A inicios de octubre, Motiva —operadora de metros y trenes de pasajeros en São Paulo, Río de Janeiro y Bahía— anunció la llegada de Gabriel Simões a la dirección del área de Soluciones dentro de su Dirección de Tecnología y Digital (T&D), la estructura que comanda Fabio Mota. El movimiento no es un simple ajuste de organigrama. Simões, graduado en Ciencias de la Computación y máster en Ingeniería Eléctrica por la Universidad Federal de Bahía, con más de 20 años de carrera en Ambev, Raízen, Adidas y Vivo, llega con el encargo explícito de acercar la tecnología a las necesidades reales del negocio y acelerar la adopción de inteligencia artificial e IA generativa en el transporte sobre rieles.
La función del área de Soluciones es, de hecho, un rol de traducción: convertir necesidades operativas —mantener frecuencias, garantizar la seguridad, administrar el consumo energético— en proyectos tecnológicos concretos. Para Simões se trata de una oportunidad de modernizar procesos, ganar eficiencia y mejorar el día a día de clientes y colaboradores. El anuncio suena a frase hecha hasta que se lo lee junto al resto de la estrategia: Motiva denomina "Mobilidade 5.0" a un programa que combina IA, Big Data & Analytics, Internet de las Cosas, automatización, sensoriamento avanzado, transición energética y nuevos materiales.
Una estrategia que ya tiene números
En las cifras está la diferencia con otros anuncios corporativos. La compañía mantiene su meta de invertir R$ 1.000 millones en innovación hasta 2035. En 2025, su Comité de Innovación, Digital e Inteligencia Artificial aprobó R$ 13 millones para proyectos de Producto Mínimo Viable (MVP) en ingeniería, inteligencia de mercado y suministros. La Dirección T&D, creada en 2024, viene sumando especialistas, capacitando equipos con programas de reskilling y upskilling y renovando su infraestructura tecnológica. El resultado más concreto de esa gestión es la reducción del 94% en el nivel de obsolescencia de los sistemas.
Ese 94% importa porque revela el orden en que una compañía de infraestructura crítica debe encarar la transformación: antes de algoritmos predictivos o gemelos digitales, hay que bajar la deuda técnica acumulada. La IA no se instala sobre plataformas obsoletas; exige datos limpios, sistemas conectados y procesos actualizados. Para cualquier operador de la región, la promesa de la IA en movilidad no se activa por decreto ni con la compra de una herramienta, sino cuando el núcleo tecnológico está en condiciones de alimentarla.
Lo que dice la evidencia internacional
Esa secuencia encuentra respaldo en una revisión sistemática presentada en la 1st Global Research and Innovation Conference 2025, que analizó el impacto de la simulación de tráfico mejorada con IA en la movilidad y la seguridad urbanas de Estados Unidos. El estudio repasa dos décadas de literatura y describe la evolución desde los modelos macroscópicos de flujo hasta los simuladores microscópicos tipo VISSIM o AIMSUN, que representan el comportamiento individual de cada vehículo y hoy se calibran con datos de detectores, GPS y señales Bluetooth.
Esa revisión documenta cómo el aprendizaje automático, el aprendizaje por refuerzo y las redes neuronales profundas se aplican al ajuste dinámico de señales, la predicción del flujo vehicular y la respuesta ante incidentes. Según sus conclusiones, esas simulaciones reducen retrasos de viaje, consumo de combustible y emisiones, y mejoran la protección de peatones y vehículos mediante la detección proactiva de riesgos.
También menciona herramientas como el Surrogate Safety Assessment Model de la administración federal de carreteras de Estados Unidos, que estima el riesgo de accidentes a partir de indicadores de conflicto —como el tiempo hasta la colisión— sin esperar a que los siniestros ocurran. Pero advierte sobre los pendientes: estandarización de datos, escalabilidad de los modelos, ciberseguridad y un despliegue equitativo entre zonas urbanas.
Con el caso latinoamericano, la comparación es reveladora. En Estados Unidos, la simulación con IA opera sobre redes viales abiertas, con sensores, GPS y vehículos conectados, y exige coordinación entre múltiples autoridades. Motiva trabaja en un entorno cerrado: rieles, estaciones y material rodante bajo una misma gobernanza. Esa condición favorece la experimentación por fases: se prueba un MVP en una línea, se mide el resultado y se escala sin depender de un ecosistema abierto de datos. La contracara es que el entorno regional todavía tiene poca madurez en datos abiertos e interoperabilidad, factores que pesarán al conectar el transporte sobre rieles con el resto de la ciudad.
Para un ejecutivo latinoamericano, el caso de Motiva muestra un patrón de institucionalización de la IA: un comité con presupuesto propio, una dirección de tecnología con mandato real y métricas explícitas como el índice de obsolescencia. La cronología también es una lección: primero el saneamiento del núcleo tecnológico, después los proyectos acotados con indicadores claros y recién entonces los sistemas completos de control inteligente.
En una región donde el transporte público concentra décadas de rezago técnico, la ventaja no estará en el algoritmo más avanzado, sino en la capacidad de medir qué hay que modernizar para que ese algoritmo tenga dónde funcionar. La movilidad 5.0, en esa secuencia, deja de ser un eslogan y se convierte en una hoja de ruta de inversión: primero el dato, después el modelo, finalmente el control.
