍2014; ‍Sunstein, 2020a). En la aplicación de cada uno de estos cuatro elementos la incorporación de la IA también puede ser útil de tal forma que mejorase el paso de la intervención en su totalidad.

A continuación, haremos un repaso por cada uno de estos elementos y como la IA puede ayudar a transformarlos a mejor. La primera premisa del nudging es que la intervención tiene que ser fácil. Uno de los principales descubrimientos procedentes de las ciencias del comportamiento es que, con frecuencia, las personas dejamos de hacer ciertas tareas debido a pequeñas cuestiones que, por algún motivo, nos resultan tediosas (‍Sunstein, 2020b). En la mayor parte de estos casos las implicaciones no son muy importantes, pero puede haber situaciones en las que sí lo sea, de tal modo que facilitar ciertas tareas, o parte de ellas, puede marcar una gran diferencia y producir un cambio en los patrones de comportamiento. Algunos patrones que suelen repetirse y que responden a este tipo de lógica son, por ejemplo, la dificultad para cancelar la suscripción al gimnasio cuando esta se renueva automáticamente de forma mensual, mantener los ajustes que vienen por defecto en los teléfonos móviles cuando los compramos o no cambiar las tarifas de la energía, la luz o el teléfono. Estos ejemplos que pueden parecer menores, también se reproducen a mayor escala, por ejemplo, en el caso de la donación de órganos o la recepción de mensajes gubernamentales, etc. (‍Kahneman y Tversky, 1984; ‍Madrian y Shea, 2001; ‍Beshears et al., 2009).

La forma más común de hacer más fácil una tarea o la adscripción a ciertas prácticas suele ser a través del uso de reglas por defecto, el uso de mensajes simplificados y la reducción de trabas (friction costs) (‍Behavioural Insights Team, 2014:9). Algunas evidencias procedentes del sector público demuestran la eficacia de este tipo de prácticas. Por ejemplo, en Alemania el hecho de registrar, por defecto, a parte de la ciudadanía en una tarifa basada en energía eléctrica hizo que el número de personas inscritas a lo largo del tiempo se multiplicase por diez. Esto significa que la mayor parte de estas personas no se salieron del nuevo plan y decidieron quedarse con la opción marcada por defecto, que, a su vez, era la más sostenible (‍Ebeling y Sebastian, 2015). Por otro lado, en el año 2012 el gobierno del Reino Unido decidió empezar a inscribir automáticamente a sus trabajadores en un plan de pensiones (siempre con la opción de salirse del mismo libremente sin ningún tipo de consecuencia negativa). Esto ha tenido como resultado un aumento significativo del número de personas que pueden beneficiarse de estos servicios (Gobierno de Reino Unido, 2013).

En este sentido, la IA puede ser de gran utilidad por muchas razones. Primero, muchas de las tecnologías de IA pueden ser de gran ayuda a la hora de identificar cuáles son las principales dificultades que afrontan los ciudadanos en la realización de una tarea, algo que no siempre es fácil de determinar. Por ejemplo, el inscribirse en un plan de pensiones puede resultar difícil para algunas personas por la complejidad a la hora de entender sus implicaciones, la complejidad de los trámites, o simplemente por desconocimiento. Por ello, en lo que se refiere a mejorar la adhesión a ciertas prácticas, el uso de apps inteligentes y otras funciones derivadas de la mejorar en las capacidades tecnológicas puede ser de gran ayuda. Si podemos aceptar o cancelar nuestra suscripción a servicios públicos tan solo pulsando un botón, las posibilidades de rehuir ciertas prácticas por cuestiones de dificultad o tedio disminuyen (‍Bettinger et al., 2012). La IA también ser de gran ayuda en la simplificación de los mensajes y aportando información útil por ejemplo a través del uso de chatbots o asistentes de voz (‍Di Prospero et al., 2017).

Otro de los pilares del método EAST consiste en hacer que la adhesión a ciertas prácticas resulte atractiva para la ciudadanía. En este sentido el sector público se encuentra rezagado respecto del sector privado ya que este último es especialmente eficiente en la elaboración de grandes campañas de marketing. La tarea de hacer más atractivo un servicio o producto se suele realizar, principalmente, de dos formas. Primero, consiguiendo focalizar la atención en el producto o servicio que nos interesa promover. Esto se consigue haciendo visibles los costes y los beneficios de usar un producto o servicio a través de mensajes, colores, etc. Por ejemplo, a través del uso de etiquetas de color rojo en alimentos perjudiciales para la salud (‍Mehta y Zhu, 2009). En este sentido la IA puede ser especialmente útil para personalizar los mensajes de tal modo que cada persona reciba un mensaje adaptado a sus propias preferencias. La segunda forma de hacer más atractivo un servicio suele ser a través del diseño de mecanismos de incentivos y sanciones (estos últimos sin repercusiones legales), por ejemplo, transformando el sentido de algunos comportamientos a través de su «conversión» en juegos (gamification), inscribiendo a las personas que se registran para votar en las elecciones en una lotería, etc. Aquí la IA y el desarrollo tecnológico juegan un papel muy relevante ya que son elementos decisivos a la hora de habilitar la creación de plataformas interactivas que permitan que todos los ciudadanos participen en los «juegos», loterías, etc. Siguiendo con el ejemplo del pago de impuestos, una forma de incorporar la tecnología sería incluyendo a todas las personas que pagan impuestos, de forma automática, en una lotería.

Otro de los recursos cognitivos más eficaces y que con más frecuencia utilizamos es la validación social por parte del grupo al que pertenecemos. Por este motivo, tendemos a reducir nuestro consumo energético o reciclar cuando sabemos que otras personas de nuestro entorno también lo hacen. Consumimos productos y servicios que sabemos que le han sido de utilidad a nuestros allegados y conocidos, u otros ciudadanos con los que nos sentimos en igualdad de condiciones, ya sea por pertenencia a una misma ciudad, provincia, género, clase social, etc. (‍BIT, 2014:28). En base a la influencia social, que muchas veces pasa desapercibida, algunos recursos útiles que son habituales en la práctica del nudging son: mensajes en los que se muestra el porcentaje de personas que realizan una práctica deseable, como reciclar o pagar impuestos (‍Hallsworth et al., 2017), o la creación de redes de contacto personales a través de las cuales las personas pueden aportar sus impresiones sobre sus experiencia al hacer uso de un servicio o realizar una práctica concreta —algo que ha resultado muy útil en las prácticas relacionadas con la donación de órganos o en la asistencia a personas mayores. En este caso la incorporación de la IA puede ayudar a crear, facilitar y reforzar las redes de contactos a través del uso de algoritmos que recomienden personas que gustos y necesidades afines. También se pueden utilizar tecnologías de IA para proporcionar porcentajes detallados, y que hasta ahora eran difíciles de conocer, sobre la eficacia y la utilidad de ciertos servicios públicos, hacer recomendaciones mucho más personalizadas, etc.

Finalmente, para que los nudges sean eficientes es importante que estos sean precisos. Esto significa, principalmente, tres cosas. Primero, que se apliquen en el momento adecuado. Actualmente sabemos que las personas están más dispuestas a realizar cambios en sus formas de vida cuando viven momentos de transición como, por ejemplo, al mudarse de casa, casarse, tener un hijo, etc. (‍Thompson et al., 2011). Por ejemplo, mandar un mensaje personalizado, o incluso estandarizado, 10 días antes de que venza el plazo para pagar una multa ha demostrado ser un método eficaz para aumentar el número de personas que pagan (‍BIT, 2012). El uso de tecnologías de IA en este punto podría facilitar, agilizar y ayudar a determinar con mayor precisión la situación anímica de los ciudadanos y, por tanto, su disposición a recibir cierta información.

Segundo, para mejorar la precisión del nudging es importante centrarse en los costes y beneficios inmediatos. Es sabido que las personas evaluamos de forma más acusada todo aquello que sucede en el presente y tendemos a minimizar las consecuencias futuras (‍Zauberman et al., 2009). De ahí que tantas personas se decanten por estilos de vida poco saludables que implican el consumo de tabaco, grandes cantidades de alcohol y/o alimentos perjudiciales para la salud. En este punto, la IA puede utilizarse tanto como medio para proporcionar la información (chatbots), como asistir a los ciudadanos en el proceso de toma de decisiones a través de la realización de predicciones sobre las posibles consecuencias de sus actos. De este modo, se podría incidir en los beneficios y los costes de elegir ciertos comportamientos frente a otros. Por ejemplo, en el caso del pago de impuestos, haciendo visibles todas las posibles responsabilidades legales y problemas morales derivados del impago, así como el porcentaje de personas que son descubiertas realizando este tipo de infracciones. También se podrían hacer predicciones sobre las implicaciones positivas de pagar impuestos (porcentaje de personas sanadas a través de la seguridad social, número de niños escolarizados, etc.).

Tercero, otra forma de mejorar la precisión es a través de mecanismos que ayuden a los ciudadanos a planificar ciertos eventos que pueden ayudarles en su día a día. En este sentido las instituciones públicas podrían ser útiles para identificar situaciones en las que los ciudadanos necesitan un extra de ayuda para realizar una tarea. Por ejemplo, recordatorios para comer sano, pagar impuestos, etc. Aquí la IA puede ser especialmente útil para ayudar a los ciudadanos a planificarse de la manera más eficaz y eficiente a través de la identificación y conocimiento de sus hábitos, preferencias, experiencias previas, etc.

Finalmente, el último paso consiste en la evaluación del nudging, su eficacia y la introducción de posibles cambios de mejora (‍BIT, 2014). Al igual que en otros procesos de evaluación como el que tiene lugar en el ciclo de políticas públicas (‍Höchtl et al., 2016; ‍Valle-Cruz et al., 2020), podemos esperar que la incorporación de la IA en este último paso del nudging tenga consecuencias similares. La principal ventaja asociada al uso de tecnologías de IA en los procesos de evaluación es la posibilidad de análisis y procesamiento de la información en tiempo real. De este modo, es posible detectar irregularidades o problemas que no deberían tener lugar en el momento que suceden. Esta nueva característica permitiría transformar radicalmente la práctica del nudging ya que el proceso de evaluación no tendría que quedar reservado para el último momento, sino que podría incorporarse en todos los pasos del proceso de implementación. Aunque este sería el mayor cambio asociado a la incorporación de IA, también se podrían observar otras oportunidades como una mayor precisión en la medición de los resultados del nudging y en la identificación de errores, entre otras cosas.