Cómo la inteligencia artificial está midiendo la calidad de nuestras plazas y calles

Cada mañana, millones de personas atraviesan plazas, caminan por veredas y utilizan parques sin preguntarse qué hace que un espacio público sea realmente bueno. ¿Es la cantidad de árboles? ¿La iluminación? ¿La presencia de bancas? Hasta ahora, estas evaluaciones dependían de la intuición de urbanistas o de encuestas limitadas. Pero un equipo de investigadores de la Facultad de Arquitectura y Urbanismo de la Universidad de Chile está cambiando radicalmente esta ecuación: han desarrollado un sistema de inteligencia artificial capaz de medir, con precisión inédita, la calidad del espacio público urbano.

La revolución silenciosa en el urbanismo chileno

El proyecto, liderado por académicos de la FAU, representa un punto de inflexión en cómo entendemos y planificamos nuestras ciudades. A diferencia de los métodos tradicionales que requieren semanas de trabajo de campo y análisis subjetivo, este sistema procesa imágenes del entorno urbano y genera evaluaciones objetivas en cuestión de minutos. La investigación no solo mide variables obvias como la presencia de vegetación o mobiliario urbano, sino que captura elementos más sutiles: la sensación de seguridad que transmite un espacio, su accesibilidad real para personas con movilidad reducida, o la calidad de la interacción social que propicia.

Lo que distingue a esta iniciativa de proyectos similares en otras latitudes es su adaptación al contexto latinoamericano. Mientras que sistemas desarrollados en Europa o Estados Unidos suelen enfocarse en parámetros de ciudades del primer mundo, el modelo chileno incorpora variables críticas para la realidad urbana de la región: la informalidad comercial, la heterogeneidad socioeconómica de los barrios, y las particulares condiciones climáticas y geográficas del país. Esta contextualización no es un detalle menor; es lo que permite que las evaluaciones sean verdaderamente útiles para mejorar la vida de quienes habitan estas ciudades.

La Universidad de Chile, con su tradición en investigación aplicada, se posiciona así como referente en la intersección entre inteligencia artificial y planificación urbana en América Latina. El proyecto surge en un momento crucial: cuando las ciudades chilenas enfrentan desafíos de densificación acelerada, desigualdad espacial y la urgente necesidad de espacios públicos que fortalezcan el tejido social fragmentado.

La tecnología detrás de la evaluación automatizada

El sistema desarrollado por la FAU utiliza técnicas avanzadas de visión computacional y aprendizaje profundo para analizar fotografías y videos del espacio urbano. Los algoritmos han sido entrenados con miles de imágenes de diferentes tipos de espacios públicos en Santiago y otras ciudades chilenas, aprendiendo a identificar y cuantificar elementos específicos: desde la cantidad y estado de los árboles hasta la presencia de basura, grafitis, o señalética. Pero más allá de este inventario visual, el sistema incorpora capas de análisis más sofisticadas que evalúan la configuración espacial, la relación entre llenos y vacíos, y la permeabilidad del entorno.

Una de las innovaciones más significativas del proyecto es su capacidad para predecir cómo las personas experimentarán un espacio antes de que sea construido o modificado. Mediante el análisis de patrones en espacios existentes y su correlación con datos de uso real —obtenidos a través de conteos peatonales y encuestas de percepción—, la IA puede anticipar si un diseño propuesto generará apropiación ciudadana o quedará como un espacio subutilizado. Esta capacidad predictiva tiene implicaciones profundas para la inversión pública: permite optimizar recursos destinando fondos a intervenciones que realmente mejorarán la calidad de vida urbana.

El equipo de investigación ha trabajado también en la transparencia del sistema. A diferencia de muchas aplicaciones de IA que funcionan como "cajas negras", este modelo permite a urbanistas y autoridades comprender qué variables están influyendo en cada evaluación. Esta explicabilidad es crucial para generar confianza en la herramienta y para que los profesionales puedan combinar el análisis automatizado con su experiencia y conocimiento local.

"La inteligencia artificial no reemplaza el juicio experto del urbanista, pero le proporciona una base objetiva y escalable para tomar decisiones que antes dependían exclusivamente de la intuición o de muestras limitadas."

Del laboratorio a las calles: aplicaciones prácticas

Las implicaciones prácticas de esta investigación ya comienzan a materializarse. Municipios de la Región Metropolitana han mostrado interés en incorporar la herramienta para evaluar el estado de sus plazas y parques, priorizando intervenciones en aquellos espacios que el sistema identifica como deficientes. En un país donde los recursos municipales son limitados y desigualmente distribuidos, contar con un diagnóstico preciso y objetivo puede marcar la diferencia entre una inversión efectiva y un gasto que no mejora realmente la experiencia ciudadana.

Más allá de la evaluación de espacios existentes, el sistema está siendo explorado como herramienta de diseño participativo. Imaginemos un proceso donde los vecinos pueden visualizar diferentes propuestas de mejoramiento de su plaza y recibir, en tiempo real, una evaluación de cómo cada opción impactaría la calidad del espacio según criterios objetivos. Esta retroalimentación inmediata puede enriquecer los procesos participativos, que tradicionalmente se basan en preferencias estéticas sin considerar el impacto funcional de las decisiones.

El proyecto también abre posibilidades para estudios longitudinales sobre la evolución de la calidad urbana. Al poder medir los mismos espacios a lo largo del tiempo con criterios consistentes, investigadores y autoridades pueden entender qué intervenciones funcionan, cuáles fallan, y cómo factores como el cambio climático o las transformaciones demográficas afectan nuestros espacios públicos. Esta memoria urbana basada en datos podría transformar la planificación reactiva en una verdadera gestión estratégica del espacio público.

Desafíos éticos y técnicos en la IA urbana

Como toda aplicación de inteligencia artificial en el ámbito social, este sistema enfrenta desafíos importantes. El primero es el sesgo algorítmico: si el modelo fue entrenado principalmente con imágenes de barrios de clase media, ¿puede evaluar justamente espacios en contextos de vulnerabilidad? Los investigadores de la FAU son conscientes de esta limitación y han trabajado en diversificar su conjunto de datos de entrenamiento, incluyendo espacios de diferentes niveles socioeconómicos y tipologías urbanas. Sin embargo, el desafío de representatividad persiste y requiere actualización constante.

Otro tema crítico es la privacidad. Si bien el sistema actual se enfoca en características del espacio físico, la frontera con la vigilancia es delgada. La captura de imágenes del espacio público inevitablemente incluye personas, y existe el riesgo de que estas tecnologías deriven en sistemas de monitoreo ciudadano. El equipo de investigación ha establecido protocolos estrictos de anonimización y enfoca el análisis exclusivamente en elementos del entorno construido, pero la conversación sobre los límites éticos de estas herramientas debe ser continua y participativa.

Finalmente, existe el riesgo de que la cuantificación excesiva elimine aspectos intangibles pero fundamentales del espacio público: su significado simbólico, su valor histórico, o su papel en la identidad barrial. Un espacio puede obtener una puntuación baja según criterios objetivos pero ser profundamente valorado por su comunidad. La tecnología debe servir como complemento, no como reemplazo, del conocimiento local y la memoria colectiva.

Contexto clave

Visión computacional: Es la rama de la inteligencia artificial que permite a las máquinas "ver" e interpretar imágenes de manera similar a como lo hacen los humanos. En este proyecto, algoritmos de visión computacional identifican elementos urbanos como árboles, bancas o pavimento analizando fotografías del espacio público. La tecnología utiliza redes neuronales convolucionales, estructuras inspiradas en el sistema visual humano, que aprenden a reconocer patrones tras procesar miles de ejemplos.

Aprendizaje supervisado: El sistema fue entrenado mediante aprendizaje supervisado, un método donde los investigadores proporcionan al algoritmo ejemplos etiquetados —imágenes de espacios públicos junto con evaluaciones de su calidad realizadas por expertos—. Con el tiempo, el modelo aprende las relaciones entre características visuales y calidad percibida, permitiéndole evaluar nuevos espacios sin intervención humana. Este enfoque requiere grandes cantidades de datos etiquetados, lo que representa uno de los principales desafíos en su desarrollo.

Explicabilidad algorítmica: Refiere a la capacidad de comprender y explicar cómo un sistema de IA llega a sus conclusiones. En aplicaciones urbanas, esto es crucial porque las decisiones afectan a comunidades enteras. Los investigadores han incorporado técnicas que permiten visualizar qué elementos del espacio influyeron más en cada evaluación, haciendo el proceso transparente para urbanistas y ciudadanos, y permitiendo identificar y corregir posibles sesgos del sistema.

Para profundizar

• IA y justicia espacial — ¿Cómo garantizar que estos sistemas no perpetúen las desigualdades urbanas existentes? La pregunta sobre quién define los parámetros de "calidad" y cómo se incorporan las perspectivas de comunidades históricamente marginadas es fundamental para que la tecnología sea verdaderamente democratizadora.
• Gemelos digitales de ciudades — La evaluación automatizada del espacio público es un componente de una tendencia mayor: la creación de réplicas digitales completas de ciudades. Estas representaciones virtuales permiten simular intervenciones urbanas antes de ejecutarlas, optimizando recursos y anticipando impactos no deseados en el tejido social y ambiental.
• Participación ciudadana aumentada por IA — ¿Puede la inteligencia artificial facilitar procesos participativos más inclusivos y efectivos? Herramientas que traducen preferencias ciudadanas en evaluaciones técnicas, o que identifican consensos en comunidades diversas, podrían transformar cómo se toman decisiones sobre el espacio que compartimos.