Agente Virtual para la Modernización en la Atención de Trámites y Servicios en la Ciudad de Bogotá D.C.
Resumen
La modernización institucional en entornos urbanos como Bogotá D.C. requiere soluciones tecnológicas que permitan optimizar la gestión de trámites y servicios ciudadanos. Para ello, los agentes de Inteligencia Artificial (IA) basados en modelos de lenguaje de gran escala (LLM) surgen como una alternativa viable para fortalecer la interacción entre el ciudadano y la administración pública. Estos agentes con capacidad de razonamiento probabilístico y potenciados por mecanismos de orquestación multiagente, permiten integrar diversas fuentes de información y garantizar respuestas coherentes, verificables y oportunas. El flujo de trabajo del agente se fundamenta en un frontend accesible para la ciudadanía y un backend desarrollado con FastAPI, que gestiona los procesos de orquestación mediante CrewAI y la conexión con datos institucionales, Además, se consideraron criterios de sostenibilidad como la reducción del consumo computacional y la huella de carbono, seleccionando los modelos de menor costo computacional y alta eficiencia en el uso de recursos. En este trabajo se evidencia cómo la IA aplicada a la gestión pública no solo contribuye a mejorar el acceso a la información institucional, sino que también promueve la transparencia y el cumplimiento de políticas ambientales, éticas y de eficiencia en el gasto público de la admiración distrital.
Descargas
Citas
Alcaldía Mayor de Bogotá D. C. (2025). Plan Estratégico de Tecnologías de la Información del Distrito Capital (PETI 2025). Alcaldía Mayor de Bogotá.
Bass, L., Clements, P., & Kazman, R. (2021). Software architecture in practice (4th ed.). Addison-Wesley.
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … Amodei, D. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901. https://arxiv.org/abs/2005.14165
Consejo Distrital de Política Económica y Social – CONPES D. C. (2019). Documento CONPES D. C. 03 de 2019: Política pública distrital de servicio a la ciudadanía. Alcaldía Mayor de Bogotá.
Fowler, M. (2002). Patterns of enterprise application architecture. Addison-Wesley.
Guío, A., Velásquez, J., et al. (2021). Marco ético para la inteligencia artificial en Colombia. Ministerio TIC, Departamento Nacional de Planeación & Banco Interamericano de Desarrollo.
Henderson, P., Hu, J., Romoff, J., Brunskill, E., Jurafsky, D., & Pineau, J. (2020). Towards the systematic reporting of the energy and carbon footprints of machine learning. Journal of Machine Learning Research, 21(248), 1–43. http://jmlr.org/papers/v21/20-312.html
Jurafsky, D., & Martin, J. H. (2023). Speech and language processing (3rd ed., draft). Stanford University. https://web.stanford.edu/~jurafsky/slp3/
Meta AI. (2024). Introducing LLaMA 3: Open and efficient foundation models. Meta Research. https://ai.meta.com/llama/
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781. https://arxiv.org/abs/1301.3781
Mistral AI. (2023). Mistral 7B: Open-weight large language model. https://mistral.ai/
OCDE. (2020). OECD principles on digital government. OECD Publishing. https://www.oecd.org/gov/digital-government/
OCDE. (2020). OECD principles on artificial intelligence. OECD Publishing. https://oecd.ai/en/ai-principles
OpenAI. (2024). GPT-4 Turbo: Pricing and technical overview. https://openai.com/
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Secretaría Distrital de Planeación. (2024). Plan Distrital de Desarrollo “Bogotá Camina Segura 2024–2027”. Alcaldía Mayor de Bogotá D. C.
Secretaría General de la Alcaldía Mayor de Bogotá. (2023). Informe de gestión y servicio a la ciudadanía 2023. Alcaldía Mayor de Bogotá D. C.
Secretaría General de la Alcaldía Mayor de Bogotá. (2024). Informe de transformación digital y canales de atención. Alcaldía Mayor de Bogotá D. C.
Secretaría General de la Alcaldía Mayor de Bogotá. (2025). Plan de acción institucional 2025. Alcaldía Mayor de Bogotá D. C.
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 3645–3650. https://doi.org/10.18653/v1/P19-1355
Tiangolo, S. (2018). FastAPI: Modern, fast (high-performance), web framework for building APIs with Python. https://fastapi.tiangolo.com/
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. https://arxiv.org/abs/1706.03762
Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35, 24824–24837. https://arxiv.org/abs/2201.11903
Zhang, A., Zhang, X., & Zhao, J. (2024). Multi-agent orchestration for large language models: A survey. arXiv preprint.
Derechos de autor 2026 Andrés Felipe Casas, Natalia Martínez Rojas
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
