Fiscal HeredIA: cómo un algoritmo chileno aumentó un 40% la captura de prófugos peligrosos

En los últimos doce meses, las tasas de captura de prófugos de alta peligrosidad en Chile experimentaron un salto del 40%. No fue resultado de más efectivos policiales en las calles ni de presupuestos ampliados para persecución criminal. El cambio llegó desde una sala de servidores: un sistema de inteligencia artificial llamado Fiscal HeredIA, desarrollado íntegramente por ingenieros chilenos, que está redefiniendo cómo las autoridades localizan y capturan a delincuentes que evaden la justicia. La pregunta ya no es si la IA puede ayudar en tareas policiales, sino hasta qué punto transformará completamente la persecución criminal en América Latina.

La génesis de un fiscal digital

Fiscal HeredIA nació de una necesidad concreta: el sistema judicial chileno enfrentaba una acumulación crónica de órdenes de detención sin ejecutar. Miles de personas con órdenes vigentes permanecían fuera del alcance policial, no necesariamente porque hubieran desaparecido del mapa, sino porque las fuerzas del orden carecían de herramientas para priorizar y coordinar eficientemente sus recursos limitados. El proyecto surgió como una colaboración entre el Ministerio Público, Carabineros de Chile, la Policía de Investigaciones y un equipo de científicos de datos locales especializados en aprendizaje automático.

El sistema opera mediante algoritmos de predicción que analizan patrones de comportamiento, datos históricos de capturas, información geográfica y registros de movimiento para generar probabilidades sobre dónde y cuándo es más factible localizar a cada prófugo. A diferencia de métodos tradicionales que distribuyen recursos uniformemente o según intuición operativa, HeredIA permite una asignación quirúrgica de efectivos policiales hacia objetivos con mayor probabilidad de éxito. El resultado: más capturas con los mismos recursos humanos y materiales.

Lo notable del caso chileno es que representa un desarrollo autóctono en un campo donde la mayoría de países latinoamericanos dependen de soluciones importadas. El equipo técnico detrás de HeredIA incluye ingenieros formados en universidades chilenas como la Universidad de Chile y la Pontificia Universidad Católica, quienes adaptaron técnicas de machine learning a las particularidades del sistema judicial y policial local. Esta adaptación cultural y legal resultó crucial: un algoritmo diseñado para el contexto estadounidense o europeo difícilmente funcionaría en la realidad operativa chilena sin ajustes profundos.

Cómo funciona la cacería algorítmica

El corazón de Fiscal HeredIA es un modelo de aprendizaje supervisado que procesa múltiples capas de información. El sistema integra bases de datos del Registro Civil, registros de movimiento migratorio, historiales de direcciones conocidas, redes de contactos identificadas en investigaciones previas, y patrones de movilidad urbana. Con estos datos, genera un «mapa de probabilidad» que señala no solo dónde podría estar un prófugo, sino cuándo es más probable encontrarlo en determinado lugar: horarios laborales, rutinas domésticas, zonas de tránsito frecuente.

Pero HeredIA va más allá de la simple predicción espacial. El sistema también clasifica a los prófugos según nivel de peligrosidad y urgencia de captura, permitiendo que los fiscales y policías concentren esfuerzos en casos prioritarios. Esta jerarquización automatizada reduce significativamente el tiempo que los equipos humanos dedicaban a revisar manualmente miles de expedientes para decidir qué casos perseguir primero. El algoritmo aprende continuamente: cada captura exitosa o fallida alimenta el modelo, refinando sus predicciones futuras.

La inteligencia artificial no reemplaza el trabajo policial de campo, sino que lo potencia: permite que cada efectivo llegue al lugar correcto, en el momento correcto, buscando a la persona correcta. Es la diferencia entre patrullar a ciegas y operar con un mapa de ruta preciso.

Una característica distintiva del sistema es su interfaz diseñada para usuarios no técnicos. Los fiscales y detectives acceden a recomendaciones claras sin necesidad de comprender los mecanismos matemáticos subyacentes. Ven un panel con nombres priorizados, ubicaciones probables con porcentajes de confianza, y sugerencias de horarios óptimos para operativos. Esta traducción de complejidad algorítmica a simplicidad operativa resultó fundamental para la adopción del sistema entre funcionarios acostumbrados a métodos tradicionales.

Resultados medibles y controversias latentes

El incremento del 40% en capturas no es una cifra aislada. Según datos del Ministerio Público chileno, el tiempo promedio entre la emisión de una orden de detención y la captura efectiva se redujo en un 35% para casos clasificados como prioritarios por HeredIA. Además, la tasa de «operativos en blanco» —aquellos donde los efectivos no encuentran al objetivo— disminuyó notablemente, optimizando el uso de recursos humanos y reduciendo costos operativos. En términos presupuestarios, esto significa que cada peso invertido en persecución criminal rinde más.

Sin embargo, el éxito técnico de HeredIA no ha estado exento de cuestionamientos éticos y legales. Organizaciones de derechos digitales han expresado preocupación sobre los datos que alimentan el sistema y cómo se garantiza que no reproduzca sesgos discriminatorios. ¿Podría el algoritmo sobre-vigilar ciertos barrios o perfiles socioeconómicos? ¿Qué salvaguardas existen para prevenir que patrones históricos de discriminación policial se codifiquen en el software? Estas preguntas permanecen parcialmente sin respuesta pública detallada, aunque las autoridades insisten en que el sistema opera bajo estrictos protocolos de protección de datos personales y supervisión judicial.

Otro debate emergente se centra en la transparencia algorítmica. A diferencia de una orden de captura tradicional donde los criterios de búsqueda son explícitos, las decisiones de un modelo de machine learning pueden resultar opacas incluso para sus desarrolladores —el llamado problema de la «caja negra». ¿Puede un tribunal revisar adecuadamente una captura si no comprende por qué el algoritmo señaló determinada ubicación? La jurisprudencia chilena aún está construyendo respuestas a estas interrogantes, que probablemente marcarán precedentes para toda la región.

Chile como laboratorio de IA gubernamental

Fiscal HeredIA se inscribe en una tendencia más amplia: Chile se está posicionando como un hub latinoamericano de inteligencia artificial aplicada al sector público. El país cuenta con una Política Nacional de Inteligencia Artificial lanzada en 2021, que establece marcos para el desarrollo ético y la adopción gubernamental de estas tecnologías. Otros proyectos incluyen sistemas de IA para optimizar tiempos de espera en servicios de salud pública, predecir riesgos de deserción escolar, y mejorar la asignación de recursos en emergencias.

Esta apuesta nacional responde a ventajas comparativas concretas: Chile posee infraestructura digital relativamente robusta, capital humano técnico formado en universidades de calidad, y un Estado con capacidad de articular proyectos tecnológicos complejos. Además, el tamaño del país —suficientemente grande para probar soluciones escalables, pero manejable en términos de implementación— lo convierte en un laboratorio ideal para experimentar con políticas de IA antes de expandirlas regionalmente.

El caso de HeredIA podría exportarse a países vecinos que enfrentan desafíos similares de persecución criminal. Argentina, Colombia y Perú han expresado interés en conocer el modelo chileno. Sin embargo, la transferencia tecnológica no es directa: cada país requiere adaptaciones a sus marcos legales, estructuras policiales y realidades sociales particulares. Lo que funciona en Santiago no necesariamente opera igual en Buenos Aires o Bogotá sin ajustes significativos en los datos de entrenamiento y los parámetros del modelo.

Contexto clave

Aprendizaje automático supervisado: Es una técnica de inteligencia artificial donde un algoritmo aprende patrones a partir de datos históricos etiquetados. En el caso de HeredIA, el sistema fue entrenado con miles de casos pasados donde se conoce el resultado —captura exitosa o fallida— y las variables asociadas (ubicación, horario, características del prófugo). El modelo identifica qué combinaciones de factores correlacionan con éxito, y luego aplica ese conocimiento a casos nuevos para predecir dónde concentrar esfuerzos. Es como enseñar al sistema mediante ejemplos hasta que pueda generalizar por sí mismo.

Sesgo algorítmico: Ocurre cuando un sistema de IA reproduce o amplifica prejuicios presentes en los datos con los que fue entrenado. Si históricamente la policía capturó más personas en barrios de bajos ingresos —no necesariamente porque allí haya más delincuentes, sino por prácticas de vigilancia desigual— el algoritmo podría aprender que esas zonas son «más probables» para encontrar prófugos, perpetuando el ciclo. Mitigar este sesgo requiere auditorías constantes de los datos, técnicas de corrección estadística, y supervisión humana experta que cuestione las recomendaciones del sistema.

Transparencia algorítmica y explicabilidad: Se refiere a la capacidad de comprender y explicar cómo un sistema de IA llega a sus conclusiones. Algunos modelos de machine learning, especialmente redes neuronales profundas, operan como «cajas negras»: producen resultados precisos pero sin revelar claramente su razonamiento interno. En contextos judiciales y policiales, esto plantea problemas: ¿cómo defender o impugnar una decisión si no se entiende su fundamento? Por ello, muchos sistemas gubernamentales optan por modelos más interpretables, donde cada factor de decisión puede rastrearse, aunque a veces sacrificando algo de precisión predictiva.

Para profundizar

• Inteligencia artificial y garantías constitucionales en América Latina — La implementación de sistemas predictivos en seguridad pública plantea tensiones con derechos fundamentales como la presunción de inocencia y la privacidad. Explorar cómo distintos países de la región están construyendo marcos legales para equilibrar eficacia policial con protección de libertades individuales revela debates constitucionales de primera línea que definirán el futuro de la gobernanza algorítmica.
• El ecosistema chileno de IA: más allá de los casos de éxito — Mientras proyectos como HeredIA capturan titulares, cientos de iniciativas de inteligencia artificial en Chile operan discretamente en sectores como agricultura, minería y servicios financieros. Analizar este ecosistema completo —incluyendo las startups que fracasan y los desafíos de talento técnico— ofrece una visión más realista de las capacidades y limitaciones del país en esta carrera tecnológica global.
• Predictive policing: lecciones desde otros continentes — Estados Unidos y varios países europeos llevan más de una década experimentando con policía predictiva, con resultados mixtos y controversias significativas. Estudiar estos casos —como el sistema PredPol en California o las herramientas de reconocimiento facial en Reino Unido— proporciona advertencias valiosas sobre qué errores evitar y qué salvaguardas implementar cuando la tecnología se adelanta a la regulación.