Ejercicio técnico · RAG aplicado al sector público
De la información a la decisión: un RAG territorial para el Estado peruano
Un decisor pregunta qué priorizar en un distrito. Este prototipo cruza jerarquía geográfica, presupuesto, brechas e inversión existente, y genera una respuesta con evidencia y fuentes citadas — no una respuesta genérica.
⚠ Prototipo ilustrativo: las cifras de población, brechas y presupuesto por distrito son de demostración (no provienen de una conexión en vivo a MEF/INEI/MIDIS). El objetivo es mostrar el mecanismo retrieve → sintetizar → citar, no publicar cifras oficiales.
01Data LayerFuentes oficiales conectadas y estandarizadas por calidad y metadata.
02Geographic LayerRegión → provincia → distrito → centro poblado, normalizado por UBIGEO.
03RAG LayerFiltro por metadata + selección de la evidencia relevante para la pregunta.
04Versioning LayerPrioriza la información vigente sin perder trazabilidad histórica.
05AI LayerEl modelo sintetiza la evidencia recuperada — no inventa datos nuevos.
06Human-in-the-loopToda priorización queda marcada como propuesta sujeta a validación técnica.
0 · Un ejemplo real de buena gestión
Antes de la demo con distritos ilustrativos: un caso real que muestra el otro lado de la moneda — cuando la ejecución presupuestal sí funciona, y hay datos oficiales que lo respaldan.
Gobierno Regional de Junín
Lidera otra vez — y con un porcentaje aún más alto que el año pasado
65.4%
Avance en ejecución de inversiones, al cierre de julio de 2026 — el más alto entre los 26 gobiernos subnacionales del país
64.8%
Gobierno Regional de Ayacucho, segundo lugar
Junín ya había liderado el ranking nacional en 2025 con 50.5% de ejecución — en 2026 no solo repitió el primer lugar, sino que lo hizo con un avance aún mayor. Es una tendencia sostenida, no un resultado de un solo año.
Fuente: Gobierno Regional de Arequipa, Nota de Prensa oficial del 3 de agosto de 2026, citando Consulta Amigable del MEF
Amazonas y Loreto — el podio se mantiene reñido
Tres regiones distintas, todas por encima del 60%
63.8%
Gobierno Regional de Amazonas, tercer lugar
61.5%
Gobierno Regional de Loreto, cuarto lugar
Incluso el Gobierno Regional de Arequipa, en quinto lugar con 60.8%, lo reportó en su propia nota de prensa oficial con total transparencia — un gesto de rendición de cuentas que también merece reconocerse.
Fuente: Gobierno Regional de Arequipa, Nota de Prensa oficial del 3 de agosto de 2026, citando Consulta Amigable del MEF
A diferencia de un caso que señala un problema, esta es evidencia que se puede compartir libremente desde ya — incluso podría abrir una conversación de reconocimiento directo con el Gobierno Regional de Junín, que ya lleva dos años consecutivos liderando el ranking nacional, en vez de una crítica que primero necesita conversarse en privado.
1 · Demo interactiva — selecciona un distrito
Diez distritos elegidos a propósito por su contraste: Lima urbano, sierra urbana (Cusco, Junín), altiplano (Puno), costa norte (Piura), Amazonía (Loreto, Ucayali), sierra rural-minera (Apurímac) y sierra sur post-conflicto (Ayacucho) — para que el ejercicio no se resuelva solo con el caso fácil.
Contexto presupuestal regional — en vivo
Conectando con la API pública de Gestión Pública Perú…
❝ ¿Qué proyectos de infraestructura deberían priorizarse en este distrito? ❞
Recuperando y sintetizando evidencia…
Generado por reglas determinísticas · basado en la evidencia recuperada arriba
👤 Human-in-the-loop: esta priorización es una propuesta inicial. Requiere validación de la oficina de programación de inversiones antes de cualquier decisión.
2 · Arquitectura de este ejercicio: RAG sin vector store
Con un corpus pequeño y tabular (fichas de inversión por distrito), embeddings y un vector store son sobre-ingeniería. La recuperación aquí es determinística: filtro estructurado por metadata, no búsqueda semántica aproximada. Sigue siendo RAG — retrieval real que restringe y fundamenta la generación — solo que el "retriever" es un filtro exacto en vez de un índice vectorial.
1
Filtro por metadata (UBIGEO)La pregunta trae un distrito → se filtra determinísticamente por región/provincia/distrito/centro poblado. Cero ambigüedad, cero "casi-match".
2
Ensamblado de evidencia por fuenteSe arma un paquete de contexto con un solo registro por fuente (MEF, INEI, sector correspondiente) — no un ranking de similaridad, sino una unión de tablas ya resuelta.
3
Restricción del promptEl modelo recibe únicamente ese paquete y la instrucción explícita de no usar conocimiento externo ni inventar cifras fuera de lo entregado.
4
Generación con citación obligatoriaCada afirmación debe llevar la fuente entre paréntesis — la trazabilidad se exige en el prompt, no se infiere después.
5
Marca de validación humanaLa respuesta se etiqueta siempre como propuesta preliminar, nunca como decisión.
¿Cuándo sí haría falta un vector store?
Cuando el corpus deja de ser tablas estructuradas y pasa a ser texto largo no uniforme: miles de expedientes técnicos en PDF, informes de supervisión, normativa sectorial, actas de consulta previa. Ahí el filtro exacto no alcanza — hace falta búsqueda semántica (embeddings) + reranking para encontrar el fragmento relevante dentro de documentos que no comparten estructura.
El texto original lo describe bien: "búsqueda semántica + palabras clave + filtros por metadata + reranking". En un sistema real conviven ambos mundos — filtros exactos para lo tabular (presupuesto, UBIGEO, indicadores), y RAG vectorial para lo documental (expedientes, normativa, informes).
Regla práctica: no uses embeddings donde un WHERE de SQL resuelve el problema.
Este diseño no es solo una preferencia técnica — cada decisión responde a una obligación concreta de la Estrategia Nacional de Inteligencia Artificial (ENIA) 2026-2030 (R.M. N° 152-2026-PCM) y de la Ley N° 31814 / D.S. 115-2025-PCM que la reglamenta.
Trazabilidad
Citación obligatoria por fuente
Cada afirmación generada debe referenciar de qué fuente proviene — es el requisito de trazabilidad de cada respuesta que exige un sistema de IA institucional.
Supervisión humana
Marca explícita de "propuesta preliminar"
Ninguna salida se presenta como decisión final. Responde al principio de intervención y supervisión humana que reglamentos como el D.S. 115-2025-PCM exigen para sistemas de IA de alto impacto.
Estándares abiertos
Compatible con el futuro Catálogo IA Perú
La ENIA crea una plataforma para que el Estado comparta datos, modelos y herramientas bajo estándares abiertos — este ejercicio usa exactamente ese patrón: fuentes públicas, arquitectura documentada, sin caja negra.
Gestión de riesgos
El modelo no decide, sintetiza evidencia acotada
Restringir el prompt a datos entregados (no conocimiento general del modelo) es la mitigación más directa contra alucinación en un contexto de decisión pública.
3 · Lo que es genuinamente difícil
Para que la complejidad del proyecto quede clara si alguien quisiera llevarlo a producción real — esto es lo que no se resuelve con un buen prompt.
Fragmentación de fuentes
MEF, INEI, MIDIS, MTC, MINSA y MINEDU no comparten esquema
Cada sector define sus propias variables, periodicidades y formatos. Integrarlas de verdad requiere un equipo de datos dedicado a mapeo y limpieza, no un conector.
Calidad y consistencia del UBIGEO
El "identificador único" no siempre lo es
Cambios de demarcación territorial, códigos duplicados o desactualizados y centros poblados sin UBIGEO oficial rompen silenciosamente los cruces geográficos.
Versionamiento real
"Vigente vs. histórico" es más difícil de lo que suena
Un proyecto puede tener PIM modificado varias veces en el año; decidir qué versión es "la vigente" para efectos de decisión pública implica reglas de negocio, no solo timestamps.
Gobernanza y alucinación
El costo de un error no es solo técnico
Una recomendación de inversión pública mal fundamentada tiene costo político, presupuestal y legal. El human-in-the-loop es la parte más cara de construir bien, no un checkbox.
Interoperabilidad institucional
La tecnología no es el cuello de botella principal
Conseguir que cada entidad autorice, mantenga y actualice su API es un proceso administrativo e interinstitucional que típicamente toma más tiempo que el desarrollo del sistema.
Sostenibilidad del dato
Mantenerlo actualizado es el trabajo, no el lanzamiento
Un pipeline que corre un día es fácil; uno que sigue corriendo correctamente dos años después, con cambios de API y de personal, es la parte que casi nadie presupuesta.
En síntesis Este ejercicio demuestra el mecanismo (recuperar evidencia estructurada → restringir al modelo → citar fuentes → marcar validación humana) a escala de 10 distritos y datos de muestra. Escalarlo a los ~1,874 distritos del país con datos oficiales en vivo no es un problema de IA — es principalmente un problema de gobernanza de datos, coordinación interinstitucional y mantenimiento sostenido. La parte de inteligencia artificial es, de hecho, la más fácil de las seis capas.