Por Mario Ríos
Nunca habíamos tenido tantos datos en transporte público como hoy, y sin embargo los problemas siguen siendo los mismos.
En ciudades latinoamericanas como la Ciudad de México, los sistemas generan información constantemente: validaciones con tarjeta, GPS de unidades, registros operativos. En teoría, esto debería permitir entender y optimizar la operación casi en tiempo real. En la práctica, seguimos viendo lo mismo: saturación en hora pico, tiempos de espera impredecibles y una asignación de flota que rara vez se ajusta bien a la demanda.
Esto abre una pregunta incómoda: si tenemos más información y mejores herramientas, ¿por qué el sistema no mejora al mismo ritmo?
Cuando se habla de “inteligencia artificial” en este contexto, no se trata de algo abstracto como ChatGPT, sino de herramientas mucho más específicas: modelos de predicción de demanda, algoritmos de estimación de tiempos de llegada o sistemas de optimización operativa que apoyan la programación del servicio. Es ahí donde realmente se está aplicando.
Y la evidencia es bastante clara: estas herramientas no están automatizando el transporte público, lo están asistiendo. Distintos estudios coinciden en que su uso se concentra en mejorar predicciones y apoyar la toma de decisiones, con beneficios reales pero acotados—mejores estimaciones, ajustes operativos más informados y ciertas ganancias de eficiencia.
El problema es que esto suele venderse como una “revolución”, cuando en realidad estamos frente a algo mucho más incremental.
Gran parte del valor actual de estos modelos está en afinar lo que ya existe: ajustar frecuencias, anticipar demanda o reducir incertidumbre en la operación diaria. Pero eso ocurre sobre sistemas que, en muchos casos, no cambian de fondo. Y ahí es donde aparece la verdadera limitación.
En ciudades latinoamericanas, el reto no es solo tecnológico. Es estructural: datos incompletos o poco confiables, sistemas fragmentados, múltiples actores con incentivos distintos y capacidades institucionales limitadas. En ese contexto, incluso el mejor modelo tiene un impacto acotado. No sorprende entonces que muchas soluciones se queden en piloto y no lleguen a implementarse a escala.
Por eso, más que preguntarnos qué tan avanzada es la tecnología, vale más preguntarnos qué tan listo está el sistema para usarla.
Desde mi punto de vista, la inteligencia artificial en transporte público no es disruptiva, es acumulativa. No cambia las reglas del juego, pero sí permite jugar mejor con ellas. Funciona bien en problemas donde hay datos consistentes y decisiones relativamente acotadas; pero tiene límites claros cuando se trata de rediseñar sistemas, coordinar actores o definir política pública.
Esto tiene una implicación directa para el sector: el valor ya no está solo en construir modelos, sino en lograr que esos modelos se traduzcan en decisiones reales. Es decir, en pasar del análisis a la implementación.
Para ciudades como las de América Latina, esto cambia también las prioridades. Antes que invertir únicamente en nuevas herramientas, el enfoque debería estar en fortalecer lo básico: mejorar la calidad de los datos, integrar sistemas y construir capacidades institucionales que permitan usar esa información de forma efectiva.
Porque al final, el futuro del transporte público no depende de cuánta inteligencia artificial se incorpore, sino de qué tan bien se integra en sistemas que siguen siendo, en esencia, operativos, institucionales y profundamente humanos.
El reto no es tener mejores modelos, sino lograr que realmente cambien la forma en que opera el sistema.
