400 millones de plantas prensadas siguen sin ser datos: una IA que lee sus propias etiquetas podría cambiar eso

Cada pliego de herbario, una planta seca pegada a una hoja de papel con una etiqueta escrita a mano o a máquina, es en teoría un dato de biodiversidad: qué especie, dónde, cuándo, quién la colectó. En la práctica, mientras esa etiqueta no se transcriba a un campo de base de datos, es solo una fotografía de un papel. Y la escala del rezago es enorme: los herbarios del mundo conservan alrededor de 400 millones de especímenes, dentro de una colección global de historia natural que supera los 2.000 millones, según el propio estudio que motiva este artículo (Sanchez et al., Plants, 17 de febrero de 2026).

El cuello de botella no es coleccionar, es transcribir

Fotografiar un pliego de herbario ya es rutina en la mayoría de los grandes museos y herbarios del mundo. Lo que sigue siendo lento es convertir la imagen de esa etiqueta en un registro que un sistema como GBIF pueda indexar: nombre de la especie, localidad, fecha, colector, cada uno en su propio campo. El texto suele combinar tipografía de máquina de escribir con anotaciones manuscritas de distintas décadas, y ese es exactamente el escenario donde el reconocimiento óptico de caracteres tradicional falla más: el estudio de febrero de 2026 identifica ese cruce (varias etiquetas superpuestas, texto manuscrito mezclado con texto impreso) como "el caso más desafiante" del proceso.

Un modelo que no necesita la nube

Lo que prueba el estudio no es una API comercial de OCR, sino un modelo propio, ajustado a partir de Donut-base (un transformer de comprensión visual de documentos ya preentrenado), pensado para leer la imagen completa de la etiqueta y devolver directamente los campos del estándar Darwin Core (el formato que usan GBIF y SiB Colombia para intercambiar registros de biodiversidad), sin pasar primero por una transcripción de texto plano. Según los propios autores, la solución "no depende de servicios de código cerrado, se ajusta de forma interna, y puede usarse sin conexión y de forma local". En su primera versión, el modelo alcanzó una exactitud del 85%, medida con la métrica Tree Edit Distance (que compara qué tan cerca queda la estructura de datos extraída de la estructura real de la etiqueta).

Que el modelo corra localmente y sin depender de un servicio pagado importa en concreto para un museo o un instituto de un país con presupuesto limitado para digitalización: no hay que enviar cada imagen a un servicio externo ni pagar por llamada a una API, solo el cómputo propio para correr el modelo ya entrenado.

Lo que ya hay guardado, sin haber sido tocado por esto

Ese rezago entre "fotografiado" y "estructurado" no es un problema exclusivo de un país. Las colecciones biológicas del Instituto Humboldt, para dar una referencia regional, custodian "más de 2,5 millones de especímenes y más de 454.000 números de catálogo" (Instituto Humboldt), con un herbario que por sí solo alberga cerca del 40% de la diversidad de plantas vasculares del país. Grandes herbarios universitarios en el resto del Neotrópico, de México a Argentina, guardan volúmenes comparables, casi siempre fotografiados en algún grado pero con la transcripción de la etiqueta como el paso que más tiempo humano consume.

Qué podría significar, si se aplica: una hipótesis, no un hecho

Aquí conviene ser preciso sobre qué es real y qué no. El modelo y su exactitud del 85% son reales y están publicados; que alguien lo haya aplicado ya a una colección latinoamericana concreta, no hay caso documentado todavía. La hipótesis, y es solo eso, es que una herramienta que lee la etiqueta completa y la mapea directo a Darwin Core, sin depender de un servicio en la nube, podría acelerar el paso que hoy consume más horas humanas en cualquier colección con un rezago de digitalización: convertir el pliego ya fotografiado en un registro que un modelo de distribución de especies, un análisis de línea base o un estudio de conectividad puedan usar sin que alguien lo haya tecleado a mano antes.

Eso no reemplaza el trabajo taxonómico de fondo (identificar la especie sigue siendo una decisión de un especialista, no del modelo de lectura de etiquetas), y una exactitud del 85% todavía deja una de cada seis o siete etiquetas por revisar a mano. Lo que sí cambiaría, si la cifra se sostiene fuera del set de prueba del estudio, es cuánto tiempo de un curador se va en transcripción en vez de en identificación o en resolver los casos genuinamente difíciles.

Conclusión

El dato de biodiversidad más antiguo y menos aprovechado no está en un satélite ni en un sensor de campo: está en un cajón de herbario, ya fotografiado casi siempre, y transcrito casi nunca. Un modelo que lee la etiqueta sin depender de un servicio externo no resuelve la identificación taxonómica ni sustituye el criterio de un curador, pero sí ataca directamente el paso que hoy explica buena parte del rezago entre coleccionar una planta y que esa planta cuente como un registro real en un mapa de biodiversidad.