La Apuesta de la ONS por la IA en las Estadísticas Oficiales — de la Investigación en Codificación Automática SIC/SOC al Prototipo ScannerAI de Lectura de Recibos

La Oficina Nacional de Estadística del Reino Unido (ONS) asigna las respuestas de texto libre de sus encuestas a códigos de la Clasificación Industrial Normalizada (SIC) y de la Clasificación Ocupacional Normalizada (SOC) en grandes encuestas, incluido el Censo de 2021 (500.000 registros), la Encuesta de Población Activa (300.000 registros), la Encuesta de Infección por COVID-19 (70.000 registros) y la Encuesta Anual de Horas y Salarios. Su herramienta interna basada en reglas, construida sobre coincidencia aproximada con bases de conocimiento, alcanza tasas de coincidencia de entre el 50 % y el 62 %, según la encuesta.

El Data Science Campus creó un prototipo alternativo mediante regresión logística sobre características de texto (unigramas, bigramas y trigramas), un enfoque deliberadamente 'básico', y el equipo señala que métodos más avanzados como BERT podrían mejorar el rendimiento. Los resultados publicados muestran que el enfoque de aprendizaje automático alcanza un 73 % de coincidencia / 84 % de exactitud global en los datos SOC del Censo, un 70 % de coincidencia / 85 % de exactitud en la Encuesta de Población Activa, y un 66–67 % de coincidencia / 69–76 % de exactitud en dos encuestas más pequeñas, una mejora clara respecto a la línea base basada en reglas. El rendimiento cayó bruscamente en una quinta encuesta (DLHE, a una tasa de coincidencia del 60 % frente al 84 % del Censo), lo que el equipo atribuye a que el modelo no se transfiere bien a una población de encuestados distinta; también señala que todavía no existen suficientes datos de entrenamiento validados ('gold-coded') para el SIC, y que el modelo aprenderá y repetirá cualquier error sistemático ya presente en la codificación manual anterior. El código es de código abierto (ACE2, en GitHub) y el proyecto sigue en fase de investigación, y la ONS afirma que se necesita un nuevo estudio comparativo antes de tomar cualquier decisión de implantación.

En paralelo, el Campus está desarrollando ScannerAI, un sistema para extraer automáticamente datos detallados de fotografías de recibos enviados para la Encuesta de Costes de Vida y Alimentación, que recogió unos 60.000 recibos de cerca de 4.000 hogares en un año reciente. El sistema encadena preprocesamiento de imágenes, OCR (Tesseract y Google Vision, con el modelo multimodal Gemini Pro como opción preferida actualmente), reestructuración de texto mediante Gemini Pro, y la opción de usar Random Forest o un microservicio de clasificación generativa para asignar categorías de gasto. La propia documentación de la ONS describe la herramienta como un prototipo en fase inicial, todavía sometido a pruebas de exactitud frente a recibos codificados por personas, y aún no está en producción. Reportajes independientes de agosto de 2026 situaron ambos proyectos dentro de un impulso más amplio de IA que alcanza a la gran mayoría de los cerca de 6.000 empleados de la ONS, emprendido mientras la agencia absorbía un recorte presupuestario en términos reales, un recordatorio de que estos proyectos de eficiencia responden en parte a la presión sobre los recursos y no solo a una iniciativa impulsada por la tecnología.