El Observatorio Latinoamericano de Desarrollo Sostenible (OLDS) asistió el 29 de agosto de 2025, en Bogotá, al Demo Day del Google for Startups Accelerator: AI for Nature, cierre de la primera cohorte de un programa dirigido a empresas de América Latina y América del Norte que aplican inteligencia artificial al monitoreo, la protección y la restauración de ecosistemas.
El programa acompañó durante diez semanas, desde mayo de 2025, a quince empresas seleccionadas, y culminó con la presentación de sus avances ante inversionistas y actores del sector. Entre las soluciones expuestas figuran la detección temprana de incendios forestales mediante redes de sensores, el uso de ADN ambiental —material genético que los organismos dejan en el agua, el suelo o el aire— para inferir qué especies habitan un territorio sin necesidad de observarlas directamente, y sistemas de verificación de deforestación orientados a comunidades indígenas y campesinas que necesitan acreditar el estado de conservación de sus territorios.
Ese conjunto ilustra bien dónde está hoy la frontera del monitoreo ambiental, que es el terreno donde la distancia entre el indicador y el fenómeno es más grande de toda la Agenda 2030. Un dato de pobreza sale de una encuesta de hogares, con su cuestionario, su muestra y su metodología pública; un dato de biodiversidad, de deforestación o de calidad del agua depende de sensores, imágenes satelitales y observación de campo, tres fuentes que producen volúmenes que ningún equipo pequeño procesa a mano. El reconocimiento automático de patrones cambia, por tanto, lo que un país de renta media puede medir sin un presupuesto de superpotencia.
De lo visto el OLDS extrae tres conclusiones. La primera es que el cuello de botella está en la anotación y no en el modelo: los modelos de reconocimiento están disponibles y muchos son abiertos, mientras que lo escaso y caro es el conjunto de datos etiquetados por especialistas que le enseña al sistema qué está mirando. Para América Latina eso significa que el activo estratégico no es el modelo sino el archivo local bien anotado, y que ese archivo se construye con biólogos y con comunidades, no solo con ingenieros.
La segunda es que la resolución territorial decide si un indicador sirve para algo. Una medición ambiental promediada a escala nacional oculta precisamente aquello que hay que gestionar, porque la degradación es local antes que nacional; la utilidad está en el desagregado, y el desagregado es justamente lo que estos métodos abaratan.
La tercera cierra el razonamiento: sin dato abierto de base, el modelo no completa el ciclo. Un sistema que detecta un cambio en la cobertura forestal solo se convierte en política pública si alguien puede auditar de dónde salió esa detección. Si el insumo no es público, el resultado no es verificable, y un resultado no verificable no sostiene una decisión ante nadie. La capa que falta, una vez más, casi nunca es el algoritmo: es el dato público consultable.
Referencias: Google for Startups Accelerator: AI for Nature · Demo Day 2025, registro en video · Presentación de la cohorte, Google.
0 Comentarios