El cuello de botella de un censo de fauna no está en el algoritmo que identifica al animal en la fotografía, sino en algo más básico: dónde se colocó la cámara y si esa cámara realmente registró al animal cuando pasó. Un equipo de investigadores presentó en IJCAI-ECAI 2026 un enfoque para resolver la primera parte con métodos de optimización, mientras que dos estudios de campo en India, Costa Rica y España muestran por qué la segunda parte sigue siendo el problema más caro de ignorar.
La optimización llega antes que la visión artificial
Hannah Murray, junto a Amrita Gupta, Arielle W. Parsons, Justin P. Suraci y Bistra Dilkina, desarrolló un método basado en algoritmos voraces (greedy) para decidir dónde instalar cámaras trampa cuando el presupuesto es limitado. El objetivo no es tomar la foto más vistosa, sino que los datos recolectados permitan estimaciones de densidad poblacional lo más precisas posible al alimentar modelos de captura-recaptura espacial, la herramienta estándar que usan los ecólogos para medir cuántos individuos hay en un territorio.
La ironía del campo es que la mayor parte de la investigación en IA para conservación se ha concentrado en visión computacional, casi siempre para identificar especies a partir de las imágenes que ya capturaron las cámaras. Muy poca atención ha recibido la etapa previa: elegir dónde poner esos sensores para que el resto del análisis funcione. El trabajo de Murray y sus colegas se posiciona como un paso de preprocesamiento que puede mejorar todos los análisis de visión artificial que ocurren río abajo, y fue presentado en el congreso internacional IJCAI-ECAI 2026, según detalla la entrevista publicada en AI Hub.
Pero optimizar la ubicación asume que la cámara, una vez colocada, funciona. Esa suposición es más frágil de lo que parece. Un modelo bayesiano de captura-recaptura espacial desarrollado por Soumen Dey, Mohan Delampady, K. Ullas Karanth y Arjun M. Gopalaswamy aborda exactamente este punto: separar el proceso de que un animal pase frente a un detector del proceso de que el detector efectivamente lo registre. Al aplicar el modelo a un censo de tigres con cámaras trampa en Nagarahole, al sur de la India, la probabilidad de detección de las trampas se estimó en 0,489, según el paper publicado en arXiv. Es decir, menos de la mitad de las veces que un tigre pasó por un punto de muestreo, la cámara dejó evidencia utilizable. Ignorar esa falla sistemática sesga las estimaciones de abundancia y puede hacer creer que hay menos animales de los que realmente hay.
El sensor falla más de lo que parece
La magnitud del problema quedó expuesta en un experimento de campo del Instituto de Investigación en Recursos Cinegéticos (IREC) en el Parque Nacional de Doñana, España. Los investigadores compararon 45 cámaras trampa de cinco modelos (Reconyx, Bushnell, KeepGuard, Ltl Acorn y Scoutguard) frente a una cámara de video panorámica que grabó las 24 horas como referencia. La cámara de referencia registró 3.788 eventos de 27 especies distintas; las cámaras trampa, combinadas, solo detectaron 1.083.
Los falsos negativos —animales que cruzan el campo de detección sin ser capturados— son frecuentes y, además, no se distribuyen al azar: la probabilidad de detección varía según el modelo de cámara, la especie, la altura de colocación, el momento del día y la distancia. Colocar el equipo a la altura de la cruz del animal mejora los resultados, la detección es mayor de día que de noche y una cámara registra mejor a un animal que pasa a tres metros que a siete, tal como documenta el estudio publicado en Journal of Zoology.
En Centroamérica, el caso del jaguar muestra las consecuencias prácticas de esos sesgos. Un equipo dirigido por Víctor H. Montalvo estimó la densidad de jaguares en el Parque Nacional Santa Rosa, en el Área de Conservación Guanacaste, Costa Rica, usando cámaras trampa entre junio de 2016 y junio de 2017. Se detectaron 19 jaguares (11 machos y 8 hembras) y la densidad estimada fue de 2,6 hembras y 5,0 machos por cada 100 kilómetros cuadrados, según el estudio publicado en Animals.
Pero al cruzar los datos de cámaras con la telemetría satelital de una hembra con collar, los investigadores encontraron que la ubicación de las cámaras —sobre senderos o fuera de ellos— puede sesgar qué sexos se detectan y, por lo tanto, inclinar la estimación de densidad. La recomendación del equipo es contundente: evaluar la población en intervalos consecutivos de tres meses, cubrir áreas más grandes que uno o dos rangos de hogar y montar programas de monitoreo de largo plazo en lugar de estudios cortos, usando telemetría auxiliar para ajustar el diseño.
Qué significa para Latinoamérica
Para organizaciones y empresas de la región que necesitan monitorear fauna —ya sea por obligaciones de impacto ambiental en minería, infraestructura o agroindustria, o por programas de conservación con presupuestos escasos— la lección es doble. Primero, la optimización algorítmica permite estirar el dinero: con la misma cantidad de cámaras, un diseño basado en algoritmos voraces puede entregar estimaciones más precisas que una colocación intuitiva, o lograr la misma precisión con menos equipos. Segundo, ningún algoritmo compensa un sensor ciego: si el hardware pierde más de la mitad de los eventos o si la ubicación excluye sistemáticamente a un sexo o a una especie, el modelo estadístico más sofisticado solo producirá errores con mejor apariencia.
Este principio aplica más allá de la ecología. Cualquier red de sensores —cámaras de seguridad, estaciones agrícolas, medidores industriales— enfrenta el mismo dilema: el valor de los datos depende de dónde se instala el equipo y de qué tan confiable es su detección en condiciones reales, no en el folleto del fabricante. La diferencia entre una buena y una mala inversión en monitoreo no está solo en comprar mejor hardware, sino en decidir con algoritmos y validar con datos auxiliares independientes, tal como se hizo con la telemetría satelital en Costa Rica. Para un ejecutivo latinoamericano que aprueba un presupuesto de monitoreo ambiental, la pregunta clave no es cuántas cámaras comprar, sino cuántas de las detecciones que esas cámaras registran se pueden realmente creer.
