La IA ya distingue a un animal de otro: qué muestran 159 estudios sobre reconocimiento individual de fauna, y quién se quedó fuera

Un modelo entrenado en el Serengeti reconoce animales con más de 96 % de acierto en el Serengeti. Llévalo a otras reservas africanas y baja a entre 60 % y 70 %. Es uno de los hallazgos de una revisión sistemática publicada en iScience en octubre que reunió 159 estudios (2014 a 2026) de aprendizaje profundo aplicado a fauna incluida en CITES o en la Lista Roja de la UICN.

La revisión importa por una razón práctica: separa lo que la tecnología ya hace con confiabilidad de lo que solo funciona en el sitio y la especie donde se entrenó. Si hoy compras, contratas o evalúas un sistema de análisis de cámaras trampa, esa diferencia es la que decide si el resultado es defendible.

Cuatro cosas que un modelo hace con una foto

Los autores organizan la literatura en cuatro tareas, cada una un escalón por encima de la anterior:

Tarea	Qué responde	Ejemplo reportado en la revisión
Reconocimiento de especie	¿Qué animal es?	96,6 % de acierto en 48 especies del Snapshot Serengeti, a la par de voluntarios humanos
Reidentificación individual	¿Cuál individuo es?	92,5 % en chimpancés con reconocimiento facial en video
Rasgos demográficos	¿Qué edad o sexo tiene?	85 a 90 % en clases de edad (juvenil, subadulto, adulto) de pandas gigantes
Comportamiento	¿Qué está haciendo?	Análisis de video para actividad y pose

La segunda tarea es la que cambia el trabajo de campo. Identificar individuos por sus marcas naturales (patrones del pelaje, contornos de aletas, disposición de manchas) permite hacer censos sin capturar ni marcar a nadie. En el caso del panda gigante, los autores citan que la estimación de edad desde fotos de cámaras trampa redujo el análisis manual de 12 meses a 2 semanas.

Esto no es un sistema que ya funcione igual para todos. Los autores lo califican con una escala de madurez por grupo taxonómico, y ahí aparece el patrón más incómodo de la revisión.

La tecnología madura donde hay datos, no donde hay amenaza

Según la revisión, la madurez del aprendizaje profundo "se correlaciona fuertemente con la riqueza de los conjuntos de datos de referencia y con la financiación de la conservación, no con la urgencia de la amenaza según la UICN". En números, de los 159 estudios:

• Mamíferos: 79,8 % (carnívoros 32,7 %, primates 19,5 %, artiodáctilos 11,3 %, cetáceos y pinnípedos 8,8 %, proboscídeos 7,5 %).
• Aves: 10,1 %.
• Reptiles: 5,0 %, aun cuando las especies de reptiles analizadas están todas en la categoría En Peligro Crítico.
• Peces de aleta radiada: 3,1 %.
• Insectos e invertebrados: 1,9 %.

Los reptiles y los insectos aparecen como los objetivos más críticos para invertir en conjuntos de datos nuevos. En insectos no hay referencias públicas de reidentificación individual: la revisión señala cuerpos pequeños, baja resolución, enorme diversidad de especies y un costo de anotación prohibitivo. En reptiles, la reidentificación es incipiente y el reconocimiento de especie ronda entre 70 % y 80 %, con colores crípticos, oclusión bajo el agua y pocos datos etiquetados como obstáculos.

También hay un sesgo geográfico. Norteamérica y Europa suman 57 de los 159 estudios y, a la vez, presentan la menor amplitud de especies por estudio. La revisión añade un matiz sobre América del Sur: su proporción baja de estudios de una sola especie (13 %) no refleja una tradición de monitoreo de comunidades completas, sino un puñado de conjuntos de datos multiespecie neotropicales.

Dos pruebas que desinflan los números de laboratorio

La revisión documenta dos casos donde el rendimiento publicado no sobrevive al contacto con la realidad.

El cambio de sitio. Los modelos entrenados en un lugar sufren "cambio de dominio" cuando cambian las cámaras, el hábitat, la luz, la apariencia de la subespecie o el fondo. El ejemplo citado es el del Serengeti: más de 96 % dentro del Serengeti, entre 60 % y 70 % en otras reservas africanas.

La validación sin verificar. En el gato montés de Escocia (En Peligro Crítico en el Reino Unido por hibridación con gatos domésticos), el mejor modelo evaluado por Fargetta y colaboradores alcanzó 71 % de acierto sobre un conjunto de prueba validado genéticamente, frente a 86 % sobre la distribución de entrenamiento sin validar. Los autores atribuyen la caída en parte a que la hibridación es continua: los rasgos del pelaje cambian de forma gradual entre grados de hibridación en lugar de separarse en clases limpias, algo que la validación estándar no revela.

La lección para quien evalúa un sistema es concreta. Un porcentaje de acierto sin su conjunto de prueba, su sitio y su verificación independiente no es una cifra comparable.

Qué hacer con esto en un proyecto de monitoreo

Lo que sigue es lectura propia del artículo, no hallazgo de la revisión:

1. Pide el resultado en tu sitio, no el de la ficha técnica. Antes de adoptar un modelo, mide su acierto con una muestra etiquetada por ti de tus propias cámaras. El cambio de dominio es el riesgo más documentado.
2. Valida con una verdad de campo independiente. Cuando la especie es difícil de distinguir (híbridos, juveniles, especies parecidas), el dato del modelo necesita una comprobación que no salga del mismo modelo.
3. Si trabajas con grupos poco estudiados, presupuesta el conjunto de datos. La revisión sugiere que para reptiles e insectos lo que falta no es un algoritmo mejor sino imágenes anotadas.
4. Publica tus imágenes etiquetadas cuando se pueda. Los autores señalan como prioridad la privacidad de los datos de ubicación de especies amenazadas, con enfoques como el aprendizaje federado; la apertura requiere cuidado, no ausencia.

Para el paso previo, que es cómo se diseña el muestreo que alimenta estos modelos, la guía de fototrampeo: diseño del muestreo y análisis de datos cubre lo básico, y el modelo abierto del que hablamos en SpeciesNet para cámaras trampa muestra cómo se ve la clasificación de especies en la práctica.

Una conclusión

Que la IA pueda reconocer individuos es real y está documentado en 159 estudios; que sirva para cualquier especie en cualquier bosque no lo está. La brecha que dibuja esta revisión es sobre todo de datos y de validación: la madurez sigue a los conjuntos de referencia, no a la urgencia de la amenaza. Quien reduzca esa brecha, con conjuntos de datos abiertos de reptiles, anfibios e insectos del trópico, hará más por el monitoreo que el próximo modelo con un punto más de precisión.

---

Portada: jaguar fotografiado por una cámara trampa en un bosque tropical al anochecer. Imagen generada con IA (openai/gpt-image-2).