De largas filas a un triaje inteligente: piloto de evaluación previa de clientes con AI para el DSS de Delaware.

Acerca del cliente

DSS, dentro del Departamento de Salud y Servicios Sociales de Delaware, operaba 18 oficinas locales de beneficios en todo el estado, cada una atendida en el mostrador de servicio por trabajadores sociales sénior, el único personal que comprendía plenamente las reglas estatales relacionadas con los beneficios y que podía manejar el software utilizado para calcular los niveles de beneficios. Este proyecto se apoyó directamente en el trabajo previo de encuestas a clientes que Iknow realizó para DSS, que ya había identificado los largos tiempos de espera como la principal preocupación de los clientes en la atención presencial.

Contexto del sector

El cribado de elegibilidad basado en reglas e impulsado por IA se ha convertido desde entonces en una herramienta corriente en el sector de los servicios sociales. En 2025, Imagine LA del condado de Los Ángeles, en colaboración con Nava Labs, pilotó un chatbot asistencial impulsado por IA generativa para ayudar a los gestores de casos a orientarse en la elegibilidad para beneficios públicos, parte de un esfuerzo más amplio por cerrar una brecha estimada en $227 mil millones de beneficios públicos no reclamados cada año a nivel nacional. Al mismo tiempo, la Administración del Seguro Social de los EE. UU. desplegó chatbots impulsados por IA generativa tanto para el público como para su propio personal como parte de una estrategia de atención al cliente con prioridad digital. Un marco de 2026 de la American Public Human Services Association respalda explícitamente la filosofía de diseño detrás del piloto de Delaware de 2016: aplicar el nivel adecuado de tecnología al caso de uso adecuado, con lógica basada en reglas para los procesos bien definidos y de alto volumen, incorporando IA más avanzada solo donde aporta valor real. El objetivo es una tecnología que asista al personal en lugar de reemplazar su criterio. El sistema de triaje de Delaware basado en Neota Logic, y el despliegue estatal que obtuvo mediante financiamiento federal, se anticipó a ese enfoque hoy estándar por casi una década.

Situación actual

El director de la División de DSS reconoció que dotar cada mostrador de servicio con trabajadores sociales sénior era a la vez ineficiente y costoso, dado que ese personal era necesario para la gestión de casos complejos pero, en cambio, dedicaba un tiempo considerable a preguntas rutinarias de los clientes presenciales. Pidió a Iknow que propusiera una solución que asignara mejor esa costosa experiencia sin comprometer la precisión ni la consistencia del servicio que recibían los clientes.

• Filas sin diferenciación. Cada cliente presencial esperaba en la misma fila con independencia de si su necesidad era simple (entregar una solicitud, recoger un formulario) o compleja.
• Experiencia costosa y esencial retenida en el mostrador. Los trabajadores sociales sénior eran el personal de primera línea más costoso de DSS, y sin embargo eran los únicos que comprendían plenamente las complejas reglas de beneficios del estado y podían manejar el software de determinación de beneficios.
• Sin mecanismo para distinguir la necesidad a la llegada. DSS no tenía forma de identificar los casos de respuesta rápida en el momento en que los clientes entraban, por lo que incluso las solicitudes simples esperaban junto a las complejas.
• Servicio inconsistente en todo el estado. La precisión y la exhaustividad de la orientación que recibían los clientes variaban según la formación, la destreza y la experiencia de cada empleado en las 18 oficinas de DSS.
• Conocimiento profundo y especializado por capturar. Cualquier solución debía codificar de manera fiable toda la complejidad de las reglas de elegibilidad de SNAP y de las políticas de DSS, lo bastante bien como para que personal de recepción menos costoso pudiera operarla.

• Reducir el número de clientes presenciales que debían esperar en fila para ser atendidos.
• Liberar a los trabajadores sociales sénior para que dedicaran más tiempo a la gestión real de casos de beneficios en lugar del triaje en el mostrador.
• Ofrecer a los clientes una orientación más consistente y precisa, con independencia de la oficina o del empleado.
• Validar el enfoque mediante un piloto controlado antes de comprometerse con una inversión a escala estatal.
• Apoyar a DSS en la obtención de financiamiento para un despliegue estatal si el piloto resultaba exitoso.

Cómo estructuró Iknow el trabajo

Iknow avanzó desde la observación directa de las operaciones reales de las oficinas, pasando por la ingeniería del conocimiento y la selección de la plataforma, hasta un proceso ágil de desarrollo de reglas validado por un piloto controlado en dos oficinas, reservando cualquier recomendación de inversión estatal hasta que el enfoque hubiera demostrado su valía en la práctica.

Actividades y decisiones clave

• Observación e identificación de oportunidades. Iknow observó los patrones de afluencia presencial en varias oficinas locales e identificó que clasificar a los clientes inmediatamente a su llegada (atendiendo necesidades de respuesta rápida, como indicarles dónde entregar solicitudes o recoger formularios) podía reducir de forma significativa el número de clientes que debían esperar.
• Ingeniería del conocimiento. Iknow entrevistó a trabajadores sociales sénior familiarizados con las operaciones de atención al público y concluyó que el conocimiento necesario para el triaje podía capturarse como un conjunto definido de reglas de decisión. Esas reglas se basaron en los manuales de políticas, los materiales de formación, los procedimientos operativos estándar y los formularios y folletos de programas de DSS, e incorporaron tanto las reglas y procedimientos de elegibilidad de SNAP del U.S. Food and Nutrition Service como los específicos de Delaware.
• Selección de plataforma. Iknow evaluó software de motores de reglas de código abierto y comercial y seleccionó la plataforma de motor de razonamiento de Neota Logic por su funcionalidad basada en reglas, su razonamiento complejo y sus capacidades de flujo de trabajo de procesos, incluido el soporte para el cribado inicial de elegibilidad, la secuenciación de triaje optimizada dinámicamente con el mínimo de preguntas y la orientación personalizada de siguientes pasos para cada cliente.
• Desarrollo ágil de reglas. Iknow construyó y refinó las reglas de decisión a través de una serie de talleres con los expertos de DSS, utilizando un enfoque ágil para incorporar rápidamente sus comentarios.
• Pruebas piloto. Una vez desarrollado un conjunto suficiente de reglas, Iknow las codificó en la plataforma de Neota Logic y pilotó el sistema en computadoras portátiles conectadas a la plataforma alojada a través del WiFi de las oficinas locales, probándolo en dos oficinas hasta que el sistema de triaje demostró una precisión suficiente.
• Apoyo a la subvención. Tras el éxito del piloto, Iknow trabajó con la Oficina de Subvenciones de DSS para preparar el caso de negocio y la declaración de trabajo detallada que respaldaban una solicitud de financiamiento estatal.

Partes interesadas y colaboración

Iknow trabajó directamente con el director de la División de DSS, con los trabajadores sociales sénior que actuaron como expertos en la materia detrás de las reglas de triaje y con la Oficina de Subvenciones de DSS, mientras que el piloto completado y la solicitud de subvención fueron finalmente revisados y financiados por el Food and Nutrition Service del Departamento de Agricultura de los EE. UU.

Capturar experiencia profunda con la fiabilidad suficiente para delegarla

El conocimiento necesario para el triaje existía únicamente en las cabezas de los trabajadores sociales sénior más experimentados de DSS, lo que dificultaba delegarlo en personal de recepción menos costoso sin perder precisión. Iknow lo abordó mediante una ingeniería del conocimiento sistemática (fundamentando las reglas en los propios manuales de políticas, materiales de formación y procedimientos de DSS, y refinándolas de forma iterativa en talleres directos con los propios expertos) antes de codificar nada en la plataforma.

Eliminar la inconsistencia a escala estatal

Como la formación, la destreza y la experiencia del personal variaban entre las 18 oficinas de DSS, los clientes habían recibido históricamente una orientación inconsistente según la oficina o el trabajador con el que se encontraran. Iknow lo abordó codificando la lógica de triaje directamente en una plataforma de motor de reglas en lugar de depender de la formación informal del personal, de modo que cada cliente recibiera la misma orientación precisa y completa sin importar la oficina que visitara.

Probar el modelo antes de comprometer una inversión estatal

Un nuevo modelo operativo de atención al público impulsado por IA entrañaba un riesgo real si se desplegaba en todo el estado antes de estar probado. Iknow lo abordó ejecutando un piloto controlado en dos oficinas representativas, probando el sistema hasta que demostró una precisión suficiente, y solo entonces apoyó la solicitud de DSS del financiamiento necesario para expandirlo.

Resultados operativos

• Alrededor del 60 por ciento de los clientes presenciales dejó de tener que esperar en fila, y los clientes que sí necesitaban a un trabajador social sénior experimentaron tiempos de espera notablemente más cortos.
• Las interacciones de triaje pasaron a ser más precisas, consistentes e inclusivas de todos los programas de beneficios relevantes, sin preguntas irrelevantes o redundantes, ya que el software presentaba cada pregunta siguiente en función de las respuestas previas del cliente.
• El sistema generaba una lista personalizada de los datos y la documentación requeridos para cada programa de beneficios potencial, ayudando a los clientes a avanzar con mayor facilidad hacia su siguiente paso.

Resultados estratégicos y organizativos

Desde la perspectiva de DSS, la lógica de triaje era precisa, estaba actualizada y era plenamente consistente en todo el estado (eliminando la variabilidad que existía antes debido a las diferencias en la formación y la experiencia del personal), a la vez que minimizaba dinámicamente el número de preguntas formuladas y registraba los obstáculos comunes para su posterior refinamiento. Los representantes de DSS parecían más conocedores y creíbles ante los clientes, y los costos de DSS bajaron porque se necesitaban menos trabajadores sociales sénior costosos en la recepción; los reasignados a la gestión individual de casos se volvieron más eficientes al atender únicamente los casos complejos. Sobre la base del éxito del piloto, Iknow ayudó a la Oficina de Subvenciones de DSS a preparar el caso de negocio y la declaración de trabajo para un despliegue estatal, y en agosto de 2016 el Food and Nutrition Service del USDA otorgó a DSS de Delaware una Process and Technology Improvement Grant de $667,618 para expandir el sistema de triaje a las 18 oficinas locales.

Plazo hasta el impacto

Iknow completó la ingeniería del conocimiento, la selección de la plataforma, el desarrollo de reglas y las pruebas piloto, y apoyó una solicitud de subvención estatal exitosa, dentro del proyecto de nueve meses, pasando de un concepto en fase temprana a un plan de expansión estatal financiado en un solo proyecto.

Habilidades principales

• IA e ingeniería del conocimiento
• Innovación de procesos de negocio
• Consultoría para gobierno y sector público
• Apoyo en subvenciones y financiamiento

Métodos y marcos de trabajo

• Ingeniería del conocimiento y captura de reglas de decisión
• Desarrollo ágil de reglas y talleres con expertos
• Pruebas piloto controladas y validación
• Elaboración del caso de negocio y la declaración de trabajo para subvenciones

Tecnologías y herramientas

• Plataforma de motor de razonamiento Neota Logic (lógica basada en reglas, razonamiento complejo, flujo de trabajo de procesos)