evidoria

← Volver al listado

Buena práctica Importada

RelativityOne de la CBP — el DHS recurre a la IA para contener un atraso récord de más de un millón de solicitudes FOIA

Estados Unidos · Washington, D.C. · Ver el perfil de Estados Unidos · Ver el perfil de Washington, D.C.

Evidencia: Observacional / pre-post Top 83% 40/100 · Pregunte a Evidence Copilot sobre esta práctica

Ante más de un millón de solicitudes FOIA al año, la Oficina de Aduanas y Protección Fronteriza del DHS usa la plataforma de IA RelativityOne, que aprende de los revisores humanos para señalar documentos relevantes, mientras grupos de libertades civiles advierten que la IA aún no está lista para juzgar los matices legales de la redacción de tachados.

1,000,000+
Solicitudes FOIA recibidas (ejercicio fiscal 2025) (FY2025)
~60%
Porcentaje del total de solicitudes FOIA federales (FY2025)
221,068
Solicitudes pendientes al inicio del ejercicio fiscal 2025 (FY2025 start)
245,572
Solicitudes pendientes al final del ejercicio fiscal 2025 (FY2025 end)
16%
Atraso acumulado como porcentaje de las solicitudes recibidas (FY2025)
RelativityOne de la CBP — el DHS recurre a la IA para contener un atraso récord de más de un millón de solicitudes FOIA

Detalles

Madurez
Consolidada
Promotor
U.S. Customs and Border Protection (Department of Homeland Security)
Período
2024–2026
Palabras clave
public records, FOIA compliance, border & immigration enforcement, government transparency

Contexto

En el ejercicio fiscal 2025, el Departamento de Seguridad Nacional de EE. UU. (DHS) recibió más de 1 millón de solicitudes en virtud de la Ley de Libertad de Información (FOIA) -cerca del 60 % de todas las solicitudes FOIA presentadas ante todo el gobierno federal- y su componente de Aduanas y Protección Fronteriza (CBP) procesa la mayor parte de ese volumen mediante RelativityOne, una plataforma de revisión documental con IA aprobada para uso en FOIA por la Oficina de Privacidad del DHS en 2024.

Objetivos

RelativityOne está diseñado para aprender de las decisiones de redacción (tachado) y relevancia tomadas por revisores humanos y, después, etiquetar de forma autónoma los documentos posteriores como relevantes o irrelevantes, presentando los registros con una puntuación de confianza y citas de respaldo para que un analista humano de FOIA los acepte, modifique o rechace.

Actividades

El DHS comenzó el ejercicio fiscal 2025 con 221.068 solicitudes FOIA pendientes y, pese a recibir y procesar cerca de un millón más, terminó el año con 245.572 pendientes -un atraso equivalente al 16 % de las solicitudes recibidas-, y el departamento ha declarado que planea añadir más automatización para mejorar la eficiencia y reducir redundancias administrativas.

Resultados

El DHS describe que el atraso al cierre del año se mantuvo en lugar de reducirse pese al fuerte aumento del volumen de casos, por lo que aún no se ha demostrado ninguna reducción atribuible en el tiempo de tramitación ni en el atraso acumulado.

Conclusiones

Los observadores de libertades civiles se mantienen cautelosos: la ACLU ha declarado que la IA podría ayudar a agilizar la búsqueda de documentos, pero que las redacciones (tachados) implican matices jurídicos para los que la IA aún no está preparada, y el Cato Institute ha señalado que las divulgaciones del DHS omiten detalles sobre qué sistemas toman decisiones de codificación de forma independiente y cuáles solo asisten a un revisor humano.

Implementación
Coste indicativo
Alto (500 000 €–5 M€) — Commercial platform (RelativityOne) licensed for CBP's FOIA division; DHS has not disclosed contract costs.
Tiempo hasta resultados
Medio (1–3 años) — Approved by DHS's Privacy Office in 2024 and in active use processing FY2025's caseload of over 1 million requests; DHS has signalled further automation is planned but has not published a timeline.
Personal y competencias
CBP FOIA analysts, DHS Privacy Office reviewers

Condiciones para el éxito

  • Formal privacy review (Privacy Threshold Analysis) before approval for FOIA use
  • Human analysts retain final decision authority over AI-flagged relevance and redaction tags
  • The system is trained continuously on human reviewers' actual redaction and relevance decisions

Modos de fallo comunes

  • Backlog can persist even with AI assistance if incoming request volume outpaces processing capacity
  • Lack of public disclosure on which coding decisions are made independently by AI versus a human reviewer undermines transparency

Habitualmente financiado por

National / regional programmes

Vías de financiación indicativas para prácticas de este tipo: compruebe siempre las convocatorias vigentes y las reglas de elegibilidad de cada programa.

¿Usted implementa esta práctica? Reivindíquela — los implementadores verificados obtienen un contacto público en la página y pueden proponer correcciones.

Fuentes de datos

De dónde se obtuvo la información de esta práctica, y cuándo.

Adjuntos

Prácticas similares que pueden serle útiles