1.800 cámaras y una IA que ya clasificó 339 especies: cómo opera la Red Otus en Colombia

Revisar manualmente cada fotografía que dispara una cámara trampa en el bosque (para descartar las que solo capturan una rama moviéndose con el viento y clasificar las que sí muestran un animal) suele tomarle a un equipo de campo varias semanas por temporada. En Colombia, una red de 1.800 cámaras trampa activas en ecosistemas estratégicos ya delega buena parte de ese trabajo a un algoritmo: para marzo de 2026 acumulaba 140.000 registros de fauna silvestre y 339 especies identificadas (89 mamíferos y 242 aves), en apenas dos años de operación.

La red se llama Otus. Según sus propios operadores es la primera de su tipo en el mundo: no la sostiene una sola entidad, sino 33 Corporaciones Autónomas Regionales (CAR) trabajando bajo un protocolo común, con el acompañamiento técnico de Conservación Internacional y el Instituto Alexander von Humboldt.

Quién pone las cámaras y quién procesa las fotos

La coordinación corre por cuenta de Asocars, la asociación que agrupa a las 33 CAR del país, bajo la dirección de Yesid González Duque. El diseño técnico y la validación científica quedan en manos del Instituto Humboldt y de Conservación Internacional, que aportan el criterio biológico para calibrar el algoritmo de identificación.

Cada corporación regional instala y mantiene sus propias cámaras dentro de su jurisdicción, pero todas alimentan una única base de datos nacional. Eso es lo que permite comparar, por ejemplo, cuántas especies distintas aparecen en el Valle del Cauca frente al resto del país, algo que ninguna corporación podría responder por sí sola con sus propios registros aislados.

Cómo clasifica las fotos la inteligencia artificial (y qué no resuelve todavía)

El procesamiento corre sobre Wildlife Insights, una plataforma internacional de inteligencia artificial que identifica automáticamente la especie fotografiada a partir de la frecuencia y el patrón de los eventos capturados. Angélica Díaz Pulido, investigadora del Instituto Humboldt, y Juan Pablo López, de Conservación Internacional, son las personas que Mongabay Latam citó explicando cómo se ajusta ese algoritmo al contexto colombiano.

La ganancia principal no es la precisión (ese trabajo lo sigue validando un especialista humano), es la velocidad: en vez de meses de revisión manual, la plataforma entrega un primer conteo y una primera clasificación por especie en días. Eso libera tiempo del equipo técnico para lo que un algoritmo todavía no hace bien: confirmar identificaciones dudosas, interpretar comportamientos y decidir qué hallazgo amerita una alerta.

La red creció rápido: en septiembre de 2025 operaba cerca de 1.300 cámaras, con la meta declarada de llegar a 2.000 en el año siguiente. Para marzo de 2026 ya había superado las 1.800, un ritmo de despliegue que pocas redes de monitoreo de biodiversidad en la región pueden igualar con financiación exclusivamente pública.

Qué está revelando: del país al Valle del Cauca

Los datos agregados nacionales sirven para calibrar el algoritmo, pero es al bajar a escala regional donde el valor práctico del dato se nota. El Valle del Cauca, coordinado por la Corporación Autónoma Regional del Valle del Cauca (CVC) bajo la dirección de Marco Antonio Suárez Gutiérrez, es hoy el departamento con más registros del país:

Métrica	Nacional (Red Otus)	Valle del Cauca (CVC)
Cámaras activas	1.800	171
Imágenes/registros	140.000	Más de 20.000
Especies confirmadas	339 (89 mamíferos, 242 aves)	126 (45 mamíferos, 80 aves)
Cobertura estimada	Cerca de 1.000.000 ha	No reportada por separado

Entre las especies más comunes que las cámaras registran en el Valle del Cauca están la zarigüeya común, el armadillo de nueve bandas, la guagua, la ardilla roja y el pecarí de collar, junto con animales domésticos (perros y ganado) que también aparecen dentro de áreas de conservación, un hallazgo en sí mismo relevante para quien diseña un plan de manejo.

Qué significa esto para quien diseña un monitoreo de biodiversidad

Que una red nacional de este tamaño exista y crezca a este ritmo cambia una pregunta que hasta hace poco no tenía respuesta práctica: no es si se puede monitorear fauna a escala de país con cámaras trampa, sino qué tan rápido se puede convertir esa foto en un dato utilizable para tomar una decisión de manejo.

La limitación que persiste es de fondo, no de velocidad. Un conteo automático de eventos es útil para tendencias generales, pero la ciencia detrás de un plan de manejo (¿la población está creciendo o cayendo? ¿qué corredor conecta a ese individuo con la siguiente subpoblación?) sigue necesitando el criterio de un biólogo que revise los casos ambiguos y ponga esos registros en contexto ecológico. La IA acorta el camino entre la foto y el primer conteo, no reemplaza esa lectura.

Conclusión

Una red de cámaras trampa que crece de 1.300 a 1.800 unidades en seis meses, sostenida por 33 autoridades ambientales bajo un mismo protocolo, es en sí misma una historia sobre capacidad institucional tanto como sobre tecnología. La inteligencia artificial resuelve el cuello de botella de revisar cientos de miles de fotos; identificar qué corredor biológico conecta esas 339 especies entre sí, y qué tan urgente es protegerlo, sigue siendo trabajo de quien conoce el territorio.