Un equipo de investigación liderado por Chris Schmitz publicó el 17 de agosto de 2026 en arXiv un estudio que relevó 84 casos potenciales de “desbordamiento agéntico” de servicios públicos en 11 jurisdicciones: ciudadanos usando modelos de lenguaje (LLMs) para generar apelaciones de beneficios, pedidos de información y reclamos administrativos a costo casi cero, mientras los Estados siguen revisando todo con capacidad humana finita.
El desbordamiento agéntico de servicios públicos (agentic flooding, en el original) es el aumento brusco de demanda administrativa que aparece cuando la gente usa agentes de IA y LLMs para producir solicitudes, apelaciones y reclamos en volumen y a costo casi nulo. El término lo acuñaron Schmitz y dos coautores en un paper difundido el 17 de agosto de 2026, que advierte que el fenómeno probablemente ya está ocurriendo de forma amplia.
En 30 segundos
- 84 casos en 11 jurisdicciones: el dataset del paper de Schmitz et al. (arXiv, 17/08/2026) recopila casos potenciales de flooding generados mayormente con LLMs.
- El costo de participar colapsó: redactar una apelación convincente pasó de llevarse un fin de semana a tomar quince minutos, y eso rompió el equilibrio entre demanda ciudadana y capacidad estatal.
- Servicios más expuestos: según la matriz de riesgo del estudio, los financieramente atractivos pero complejos, como apelaciones de prestaciones y subsidios.
- Respuesta rápida = fricción: las medidas más veloces de implementar (tarifas, trabas extra) protegen al sistema pero castigan la equidad del acceso.
- No es futurología: los autores sostienen que el flooding “is likely occurring widely today”, es decir, probablemente ya está pasando.
¿Qué es el desbordamiento agéntico de servicios públicos?
Es, dicho rápido, un ataque de denegación de servicio con formularios. En un DoS clásico alguien satura un servidor con millones de pedidos; acá el servidor es un escritorio administrativo y los paquetes son cartas impecables pidiendo revisar una denegación de subsidio. La diferencia es que nadie necesita una botnet: le alcanza con un chatbot y veinte minutos.
Ponele que hoy te niegan un beneficio y querés apelar. Antes tenías que entender la normativa, redactar con cuidado, revisar tres veces y rezar para que el texto no delatara desconocimiento total del tema. Ahora bajás el modelo, le contás los hechos de tu caso, le pedís una apelación formal y convincente, la copiás, ajustás dos detalles, la firmás y la mandás, y en quince minutos hiciste lo que antes te comía un fin de semana entero con el reglamento al lado. (Lo probé con trámites de bajo riesgo propios y la verdad es que zafa bastante bien.)
Eso escala. Si una persona puede generar diez apelaciones serias en una tarde, una organización puede generar miles. Y el Estado, que procesaba el volumen con revisores humanos, se encuentra con una cola que crece más rápido que su plantilla. Si querés el diagnóstico en formato de titular internacional, es este: “public services are increasingly strained by LLM-written appeals for benefits”.
¿Por qué la administración pública recibe más apelaciones escritas con IA?
Porque generar texto administrativo aceptable se volvió gratis. Un LLM moderno redacta una carta de apelación, un pedido de acceso a la información o una queja formal con estructura y hasta citas normativas, y el costo marginal de cada copia adicional ronda el cero. ¿Vés el problema? El ciudadano individual ganó poder de fuego burocrático, pero cuando todos lo tienen a la vez, el sistema se satura. Para más detalles técnicos, mirá seguridad de la infraestructura tecnológica pública.
Las herramientas no son exóticas: cualquier chatbot de propósito general sirve, y encima existen extensiones y servicios que prometen automatizar trámites completos, desde detectar la denegación hasta redactar y presentar el recurso. Para quien tiene deudas, discapacidad o poca práctica escribiendo, esto ayuda de verdad (accesibilidad real, no marketing). El mismo paper arranca reconociendo ese lado positivo: los agentes ayudan a aplicar para beneficios, entender políticas complejas y hacerse escuchar.
El tema es que la misma facilidad que ayuda a uno habilita el volumen para todos. La “democratización” del acceso administrativo tiene un efecto secundario que nadie presupuestó: demanda ilimitada contra capacidad finita.
¿Qué revelan los 84 casos documentados en 11 jurisdicciones?
Que el fenómeno probablemente ya está ocurriendo de forma amplia. Según el abstract del paper, el flooding “is likely occurring widely today”, y el dataset reúne 84 casos potenciales en 11 jurisdicciones. Ojo con el calificador: son casos potenciales, nadie firmó actas de culpabilidad. El estudio caracteriza y mide exposición, no condena a nadie.
¿Dónde se concentra el riesgo? En servicios financieramente atractivos pero complejos. Traducido: donde hay plata en juego y el trámite exige saber redactar. Apelaciones de prestaciones monetarias, subsidios, pedidos de información pública. La matriz de riesgo que proponen los autores cruza el atractivo económico del servicio con su complejidad administrativa, y ahí aparece el punto ciego de muchos Estados: cuanto más vale el beneficio y más difícil el formulario, más incentivo hay para automatizar la solicitud.
| Dato del estudio | Detalle |
|---|---|
| Casos relevados | 84 casos potenciales de flooding |
| Jurisdicciones cubiertas | 11 |
| Mecanismo dominante | Generación de texto con LLMs a bajo costo |
| Servicios más expuestos | Financieramente atractivos y complejos (prestaciones, subsidios) |
| Diagnóstico central | El flooding probablemente ya ocurre de forma amplia |
| Publicación | 17 de agosto de 2026 (versión 2: 19 de agosto de 2026) |
¿Cómo respondieron los gobiernos al desbordamiento?
Con dos velocidades bien distintas. El paper mapea el abanico de respuestas posibles y llega a una conclusión incómoda: el precedente sugiere que las medidas van a alcanzar para frenar la mayoría de los casos, pero las más rápidas de desplegar son justo las que meten fricción, como cobrar tarifas por presentar solicitudes. ¿Y qué consigue esa fricción? Frena el volumen, sí. También le cierra la puerta al que no puede pagar ni llenar cinco formularios extra. En cómo funciona ChatGPT en la práctica profundizamos sobre esto.
| Tipo de respuesta | Velocidad de despliegue | Costo para la equidad |
|---|---|---|
| Tarifas o aranceles por solicitud | Alta | Alto: excluye a quien no puede pagar |
| Fricción administrativa (pasos y verificaciones extra) | Alta | Medio a alto |
| Priorización y triage de solicitudes | Media | Bajo a medio |
| Reformas estructurales del servicio | Baja | Bajo (objetivo del paper) |
Los autores cierran con recomendaciones de acciones de corto plazo para mitigar el flooding sin caer en ese trade-off. El abstract no detalla el menú completo (hay que leer el paper entero, que es público), pero la dirección es clara: proteger la capacidad del sistema sin ponerle candado a la puerta.
¿Por qué las medidas de fricción castigan primero a quien menos tiene?
Porque toda barrera filtra por recursos, no por intención. Una tarifa de presentación no distingue entre un bot y una madre que apela la denegación de una asignación: a una la frena el costo, a la otra también. Lo mismo con exigir papel físico, sellos o presencia personal: el usuario digitalizado lo resuelve en una tarde, el que depende de transporte y horarios laborales pierde días.
Hay una ironía de manual acá. Mientras algunos gobiernos estudian cómo frenar el volumen generado con IA, otros celebran la IA como herramienta para mejorar sus servicios públicos. Todos corren hacia el mismo edificio por puertas opuestas. Y el informe de la OCDE sobre gobernar con inteligencia artificial aborda justamente la IA en el diseño y la prestación de servicios públicos.
¿Qué pueden hacer los Estados sin sacrificar el acceso?
Atacar la causa raíz, priorizar con criterio y verificar identidad en los momentos clave, en lugar de cobrar por entrar. Desde mi experiencia viendo sistemas de alta carga, estas son las palancas que zambullen de verdad:
- Arreglar la causa raíz: si un servicio recibe una ola de apelaciones, parte del problema puede estar en denegaciones iniciales mal fundamentadas. Menos decisiones malas, menos apelaciones legítimas.
- Triage con revisión humana: clasificar solicitudes por complejidad y riesgo, reservando la lectura profunda para donde importa, en vez de procesar todo en fila única.
- Límites de tasa por origen: detectar patrones de envío masivo desde un mismo canal y aplicar demoras o revisión reforzada, sin tocar al usuario que manda una solicitud puntual.
- Verificación en momentos clave: confirmar identidad y datos en los hitos que importan (presentación, resolución), no con trabas permanentes en todo el recorrido.
Ninguna de estas palancas es sexy ni se instala en un finde. Pero es la diferencia entre blindar el sistema y amurallarlo.
¿Qué pasa en Argentina y América Latina?
El riesgo directo todavía es moderado en la región, y la razón es casi irónica: buena parte de nuestros trámites sigue requiriendo presencia física, firma en papel o ventanilla, y esa fricción heredada es, sin proponérselo, una vacuna contra el flooding. Cada servicio que se digitaliza suma superficie de exposición, eso sí. Si mañana la apelación de un beneficio nacional se presenta 100% online con campo de texto libre, el problema deja de ser hipotético. Esto se conecta con lo que analizamos en cómo razonan los modelos de lenguaje.
El lado bueno es que la región no arranca de cero. Argentina tiene el Programa Nacional de Inteligencia Artificial en la Justicia, que aplica IA en el sector judicial, y la OCDE viene empujando marcos de gobernanza para IA en servicios públicos. La ventana de acción está abierta: conviene diseñar la resistencia al flooding ahora, cuando los sistemas se están construyendo, y no después, remendando en caliente.
Errores comunes al usar (o juzgar) la IA en trámites públicos
Tratar toda apelación generada con IA como fraude. Error clásico. Muchísima gente legitima usa estos textos por accesibilidad: personas con discapacidad o con poca práctica escribiendo. Criminalizar la herramienta castiga justo a quienes más se beneficiaban de ella.
Creer que existe un detector infalible de texto de IA. Spoiler: no existe. Los detectores fallan en ambos sentidos, y el paper ni siquiera los plantea como salida central. Diseñar procesos que toleren volumen es más robusto que jugar a adivinar quién escribió qué.
Asumir que es un problema del futuro. Los datos del estudio (agosto de 2026) apuntan a que el flooding probablemente ya está ocurriendo. Planificar para 2030 cuando el problema es de hoy es la receta del remiendo caro.
Usar un chatbot para tu apelación sin verificar nada. Si vas a hacerlo, revisá que cada dato y norma citada coincida con tu documentación y con la fuente oficial, y combiná el borrador con el asesoramiento gratuito del organismo o de la defensoría correspondiente. Una referencia inventada puede hundir un caso que era ganable.
Qué está confirmado y qué no
- Confirmado: la existencia y el contenido del paper de Schmitz et al. en arXiv (17 de agosto de 2026, v2 el 19), con 84 casos potenciales en 11 jurisdicciones y la matriz de riesgo.
- Confirmado: el diagnóstico de que el riesgo cercano se concentra en servicios financieramente atractivos y complejos, y el trade-off entre fricción y equidad en las respuestas rápidas.
- Pendiente: el detalle completo de las recomendaciones finales de los autores, que exige leer el paper más allá del abstract.
- Pendiente: la identificación pública de las 11 jurisdicciones específicas y estadísticas agregadas de aumento de volumen por país; el estudio trabaja con casos, no con series temporales.
Preguntas Frecuentes
¿Es legal usar inteligencia artificial para apelar una denegación de beneficios?
En general, sí: redactar tu propio reclamo con ayuda de un LLM no está prohibido en la mayoría de las jurisdicciones. Ojo: el responsable del contenido sos vos, y declarar datos falsos o inventar fundamentos tiene consecuencias legales iguales a las de siempre. Relacionado: las herramientas de inteligencia artificial de Google.
¿Cómo detectan los gobiernos una apelación escrita con IA?
La detección confiable de texto generado por IA no existe hoy, y los detectores disponibles fallan en falsos positivos y falsos negativos por igual. Por eso las respuestas gubernamentales documentadas van por fricción (tarifas, verificaciones) y por reformas de proceso, no por “adivinar” el autor.
¿Qué servicios públicos están más expuestos al flooding?
Según la matriz de riesgo del paper de Schmitz et al., los financieramente atractivos pero complejos: apelaciones de prestaciones monetarias, subsidios y pedidos de acceso a la información. Cuanto más valioso el beneficio y más difícil el trámite, mayor el incentivo para automatizar la solicitud.
¿Puedo usar ChatGPT para escribir mi apelación de beneficios?
Sí, como borrador. Verificá que cada hecho, fecha y norma citada coincida con tu documentación y con la fuente oficial, y ajustá el tono a tu situación real. El texto generado puede verse impecable y aun así contener referencias inventadas.
¿El desbordamiento agéntico ya está pasando o es hipotético?
Según los autores del estudio (agosto de 2026), probablemente ya está ocurriendo de forma amplia: de ahí los 84 casos potenciales relevados. Es un fenómeno presente con datos parciales, no una predicción futurista.
Conclusión
Lo que cambió fue el costo. Cuando redactar una apelación pasó de comerse un fin de semana a tomar quince minutos, todo el equilibrio entre demanda ciudadana y capacidad estatal se descuadró, y el paper de Schmitz et al. pone categorías y datos sobre algo que los administradores públicos ya venían sintiendo. Para los gobiernos, la tarea es diseñar respuestas que no castiguen al usuario legítimo; para vos, que quizás estés pensando en usar IA para un trámite, la regla es simple: usala para redactar mejor, nunca para inventar datos. Y dale una lectura al paper completo: es público, es breve y explica mejor que ninguna crónica por qué este tema se va a volver protagonista de la gestión pública.
Fuentes
- Characterizing Agentic Flooding of Government Services – paper de Chris Schmitz et al. en arXiv (agosto de 2026)
- Computer Weekly – análisis sobre cómo los agentes de IA de los ciudadanos pueden saturar los servicios públicos
- i10x – cobertura del flooding agéntico sobre burocracias gubernamentales
- OCDE – informe Gobernar con inteligencia artificial: IA en el diseño y la prestación de servicios públicos
- Argentina.gob.ar – Programa Nacional de Inteligencia Artificial en la Justicia