Google DeepMind reduce un 58% el tiempo de revisión de solicitudes de reforma con Gemini

Si alguna vez ha construido una veranda o reformado un tejado en el Reino Unido, sabrá que primero necesita permiso del ayuntamiento. Detrás de cada solicitud hay una persona: un técnico de urbanismo, o planning officer. Lee los planos, los contrasta con la normativa local, examina las parcelas vecinas y redacta un informe. El trabajo es repetitivo, la documentación abundante y la lista de expedientes pendientes no deja de crecer. Ahí es donde Google DeepMind ha puesto a trabajar a Gemini.

Qué ha desarrollado DeepMind

DeepMind ha anunciado PlanAssist, una herramienta basada en Gemini para los técnicos de urbanismo británicos. Ayuda a evaluar las householder applications: solicitudes de propietarios particulares para ampliaciones, acondicionamiento de buhardillas, garajes y reformas. Constituyen el grupo de solicitudes más numeroso y rutinario del sistema. Quedan fuera los proyectos comerciales complejos y las promociones residenciales.

La cifra principal del anuncio: la herramienta reduce hasta un 58% el tiempo que un técnico dedica a evaluar una solicitud de este tipo. La publicación dice «up to», es decir, «hasta». Se trata del mejor resultado, no del promedio general. El final de la publicación está truncado en el material de origen: indica que la herramienta pasa a estar disponible para 12 —aparentemente, organizaciones—, pero el texto no permite saber cuáles. Conviene comprobar esos detalles en el anuncio completo de DeepMind.

Por qué resulta más interesante que otro «chatbot para servicios públicos»

La mayoría de los proyectos públicos de IA terminan con una demostración, una presentación vistosa y silencio. Aquí hay tres señales de madurez.

La primera: se ha elegido una tarea rutinaria concreta, con entradas y salidas bien definidas. No es un «asistente para todo», sino una herramienta para evaluar un tipo específico de solicitud.

La segunda: el efecto se mide en tiempo de trabajo del personal. Para el cliente, ya sea un ayuntamiento o un banco, es la métrica más fácil de entender. Puede traducirse en ahorro económico y en una reducción de los expedientes pendientes.

La tercera: la herramienta ha superado la fase piloto y se está distribuyendo a más entidades. Para un producto de IA del sector público, ya es un paso importante.

Qué significa en la práctica

Imagine una solicitud típica: un propietario quiere añadir una segunda planta sobre un garaje. El técnico debe localizar las dimensiones en la documentación, contrastarlas con los límites locales de altura y distancia al lindero, comprobar si existe algún régimen de protección y reunir las conclusiones en un informe. La mayor parte del tiempo se dedica a buscar y contrastar información, no a tomar la decisión en sí. Un modelo con una ventana de contexto larga y entrada multimodal —los planos y dibujos también son documentos— encaja bien en este tipo de trabajo documental.

Para los desarrolladores, la conclusión es sencilla: las aplicaciones de los LLM con mayor rentabilidad suelen ser aburridas. Están allí donde una persona lee mucho, contrasta información con la normativa y redacta textos estandarizados.

Para responsables de producto y fundadores, hay tres lecciones:

• Elijan un caso de uso acotado y repetitivo, en lugar de «IA para un sector».
• Acuerden la métrica con el cliente desde el principio. Los «minutos por solicitud» se venden mejor que la «precisión de las respuestas».
• Prevean el despliegue: un piloto sin un plan para ampliar su escala seguirá siendo un piloto.

Limitaciones y preguntas

Hay salvedades. En primer lugar, el 58% es el límite superior y, sin conocer la metodología de medición, esa cifra no puede extrapolarse a otros procesos. En segundo lugar, la publicación no explica cómo funciona la supervisión: quién toma la decisión final, cómo se registran los errores del modelo o qué ocurre con los casos controvertidos. En un entorno regulado, estas cuestiones importan más que la velocidad. En tercer lugar, la publicación procede de la propia DeepMind, por lo que todavía no hay una evaluación independiente.

Aun así, la tendencia es reveladora. Los grandes laboratorios muestran cada vez más implementaciones con ahorros cuantificados, en lugar de benchmarks. Si están desarrollando un producto B2B para un ámbito con grandes volúmenes de documentación —derecho, seguros, sector inmobiliario o cumplimiento normativo—, PlanAssist ofrece un ejemplo listo para usar de cómo debería plantearse la propuesta: una tarea rutinaria concreta, una mejora medible y una vía clara para ampliar su escala.