Investigación La promesa y el riesgo de usar IA para conservar la biodiversidad
La inteligencia artificial promete revolucionar el monitoreo de especies, pero su aplicación en países megadiversos como Colombia requiere adaptación local y gestión de sesgos. Un análisis de los hallazgos del Instituto Humboldt.
La inteligencia artificial llegó a la biología de la conservación con una promesa concreta: procesar volúmenes de datos que ningún equipo humano podría analizar manualmente. Rastrear los movimientos de millones de insectos, identificar especies mediante imágenes de cámaras trampa o detectar ballenas desde la proa de un ferry usando visión térmica son tareas que los algoritmos pueden hacer en minutos. Pero entre esa promesa y su ejecución efectiva hay una brecha que investigadores en Sudáfrica, Colombia y Canarias están empezando a cartografiar con precisión.
La IA fue identificada como una oportunidad y un riesgo. Por un lado, puede automatizar el análisis de datos de cámaras trampa y alimentar bases de datos globales como Wildlife Insights. Por otro, los expertos advierten que los modelos pueden generar información falsa con total confianza, amplificar sesgos ocultos en los datos de entrenamiento y consumir cantidades de energía que contradicen los objetivos de sostenibilidad.
En el Neotrópico, la ecuación es más compleja. El Instituto Humboldt de Colombia publicó un análisis centrado en las experiencias del país entre 2023 y 2024. Los investigadores colombianos identificaron aplicaciones concretas como la identificación automática de especies a partir de imágenes y grabaciones, el modelado de nichos ecológicos y la bioprospección in silico, que usa algoritmos para buscar compuestos de interés en datos genómicos sin necesidad de recolectar físicamente especímenes. Pero también señalaron limitaciones críticas para la región: los modelos de aprendizaje automático replican los sesgos sociales de sus datos de entrenamiento, y en países megadiversos como Colombia esos sesgos pueden significar subrepresentar ecosistemas enteros o comunidades indígenas que poseen conocimiento tradicional sobre su biodiversidad.
Además, los sistemas de IA aplicados a la conservación no son herramientas neutrales. Los investigadores del Humboldt describen estos artefactos como sistemas socio-tecno-ecológicos: una red de relaciones que involucra a desarrolladores, datos, ecosistemas y actores locales. Ignorar esa complejidad puede generar impactos no deseados, como priorizar la protección de una especie carismática que un modelo identifica fácilmente, mientras se descuidan ecosistemas menos fotogénicos pero más críticos.
El caso de los cachalotes en Canarias ilustra bien esta tensión entre eficiencia técnica y contexto real. La Universidad de La Laguna desarrolló un sistema de cámaras térmicas con IA para detectar cetáceos desde ferris rápidos, después de constatar que el 40% de los cachalotes varados en la última década presentaba signos de colisión con embarcaciones. La investigadora Olivia Marín Delgado creó un modelo que evalúa la calidad de las imágenes térmicas en condiciones reales de oleaje, humedad, reflejo solar y calima, factores que reducen el contraste y pueden provocar falsos negativos.
Las pruebas entre 2023 y 2024 en dos buques de Fred. Olsen mostraron viabilidad, pero también aspectos por mejorar antes de una implantación operativa. El sistema es prometedor, pero su efectividad depende de la capacidad del algoritmo para interpretar un entorno hostil donde la naturaleza no coopera con los datasets de entrenamiento.
Para las empresas y ejecutivos latinoamericanos, estas investigaciones tienen implicaciones directas. La región concentra la mayor biodiversidad del planeta y enfrenta presiones económicas que requieren decisiones rápidas sobre uso de recursos naturales. Adoptar IA en monitoreo ambiental, agricultura de precisión o certificación de cadenas de suministro sostenibles puede ser una ventaja competitiva, pero quienes implementen estas herramientas sin entender sus sesgos y limitaciones corren el riesgo de tomar decisiones basadas en datos que no representan la realidad local. El costo no es solo reputacional: puede traducirse en pérdida de licencias sociales para operar, conflictos con comunidades o inversiones en conservación que no producen los resultados esperados.
La pregunta que queda abierta para los líderes de negocio en América Latina no es si la IA puede ayudar a conservar la biodiversidad, sino cómo asegurarse de que los modelos que usan reflejen la complejidad de los ecosistemas donde operan, sin caer en la trampa de delegar decisiones críticas a sistemas que aún no están preparados para entenderlas.
