Tecnología al servicio: La inteligencia artificial emerge como aliada clave en la conservación de la biodiversidad, según Sara Beery, investigadora del MIT.
Sara Beery, profesora de Inteligencia Artificial y Toma de Decisiones en el MIT, defiende modelos de IA de código abierto, transparentes y accesibles. Para ella, la clave está en que estas herramientas «no estén ocultas tras un muro de pago ni sean de propiedad privada», lo que las hace más sostenibles y democratiza su uso en proyectos de conservación.
Junto a Dan Morris, desarrolló Megadetector, un modelo de IA de código abierto diseñado para analizar imágenes de cámaras trampa. Su función principal es detectar animales, personas y vehículos, filtrando automáticamente las capturas en blanco. Esto reduce drásticamente el tiempo que científicos y técnicos dedican a revisar manualmente grandes volúmenes de datos, un cuello de botella crítico en la investigación ecológica.
El papel de la IA en la conservación: entre el potencial y los límites
Beery fue una de las voces destacadas en la Conferencia Internacional de Tecnología para la Conservación (ICTC), celebrada en Lima, Perú. Allí, subrayó que la IA no es una solución mágica, pero sí una herramienta «necesaria» cuando se trata de procesar datos a gran escala, como imágenes de cámaras trampa, grabaciones bioacústicas o datos de drones y satélites.
Desde una perspectiva práctica, el desafío es claro: «Si la toma de decisiones en conservación depende de analizar millones de imágenes para establecer, por ejemplo, cuotas de caza de ciervos, el procesamiento manual es invible». La IA acelera este proceso, permitiendo a los ecólogos enfocarse en el análisis y la acción, en lugar de en la recolección de datos.
Sin embargo, Beery advierte sobre las limitaciones. La IA no es gratuita: requiere infraestructura computacional, ancho de banda y recursos humanos especializados. «Mucha gente quiere que la IA sea una varita mágica, pero ese es un modelo mental erróneo». La tecnología debe ser una herramienta que complemente, no que reemplace, el trabajo humano.
Megadetector y SpeciesNet: accesibilidad con matices
Megadetector destaca por su enfoque generalista: detecta animales sin identificar especies, lo que lo hace más versátil y accesible para diferentes ecosistemas sin necesidad de reentrenamiento. Esto reduce costes y barreras de entrada, pero no elimina la necesidad de intervención humana. Tras su aplicación, los datos aún requieren etiquetado manual para clasificar especies.
Para abordar esta limitación, Beery y su equipo han desarrollado SpeciesNet, un modelo entrenado con datos de Wildlife Insights que comienza a reducir la brecha en proyectos específicos de identificación de especies. Aunque aún en desarrollo, promete disminuir el tiempo que los expertos dedican a verificar y corregir datos.
Lo que esto revela es un equilibrio delicado: la IA puede agilizar procesos, pero su efectividad depende de cómo se integre con el conocimiento humano y las necesidades locales.
Desigualdades en el acceso: ¿puede la IA ser inclusiva?
Uno de los mayores desafíos es la desigualdad en el acceso a estas tecnologías. Beery señala que la infraestructura necesaria —como la capacidad de subir datos a la nube— no está distribuida equitativamente. Por ejemplo, muchos proyectos requieren enviar información a servidores en Estados Unidos, lo que genera desequilibrios para países con menos recursos.
Además, la documentación y los materiales educativos suelen estar disponibles solo en inglés, lo que limita su adopción en regiones no angloparlantes. «Si no invertimos en infraestructura de datos, computacional y humana en países en desarrollo, la brecha de acceso a la IA se ampliará», advierte.
La solución, según Beery, pasa por invertir en capacidad humana y en infraestructura local. Incorporar expertos tecnológicos en equipos de conservación puede marcar la diferencia, permitiendo adaptar las herramientas a contextos específicos. También destaca la importancia de programas educativos que faciliten el acceso a estas tecnologías.
En la ICTC, representantes de pueblos indígenas señalaron otra brecha: la desconexión entre los datos recabados por investigadores y los intereses comunales, así como la falta de integración de conocimientos ancestrales en los modelos de IA. Beery reconoce el desafío, pero ve potencial en sistemas que traduzcan información no estructurada —como descripciones de hábitats— en datos cuantificables.
Un ejemplo es el uso de modelos de lenguaje visual para convertir descripciones textuales de características de hábitats (como «densa maleza leñosa cerca de un río») en variables cuantificables. Aunque es un avance prometedor, aún queda por definir cómo adaptar estos prototipos a comunidades locales y asegurar que sean accesibles y útiles.
El costo ambiental de la IA: un debate necesario
Beery también aborda un tema menos discutido: el impacto ambiental de la IA. Mientras que modelos generativos como ChatGPT consumen enormes cantidades de energía y agua (para refrigerar servidores), la mayoría de las aplicaciones de IA en conservación utilizan modelos más ligeros y eficientes.
«La gran mayoría de la IA aplicada a la conservación no es IA generativa», aclara. Estos modelos, diseñados con limitaciones de recursos en mente, tienen un costo ambiental menor. No obstante, Beery insiste en que es crucial evaluar el impacto climático, energético e hídrico de cada tecnología antes de su implementación.
Lo que emerge de su análisis es una llamada a la acción: la IA puede ser una herramienta poderosa para la conservación, pero su éxito depende de cómo se gestione su acceso, su desarrollo y su impacto ambiental.
.JPG)
¿Lograremos que la inteligencia artificial sea tan accesible y sostenible como los ecosistemas que busca proteger?
El equilibrio entre innovación y equidad en la IA aplicada a la conservación
La visión de Sara Beery no solo destaca el potencial de la IA en la conservación, sino que expone una tensión fundamental: cómo escalar soluciones tecnológicas sin profundizar las desigualdades existentes.
Desde una perspectiva sectorial, el desarrollo de herramientas como Megadetector y SpeciesNet refleja una estrategia clara: priorizar modelos generalistas y de bajo costo computacional para maximizar su adopción. Sin embargo, este enfoque choca con una realidad incómoda: la dependencia de infraestructura centralizada. La necesidad de enviar datos a servidores externos no solo encarece los proyectos, sino que también genera dependencias técnicas que pueden limitar la autonomía de equipos locales. Esto plantea un dilema: ¿cómo garantizar que la IA sea una herramienta de empoderamiento y no de subordinación para comunidades con menos recursos?
Otro aspecto crítico es la integración del conocimiento tradicional. Beery reconoce que los modelos actuales están diseñados principalmente para datos estructurados, dejando fuera saberes no cuantificables pero igualmente valiosos. La pregunta aquí es si la IA puede adaptarse para incorporar estas perspectivas sin caer en la tokenización de comunidades indígenas, usando su conocimiento como *input* sin darles control sobre los resultados.
¿Hacia una IA conservacionista descentralizada?
El verdadero reto no es técnico, sino organizativo. La IA en conservación solo será sostenible si se construye sobre tres pilares: accesibilidad económica, inclusión lingüística y cultural, y evaluación rigurosa de su huella ambiental. Sin esto, el riesgo es crear una herramienta que, en lugar de salvar ecosistemas, reproduzca las mismas desigualdades que amenazan su supervivencia.
