La Ciudad de San Francisco se propuso localizar en su inmensa y dispersa normatividad, todas las obligaciones que exigen a los departamentos administrativos generar reportes para evaluar la pertinencia de cada uno de ellos -para qué sirve, quién lo consulta y qué información se perdería si desapareciera- para luego simplificar la gestión administrativa. Aquí la historia de cómo lo hicieron.
Por Mariano Garza-Cantú
Octubre 2026
En la identificación, la primera fase, se utilizó inteligencia artificial; en la evaluación y toma de decisiones, la segunda fase, se recurrió a la experiencia de las dependencias con apoyo de expertos jurídicos.
El artículo The Reports Nobody Reads: How San Francisco Used AI toDeclutter Its Municipal Code, de Dane Gambrell, documenta este esfuerzo liderado por la Oficina Jurídica de San Francisco, que trabajó con el Laboratorio de Regulación, Evaluación y Gobernanza (RegLAb) de la Universidad de Stanford.
Para el proyecto se utilizó el Asistente de Investigación de Estatutos (STARA, por sus siglas en inglés), una herramienta que RegLAb desarrolló para apoyar la búsqueda e interpretación de leyes en asuntos jurídicos específicos.
Después de definir qué es obligación de generar un reporte y de establecer los criterios de búsqueda, se cargó en el sistema toda la normativa municipal y alrededor de 16 000 resoluciones de la Junta de Supervisores de San Francisco, el órgano legislativo local.
STARA identificó 528 requerimientos de reportes obligatorios, y generó una base de datos con la recurrencia, la frecuencia, el departamento responsable y el destinatario de cada uno. Luego, la Oficina Jurídica verificó los resultados y analizó, junto con las dependencias que correspondían, qué disposiciones podían cambiarse, cuáles se debían conservar y cuáles eliminar.
La IA localizó esas obligaciones, pero la evaluación y decisiones que siguieron exigían revisiones jurídicas y conocimiento de las función pública.
El resultado fue un documento de 351 páginas que proponía eliminar 140 reportes y modificar otros 34, una incidencia en 36% del total. El órgano legislativo de la ciudad aprobó reformar estos cambios el 21 de julio de 2026 ratificó las eliminaciones y modificaciones propuestas, de acuerdo con el Expediente legislativo.
Este proyecto ejemplifica cómo la inteligencia artificial puede asumir una parte del trabajo tedioso y que más tiempo consume. No lo elimina por completo: la revisión y validación siguen exigiendo horas de especialistas, pero sí acelera la ejecución de proyectos de simplificación administrativa.
También ayuda a reducir costos: la Oficina Jurídica utilizó STARA para analizar la normativa municipal, las resoluciones de la Junta de Supervisores y elaborar una lista completa de las reuniones, comisiones y comités establecidos por ley; identificó 111 que ya estaban documentadas y descubrió 33 más.
Según un estudio sobre STARA de la Universidad de Stanford, esta investigación habría tomado de 8 a 13.5 horas de trabajo y habría costado alrededor de 3000 dólares en trabajo humano; la herramienta la resolvió en 20 minutos, a un costo de cómputo estimado de apenas 86 centavos de dólar.
Conviene tomar este dato con cautela, porque solo compara el costo del tiempo de cómputo contra el de las horas de trabajo de los funcionarios para hacer la búsqueda, sin contar los costos de desarrollo ni los tiempos de verificación que exige un proceso completo. Aun así, ilustra el tipo de ahorro —no solo en tiempo— que la herramienta puede lograr.
Este caso ofrece una ruta que merece ser probada por otros gobiernos: construir un inventario de normativas verificable, identificar duplicidades, analizar la pertinencia de cada una de ellas y decidir qué y cómo cambiar, qué modificar y justificar lo que debe permanecer. Y la evaluación debería quedar en manos humanas, de expertos y de las dependencias afectadas.