La intel·ligència artificial no entén la teva organització si les teves dades no estan governades
La intel·ligència artificial només pot ser realment útil a les administracions si treballa amb dades governades, fiables i ben documentades. Sense governança de la dada, metadades, traçabilitat i ontologies compartides, la IA no aporta coneixement: simplement amplifica el desordre existent.
Estem entrant en una nova fase dins les administracions públiques en l’aplicació i introducció de la intel·ligència artificial. Ja no parlem només de provar eines de conversa o de generar textos de manera automàtica. Cada vegada més, les organitzacions públiques es plantegen i busquem la manera de connectar models de llenguatge, els coneguts LLM, amb les seves bases de dades, expedients, documents, indicadors, portals interns, gestors documentals i sistemes d’informació.
Aquest canvi és profund. Fins ara, molts usos de la IA generativa es basaven en preguntar a un model allò que “sap” a partir del seu entrenament general. Però una administració pública no pot dependre únicament del coneixement que un model ha après a partir de dades de tercers, pàgines web, documents públics o corpus generals. Una administració necessita que la IA treballi amb el seu propi coneixement institucional: les seves dades, els seus procediments, els seus criteris, les seves fonts oficials i el seu context organitzatiu.
Aquí apareix una idea clau: la governança de la dada és més important que mai en l’era de la intel·ligència artificial.
No perquè sigui una moda metodològica. No perquè soni bé en un pla estratègic. Sinó perquè, si volem que els models d’IA siguin útils, fiables i segurs, necessiten connectar-se a dades ben definides, ben documentades, ben protegides i ben gestionades.
Dit d’una altra manera: els models LLM poden aportar capacitat lingüística, raonament general i automatització; però el coneixement institucional ha de venir de les dades, governades, de l’organització.
No n’hi ha prou amb triar un bon model
En els darrers mesos s’ha parlat molt de models oberts, models públics, models transparents i models auditables. És un debat imprescindible. Les administracions públiques no haurien d’utilitzar qualsevol model d’intel·ligència artificial. Cal saber qui l’ha desenvolupat, amb quines dades s’ha entrenat, quina llicència té, quins biaixos presenta, si es pot desplegar en entorns controlats i si disposa d’una fitxa tècnica suficient.
Aquesta és la primera capa de la IA pública: la governança del model.
Però hi ha una segona capa igualment important: la governança de les dades que posem a disposició del model.
Podem triar un LLM obert, europeu, ben documentat i desplegat en una infraestructura pròpia. Però si aquest model consulta dades desordenades, duplicades, obsoletes, incompletes o sense definició comuna, el resultat continuarà sent fràgil. La IA pot generar una resposta molt ben redactada, molt convincent i aparentment sòlida, però basada en informació incorrecta o mal contextualitzada.
Aquest és un dels grans riscos de la IA generativa aplicada a l’administració: la capacitat de produir respostes molt segures sobre dades poc fiables.
Per això, la pregunta no és només: “quin model utilitzarem?”. La pregunta realment estratègica és: quines dades internes tenim preparades per connectar-les a aquest model?
Els LLM no coneixen la realitat interna de l’administració
No sap quin és l’expedient vigent. No sap quina és la font oficial d’un indicador. No sap si una base de dades està actualitzada. No sap quin departament és responsable d’una dada. No sap si un document és una versió preliminar o definitiva. No sap si una dada es pot consultar lliurement o està protegida per restriccions d’accés. No sap si dos camps amb noms semblants volen dir el mateix o coses diferents.
Aquesta informació no la pot inventar el model. L’ha de proporcionar l’organització.
I aquí és on la governança de la dada es converteix en una infraestructura crítica per a la IA.
Quan una administració disposa d’un catàleg de dades, un glossari de termes, un diccionari de dades, responsables identificats, criteris de qualitat, regles d’accés, traçabilitat i metadades, està construint les condicions perquè la IA pugui treballar amb coneixement fiable.
Sense aquesta base, el model només veu fragments d’informació. Amb governança, pot entendre millor el context.
No sempre entrenem el model: sovint el connectem a les dades
És important aclarir un punt tècnic. Quan diem que volem utilitzar les nostres dades amb models d’IA, no sempre vol dir que vulguem entrenar un model des de zero. De fet, en la majoria de casos això no serà necessari ni eficient.
Hi ha diverses maneres de fer que un model treballi amb dades internes:
- Incorporar informació dins del mateix prompt. És el cas més senzill: donem al model un text, una taula o un fragment documental i li demanem que l’analitzi, el resumeixi o l’estructuri.
- Utilitzar arquitectures RAG, és a dir, sistemes de recuperació augmentada per generació. En aquest cas, el model no respon només amb el seu coneixement general, sinó que abans consulta documents, bases de dades, manuals, normatives internes o repositoris corporatius. Després utilitza aquesta informació recuperada per generar una resposta més contextualitzada.
- Connectar el model amb APIs, consultes SQL, catàlegs de dades o capes semàntiques. Aquí el model pot actuar com una interfície intel·ligent que ajuda a formular preguntes, recuperar informació o interpretar resultats.
- Fer fine-tuning, és a dir, ajustar un model amb exemples propis perquè aprengui millor una tasca concreta, un estil de resposta o una classificació determinada.
- Entrenar un model propi - molt més costosa. Aquesta opció només té sentit en casos molt específics, amb molts recursos, dades ben preparades i una estratègia tecnològica molt clara.
Per tant, l’objectiu no és necessàriament “entrenar” sempre els models amb les nostres dades. L’objectiu és més ampli: fer que els models puguin consultar, interpretar i utilitzar correctament les dades governades de l’organització.
Si les dades no estan governades, la IA amplifica el desordre
La IA no resol automàticament els problemes de dades d’una organització. De fet, pot fer-los més visibles i més greus.
Si tenim dades duplicades, la IA pot donar respostes contradictòries. Si tenim camps mal definits, pot interpretar-los de manera errònia. Si tenim documents obsolets, pot recuperar informació que ja no és vàlida. Si no tenim metadades, pot no saber d’on prové una informació. Si no tenim responsables de dades, ningú podrà validar si la resposta generada és correcta. Si no tenim control d’accessos, podem exposar informació que no hauria de ser visible. Si no tenim criteris de qualitat, no podrem distingir entre una dada fiable i una dada dubtosa.
Això és especialment delicat en l’administració pública, perquè les dades no són només un actiu operatiu. Són la base de serveis, tràmits, drets, obligacions, decisions, polítiques públiques i rendició de comptes.
Un exemple senzill: imaginem un ajuntament que vol utilitzar un assistent d’IA per respondre preguntes internes sobre l’estat dels expedients. El model pot estar molt ben triat. Pot ser obert, desplegat localment i amb una bona fitxa tècnica. Però si el sistema d’expedients no té dades actualitzades, si hi ha documents en carpetes disperses, si no hi ha criteris comuns sobre l’estat de tramitació o si els permisos no estan ben configurats, l’assistent pot acabar donant respostes incorrectes o exposant informació inadequada.
En aquest cas, el problema no és el model. El problema és la base informacional sobre la qual treballa.
La IA no converteix dades dolentes en bones decisions. Pot ajudar a trobar, resumir i interpretar dades. Però si les dades de partida són febles, la resposta també ho serà.
Governar dades és donar context a la intel·ligència artificial
Governar les dades no vol dir només tenir una base de dades ordenada. Vol dir establir responsabilitats, significats, regles i garanties.
Vol dir saber quines dades existeixen, on són, qui les gestiona, qui les pot utilitzar, amb quina qualitat, amb quina finalitat i sota quines condicions. Vol dir tenir un inventari de dades, un catàleg, un glossari de negoci, un diccionari tècnic, criteris de qualitat, polítiques d’accés, traçabilitat, llinatge i mecanismes de protecció de dades personals i, el més important de tot, tenir les metadades ben gestionades.
Aquests elements, que fins fa poc podien semblar molt interns o metodològics, esdevenen fonamentals quan connectem les dades a models LLM.
Per exemple, un glossari de dades ajuda el model a entendre que “habitant”, “resident”, “persona empadronada” i “usuari del servei” no sempre volen dir el mateix. Un diccionari de dades ajuda a interpretar correctament camps, codis, formats i valors. El linatge permet saber d’on surt una dada i quines transformacions ha patit. Les regles de qualitat permeten saber si una dada és completa, coherent, actualitzada o vàlida. Les polítiques d’accés eviten que el model consulti informació que un usuari no hauria de veure.
En aquest sentit, la governança de la dada és la capa que converteix les dades en coneixement utilitzable per la IA.
Sense governança, el model rep informació. Amb governança, el model rep context.
La nova equació: models governables i dades governades
La IA pública fiable necessita dues peces que s’han de treballar conjuntament.
D’una banda, necessitem models LLM oberts, transparents, auditables i governables. Models amb fitxa tècnica, llicència clara, documentació sobre dades d’entrenament, proves de biaix, condicions de desplegament i possibilitat de control institucional.
De l’altra, necessitem dades internes governades. Dades catalogades, documentades, protegides, traçables, amb qualitat i amb responsables identificats.
La nova equació seria aquesta:
models governables + dades governades = IA pública fiable
Si només tenim models potents, però dades febles, tindrem respostes sofisticades sobre una base insegura. Si només tenim bones dades, però no disposem de models adequats, desaprofitarem part del potencial de la IA. La clau és combinar les dues coses.
Aquesta visió també ens ajuda a evitar una dependència excessiva de les dades de tercers. Els grans models de llenguatge han estat entrenats amb enormes quantitats d’informació general, però aquesta informació no substitueix el coneixement propi d’una administració. El model pot conèixer el món, però no coneix necessàriament la teva organització.
Per això, una administració no hauria de delegar la interpretació de la seva realitat interna en el coneixement genèric d’un model. Ha de posar a disposició de la IA les seves pròpies fonts oficials, però fer-ho de manera segura, privada, governada i traçable.
Metodologia de treball: com preparar les dades per a la IA
La pregunta pràctica és: per on començar?
El primer pas és identificar els casos d’ús. No té sentit “connectar-ho tot” a un model d’IA. Cal començar per problemes concrets: classificació d’instàncies, cerca documental, resum d’expedients, consulta d’indicadors, suport a la redacció, anonimització, traducció o atenció interna.
El segon pas és identificar les fonts de dades que alimentarien cada cas d’ús. Poden ser bases de dades, documents PDF, gestors d’expedients, fulls de càlcul, portals de dades obertes, repositoris documentals o aplicacions corporatives.
El tercer pas és avaluar la qualitat i la fiabilitat d’aquestes fonts. Estan actualitzades? Tenen duplicats? Hi ha camps buits? Els codis estan normalitzats? Les dades són oficials o provisionals? Hi ha dades personals? Qui valida la informació?
El quart pas és documentar les dades. Aquí entren el catàleg, els metadades, el glossari, el diccionari, el linatge i les regles de negoci. Sense aquesta documentació, el model pot accedir a dades, però no necessàriament comprendre-les correctament.
El cinquè pas és establir permisos i controls d’accés. La IA no ha de poder veure més informació que la persona o rol que la utilitza. Si un tècnic no pot accedir a determinats expedients o dades personals, el model tampoc hauria de poder fer-ho en nom seu.
El sisè pas és definir el mecanisme tècnic de connexió: RAG, API, consultes SQL controlades, capa semàntica, motor de cerca documental o integració amb el catàleg de dades. Aquesta decisió ha de dependre del cas d’ús, del nivell de risc i de la maduresa de les dades.
El setè pas és mesurar i auditar. Cal comprovar si les respostes són correctes, si el model cita les fonts adequades, si respecta els permisos, si genera errors, si al·lucina, si recupera documents obsolets o si introdueix biaixos.
Aquesta metodologia evita una aproximació improvisada i permet avançar amb garanties.
Exemples aterrats a la realitat administrativa
Pensem en la classificació d’instàncies genèriques. Un model LLM pot llegir el text que escriu la ciutadania i proposar una categoria administrativa. Però perquè això funcioni bé, cal tenir un esquema clar de categories, unitats responsables, criteris de derivació, exemples validats i un historial de casos ben classificats. Si cada departament utilitza criteris diferents, el model aprendrà o reproduirà aquesta incoherència.
Un altre exemple seria un assistent per consultar indicadors municipals. El model pot respondre preguntes com “quina ha estat l’evolució de la recollida selectiva?” o “quins barris tenen més expedients oberts?”. Però abans cal saber quina és la font oficial de cada indicador, com es calcula, amb quina periodicitat s’actualitza i quines limitacions té. Sense un glossari d’indicadors, el model pot donar una resposta aparentment correcta però metodològicament equivocada.
Posem el focus ara en la contractació pública. Un LLM pot ajudar a preparar un esborrany de plec tècnic o a resumir contractes anteriors. Però si els documents no estan ben classificats, si no sabem quina versió és vigent, si no hi ha metadades sobre objecte, CPV, imports, terminis o criteris d’adjudicació, el model pot barrejar informació i generar un text poc fiable.
Pensem, finalment, en la publicació de dades obertes. La IA pot ajudar a detectar camps sensibles, generar metadades, proposar descripcions o millorar la qualitat del dataset. Però només ho farà bé si existeixen criteris de publicació, vocabularis comuns, responsables de dades i controls d’anonimització.
Aquests exemples mostren una idea molt simple: la IA pot accelerar processos, però necessita que l’organització hagi fet abans la feina de posar ordre, significat i responsabilitat sobre les dades.
La governança de la dada deixa de ser invisible
Durant anys, la governança de la dada ha estat una disciplina poc visible. Sovint s’ha associat a inventaris, diccionaris, qualitat, metadades o rols interns. És a dir, a una feina necessària però poc vistosa. La IA canvia aquesta percepció.
Quan una organització vol desplegar models LLM, descobreix ràpidament que el valor no depèn només de la tecnologia. Depèn de la qualitat del coneixement que pot posar a disposició del model. I aquest coneixement no apareix de manera espontània. S’ha de construir, mantenir i governar.
Per això, la governança de la dada deixa de ser una funció de back office i es converteix en una peça estratègica de la transformació digital. Ja no és només una qüestió de compliment, qualitat o eficiència interna. És la base sobre la qual es pot desplegar una IA fiable, útil i alineada amb el servei públic.
Cap a la interoperabilitat semàntica total: parlar el mateix idioma
Aquest exercici de governança no pot fer-se de portes endins ni de manera aïllada. Si cada ajuntament o organisme públic defineix les seves dades, taules i camps amb criteris propis i inventats, acabarem creant centenars d’illes digitals incompatibles entre si. Perquè la intel·ligència artificial pugui extreure tot el seu potencial analític, creuar informació territorial i automatitzar processos a escala real, cal que publiquem i treballem amb conjunts de dades cenyits a estàndards d’ontologies obertes.
En l’àmbit local, les ontologies i vocabularis de la FEMP representen un punt de partida immillorable i, en la gran majoria dels casos, més que suficient. Ofereixen una estructura comuna, clara i perfectament assumible per a la realitat municipal per descriure des de pressupostos o contractes menors fins a equipaments o activitats. Aquest ecosistema conviu i s’enllaça de manera natural amb marcs d’abast global com els Smart Data Models, claus per a la gestió de ciutats intel·ligents, mobilitat i sensors, o les grans ontologies de la Unió Europea (com SEMIC, els Core Vocabularies o l’eProcurement Ontology).
Adoptar aquests estàndards compartits ens atorga un format universal d’expressió: aconseguim que totes les administracions parlem exactament el mateix idioma tecnològic i semàntic. Això no només estalvia recursos perquè permet reutilitzar directament la feina, les consultes, els connectors i els desenvolupaments fets per altres institucions, sinó que ens acosta a un escenari abans utòpic i avui indispensable: la interoperabilitat semàntica total, on tant les persones com els models d’intel·ligència artificial poden entendre, comparar i connectar el coneixement públic sense barreres.
Repasem les idees principals
La primera idea és que els models LLM oberts i governables són una condició important, però no suficient. Cal triar bé el model, però també preparar bé les dades.
La segona idea és que els LLM no coneixen per defecte la realitat interna de l’organització. Necessiten connectar-se a fonts oficials, actualitzades i ben documentades.
La tercera idea és que no sempre entrenem models amb les nostres dades. Sovint els connectem a documents, bases de dades, APIs o catàlegs mitjançant arquitectures RAG o agents controlats.
La quarta idea és que les dades mal governades generen IA poc fiable. La IA no arregla automàticament el desordre; sovint el fa més ràpid, més visible i més difícil de controlar.
La cinquena idea és que la governança de la dada aporta context, qualitat, responsabilitat, permisos i traçabilitat.
La sisena idea és que la IA pública fiable necessita una doble governança: la del model i la de les dades.
La setena idea és que les administracions públiques no poden dependre només del coneixement genèric dels models. Han de construir una IA connectada al seu propi coneixement institucional.
La vuitena idea és que governar no és fer-ho sols: cenyir-se a ontologies obertes (com les de la FEMP, la UE o els Smart Data Models) ens permet parlar el mateix idioma i assolir una veritable interoperabilitat semàntica.
Conclusió: sense dades governades i interoperables no hi ha IA pública fiable
La intel·ligència artificial ofereix una oportunitat extraordinària per a les administracions públiques. Pot ajudar a gestionar millor els expedients, reduir càrregues administratives, millorar l’atenció ciutadana, facilitar l’accessibilitat, explotar millor la informació i donar suport a la presa de decisions.
Però aquesta oportunitat només es podrà aprofitar amb garanties si entenem una idea fonamental: la IA no substitueix la governança de la dada; la fa més necessària que mai. I aquesta governança no pot fer-se de portes endins creant illes digitals aïllades. Perquè la intel·ligència artificial pugui extreure tot el seu potencial analític, creuar informació i automatitzar processos a escala real, cal publicar i treballar amb conjunts de dades cenyits a estàndards d’ontologies obertes. En l’àmbit local, les ontologies i vocabularis de la FEMP representen un punt de partida immillorable i, en la majoria dels casos, més que suficient per descriure la realitat municipal, dialogant a la vegada amb marcs com els Smart Data Models o les ontologies de la Unió Europea. Adoptar aquests estàndards ens permet parlar un idioma universal, reutilitzar la feina d'altres institucions i assolir una veritable interoperabilitat semàntica total.
Els models oberts, transparents i auditables són una peça essencial. Però no són suficients. Perquè aquests models generin valor públic real, han de treballar amb dades internes governades, fiables, protegides, contextualitzades i estandarditzades.
La millor IA pública no serà la que simplement respongui millor. Serà la que respongui sobre fonts oficials, amb traçabilitat, amb respecte als permisos, amb dades de qualitat i amb supervisió humana quan calgui.
En definitiva, la IA pública no es construeix només amb bons models. Es construeix amb bons models, bones dades, ontologies compartides i bona governança.
I, finalment, aquesta és probablement una de les grans lliçons del moment actual: abans de preguntar-nos fins on pot arribar la intel·ligència artificial, hem de preguntar-nos si les nostres dades estan preparades perquè la intel·ligència artificial les pugui entendre.