Un estudio generó 40.000 fotos de árboles con IA para resolver el problema que más frena el monitoreo de biodiversidad: la falta de datos

Entrenar un modelo que reconozca especies a partir de una fotografía necesita, antes que cualquier algoritmo, miles de imágenes reales ya identificadas por especie. Para la mayoría de proyectos de monitoreo de biodiversidad, sobre todo los que trabajan con especies raras, poco fotografiadas o de regiones enteras subrepresentadas en las bases de datos globales, ese requisito es el verdadero cuello de botella, no el modelo en sí. Un estudio publicado el 2 de septiembre de 2026 en Remote Sensing in Ecology and Conservation probó una salida: generar las fotos que faltan con inteligencia artificial.

Por qué el hueco de datos importa más que el algoritmo

Un clasificador de imágenes aprende a distinguir especies por repetición: cuantas más fotos reales de una especie ve, mejor generaliza a fotos nuevas que nunca vio. El problema es que esa abundancia de datos no está repartida de forma pareja. Bases de datos como iNaturalist concentran fotos de especies comunes en regiones con muchos usuarios activos, mientras que especies raras, nocturnas o de zonas remotas del trópico quedan con apenas un puñado de registros fotográficos, cuando los hay. Un modelo entrenado con esa desigualdad hereda el mismo sesgo: reconoce bien lo que ya estaba bien fotografiado, y falla justo donde más se necesitaría ayuda.

Qué hizo exactamente el equipo de Carolina del Norte

El equipo, liderado por Thomas Lake junto a Chris Jones, Brennen Farrell y Ross Meentemeyer, de la Universidad Estatal de Carolina del Norte, no se limitó a generar imágenes y compararlas contra fotos reales por separado. En cambio, combinó imágenes reales de árboles tomadas de iNaturalist y del Auto Arborist Dataset (el conjunto de fotos de árboles urbanos que Google construyó para inventarios forestales de ciudades) con imágenes generadas por IA, y alimentó distintas combinaciones de ambas a un modelo estándar de reconocimiento de imágenes, para 20 géneros de árboles comunes en Norteamérica.

Esa metodología (variar la proporción de datos reales frente a sintéticos, no solo probar un extremo contra el otro) es lo que permite responder una pregunta más útil que "¿funciona o no funciona la imagen generada por IA?": ¿en qué punto exacto deja de aportar?

Dónde sí ayudó la imagen sintética, y dónde dejó de servir

La respuesta que encontró el estudio tiene forma de umbral, no de sí o no. Las imágenes generadas por IA mejoraron la capacidad del modelo para reconocer árboles cuando las imágenes reales disponibles eran escasas, pero esa ganancia se fue reduciendo a medida que había más datos reales disponibles. Dicho de otro modo: la imagen sintética actúa como un parche útil justo en el escenario que más le importa a la conservación (poca especie, pocos datos), y se vuelve prescindible en el escenario donde la conservación casi nunca está (mucha especie, muchos datos).

Escenario de datos reales	Qué encontró el estudio
Datos reales escasos (especie rara, región poco muestreada)	La imagen sintética mejora la clasificación de forma medible
Datos reales abundantes	La ganancia de la imagen sintética se reduce y deja de justificarse
Comparación general, sintética vs. real	Las imágenes sintéticas fueron menos efectivas que las reales en general para entrenar el modelo

Ese último punto es la advertencia que el propio estudio no deja pasar por alto: en ningún escenario la imagen generada por IA superó a la fotografía real. Es un complemento para el peor caso, no un reemplazo.

El detalle fino es lo que la IA todavía no copia bien

La explicación de por qué la imagen sintética tiene un techo bajo está en lo que ven, o dejan de ver, los propios investigadores al revisarlas: la mayoría de las imágenes generadas por IA parecían plausibles a primera vista, pero no lograban capturar el detalle fino ni la variación que existe en el mundo real. Una hoja generada por Stable Diffusion puede tener la forma correcta de la especie y aun así carecer de las variaciones de textura, daño de insectos, ángulo de luz o estado fenológico que sí aparecen en miles de fotos reales tomadas en condiciones distintas. Un modelo entrenado solo con ese tipo de imagen aprende una versión "promedio" y demasiado limpia de la especie, y eso le cuesta precisión frente a una foto real, imperfecta, tomada en campo.

Qué significa esto para quien monitorea especies con pocos datos

Vale la pena separar lo que el estudio confirma de lo que todavía es una extensión razonable pero no probada. Lo confirmado: para 20 géneros de árboles norteamericanos, con Stable Diffusion v1.5 y un modelo de reconocimiento estándar, la imagen sintética ayuda solo mientras los datos reales son escasos, y nunca reemplaza a la fotografía real. Lo que el estudio no probó, pero que es la pregunta obvia para cualquier proyecto de monitoreo en el trópico: si ese mismo patrón se sostiene para fauna (no solo árboles), para especies sin ningún registro fotográfico previo del que partir, o para ecosistemas con una variación morfológica mucho mayor que la de un género de árbol templado.

Esa distinción importa porque el escenario de "pocos datos reales" no es la excepción en biodiversidad megadiversa, es la norma: la mayoría de especies de insectos, anfibios y plantas de los trópicos americanos tiene, en el mejor de los casos, un puñado de fotos identificadas en bases de datos abiertas como GBIF. Si el mismo umbral se cumple ahí (imagen sintética útil como parche temporal, nunca como sustituto de campo), la implicación práctica es clara: la vía real para mejorar un clasificador de especies raras sigue siendo salir a fotografiarlas, no generar más datos artificiales sobre la misma base insuficiente.

El propio resultado, leído con cuidado, termina siendo una defensa del trabajo de campo más que un atajo para evitarlo: la imagen generada por IA rinde mejor precisamente donde hay menos fotos reales de las cuales aprender a generar variación creíble, así que su techo baja todavía más rápido en las especies que más necesitarían ayuda.