IA aplicada a respuesta a emergencias: lo que la evidencia sí demuestra y lo que México todavía no mide

La emergencia es una carrera contra un reloj que nadie ve

Toda la discusión sobre inteligencia artificial en respuesta a emergencias se reduce a una variable: tiempo. En un paro cardiaco, la probabilidad de supervivencia cae alrededor de 10% por cada minuto sin reanimación. En un incendio de vegetación bajo condiciones moderadas, el fuego duplica su tamaño cada 10 a 15 minutos. En un incendio estructural, el flashover convierte una habitación sobrevivible en una habitación letal en cuestión de segundos.

Por eso el estándar que rige el desempeño de los departamentos de bomberos de carrera en Norteamérica, la NFPA 1710, no habla de tecnología sino de segundos: 60 segundos para procesar la llamada, 80 segundos de turnout (vestirse y salir) para incendio, 240 segundos de traslado para la primera unidad. Es un presupuesto de 380 segundos, poco más de seis minutos, que debe cumplirse en el 90% de los incidentes.

La observación importante es dónde puede entrar la IA en ese presupuesto. El traslado depende del asfalto, la distancia a la estación y el tráfico; la tecnología puede optimizarlo marginalmente. Pero el procesamiento de la llamada y el turnout dependen de información: qué está pasando, dónde, con qué gravedad. Y procesar información es, precisamente, lo que un modelo de aprendizaje automático hace mejor que una persona bajo estrés.

En Estados Unidos la magnitud del problema está documentada: en 2024 los departamentos de bomberos respondieron a 1,388,000 incendios que dejaron 3,920 muertes civiles y 11,780 lesionados, además de 62 bomberos fallecidos en servicio. La tasa de 8.9 muertes por cada 1,000 incendios en vivienda es 25% más alta que en 1980, pese a que el número absoluto de incendios bajó. Los incendios modernos, con mobiliario sintético y espacios abiertos, son menos frecuentes pero más letales. Ese es el escenario en el que la IA empieza a desplegarse.

Copenhague: el experimento mejor medido del mundo

Si existe un caso de IA en emergencias con evidencia de nivel clínico, es el de Copenhague. Entre 2016 y 2021, el servicio de emergencias de la capital danesa, la Universidad de Copenhague y la empresa Corti publicaron una secuencia de tres estudios que cualquier jefe de bomberos o director de C5 debería conocer.

El primero, publicado en Resuscitation en 2019, analizó 108,607 llamadas reales, de las cuales 918 correspondían a paro cardiaco extrahospitalario. Un modelo de aprendizaje automático entrenado con el audio de las llamadas reconoció el paro con una sensibilidad de 84.1%, contra 72.5% de los despachadores médicos. El precio de esa ventaja fue una especificidad menor (97.3% vs 98.8%) y un valor predictivo positivo más bajo: el modelo levantaba más falsas alarmas. En un análisis ampliado sobre 161,650 llamadas de 2014, la sensibilidad subió a 93.1% frente a 72.9% del humano, y el modelo reconoció el paro en promedio a los 48 segundos de llamada, contra 79 segundos del despachador. Los falsos positivos fueron iguales en ambos, 2%.

Hasta aquí la historia que suele contarse. La parte que casi nunca se cuenta es el tercer estudio. Entre septiembre de 2018 y diciembre de 2019 el mismo equipo corrió un ensayo clínico aleatorizado sobre 169,049 llamadas. El modelo escuchaba en tiempo real; cuando identificaba un posible paro (5,242 casos), la llamada se asignaba al azar a un grupo donde el despachador recibía la alerta o a uno donde seguía el protocolo normal sin aviso. El resultado, publicado en JAMA Network Open en 2021, fue incómodo: no hubo mejora significativa en la capacidad del despachador para reconocer el paro, a pesar de que la IA sí superaba al humano.

La IA superó al humano. El humano con IA no superó al humano sin IA. Ese es el hallazgo más importante en una década de investigación sobre emergencias y algoritmos. — Lectura del Observatorio SafetyISAB sobre Blomberg et al., JAMA Netw Open 2021 (F-02)

Hay varias explicaciones plausibles: fatiga de alertas, desconfianza en una señal que levanta falsos positivos, protocolos rígidos que no dejan espacio para actuar sobre una sospecha algorítmica. Lo que importa para quien diseña un sistema de emergencias es la lección de diseño: el valor de la IA no está en el modelo sino en la interfaz entre el modelo y la persona que decide. Desde entonces Corti amplió su despliegue a otras ciudades europeas con la European Emergency Number Association, pero el salto de "más precisa" a "salva más vidas" sigue siendo el reto abierto.

California, las cámaras y el incendio que nadie reportó

Durante medio siglo, la detección de incendios forestales en California dependió de torres de vigilancia con una persona y unos binoculares. En los años 40, 50 y 60 había más de 600 de esas torres; hoy quedan 217. El reemplazo no fue más gente sino más lentes: la red ALERTCalifornia, operada por la Universidad de California en San Diego con Cal Fire y las grandes eléctricas del estado como socios.

En julio de 2023 Cal Fire arrancó un piloto en seis de sus centros de comando de emergencia: un modelo de visión por computadora desarrollado por la empresa DigitalPath analizaba en tiempo real el video de 1,032 cámaras rotatorias de 360 grados buscando anomalías compatibles con humo. Durante el piloto, el sistema detectó 77 incendios antes de que cualquier persona marcara al 911. El resultado bastó para extender el programa a los 21 centros de Cal Fire. Para 2026 la red ronda las 1,300 cámaras y el estado incorpora además detección satelital.

El caso vale por lo que revela de las limitaciones tanto como por el éxito. El propio director del Fire Weather Lab de la Universidad Estatal de San José, Craig Clements, ha dicho que la detección de humo por IA está todavía en su infancia: el sistema confunde tolvaneras, nubes bajas y destellos del amanecer con humo. DigitalPath mantiene ingenieros verificando manualmente cada alerta. Es decir, la IA no eliminó al vigilante humano; lo movió de la torre al centro de monitoreo y le entregó 1,300 ojos en vez de dos.

El modelo se replica en otros frentes. Google Flood Hub, que llegó a México en 2023, usa dos modelos de IA (uno hidrológico, uno de inundación) para anticipar crecidas fluviales hasta siete días antes y hoy cubre 150 países. En marzo de 2026 Google publicó Groundsource, una metodología que procesó 5 millones de notas de prensa para georreferenciar 2.6 millones de eventos de inundación, extendiendo la predicción a inundaciones repentinas urbanas. Para un país como México, donde la costa del Golfo de Veracruz a Yucatán concentra la vulnerabilidad, una alerta con días de anticipación cambia la logística completa de Protección Civil.

Treinta segundos antes del flashover

Para quien ha entrado a una estructura en llamas, el flashover es la pesadilla técnica por excelencia: el momento en que la temperatura del techo alcanza el punto en que todo material combustible de la habitación se enciende simultáneamente. Se estima que alrededor del 13% de los accidentes de bomberos en interiores están relacionados con flashover; en Estados Unidos, el periodo 2008–2018 dejó unos 800 bomberos muertos y más de 320,000 lesionados en servicio. Un bombero experimentado lee las señales (humo denso y oscuro que baja, rollover en el techo, calor que obliga a agacharse), pero la ventana es de segundos y la lectura es subjetiva.

En 2022 el NIST, la Universidad Politécnica de Hong Kong y otras instituciones publicaron FlashNet, una red neuronal de grafos espaciotemporales entrenada para predecir flashover en plantas arquitectónicas arbitrarias. La elección de arquitectura es elocuente: las redes de grafos son las que usan los sistemas de tráfico para estimar tiempo de llegada analizando decenas de calles a la vez; aquí las "calles" son habitaciones y la "llegada" es la ignición generalizada. El modelo se alimentó con cerca de 25,000 incendios simulados para entrenamiento y 16,000 para ajuste y prueba, en 17 tipos de edificación residencial.

El resultado: 92.1% de precisión con 30 segundos de anticipación, y, de manera crítica, el menor número de falsos negativos entre los modelos comparados. En predicción de flashover un falso negativo es una habitación que explota sin aviso; es el error que mata. FlashNet está diseñado para operar con la degradación de sensores propia del incendio real, cuando los detectores de temperatura empiezan a fallar por el calor.

La honestidad del equipo del NIST es ejemplar: FlashNet no ha sido probado con datos de incendios reales. Es un resultado de laboratorio computacional. La ruta operativa que proponen (que la predicción se envíe desde el panel de control de alarma al comandante de incidente o a bomberos individuales) todavía requiere que los edificios tengan sensores conectados y que la información fluya en tiempo real hasta la línea de fuego. Esa infraestructura hoy no existe en la inmensa mayoría de las naves industriales mexicanas.

El 911 tiene un problema que ningún modelo resuelve solo

Antes de preguntar qué puede hacer la IA por la respuesta a emergencias en México, conviene medir con qué materia prima trabajaría. Y la materia prima del sistema es la llamada al 911.

Los datos del Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública, recogidos en el dictamen de la Comisión de Seguridad Pública y Protección Civil del Congreso de Chihuahua, son los siguientes: durante 2024 las llamadas falsas al 911 en el país superaron los 42 millones, cerca del 74% del total. Sólo en marzo de 2025 se registraron 13.3 millones de llamadas, de las cuales 9.6 millones, más del 72%, fueron improcedentes. El SESNSP estima que cada llamada improcedente cuesta entre 30 y 40 pesos a los cuerpos de auxilio. Aplicado a 42 millones, el ruido del sistema costó entre 1,260 y 1,680 millones de pesos en un solo año.

En Nuevo León, de enero a junio de 2024 el 911 recibió 1,653,160 llamadas y el 70% (1,123,000) resultaron improcedentes: bromas, llamadas mudas, datos falsos, insultos o situaciones que no ameritan servicio de emergencia. Lo que más preocupa a las autoridades estatales no son los niños jugando con el teléfono sino el uso del 911 por grupos criminales para desviar la atención de las corporaciones. En Coahuila más del 60% de las improcedentes son llamadas mudas. En Chihuahua, la proporción de llamadas atendibles subió de 21% en 2022 a 33% en 2024, una mejora real pero desde un piso muy bajo.

Aquí es donde la comparación con Copenhague se vuelve útil. En Dinamarca, el modelo buscaba 918 paros cardiacos entre 108,607 llamadas: una aguja en un pajar razonablemente limpio. En México, el primer problema algorítmico no es encontrar el paro cardiaco sino separar la emergencia real de la llamada muda, la broma y la distracción deliberada. Un clasificador de triaje que detecte con alta confianza la llamada improcedente en los primeros cinco segundos liberaría una fracción enorme de capacidad de operadores. Es un problema técnicamente más sencillo que el de Corti y con un retorno económico mucho mayor.

Algo de eso empieza a ocurrir. En julio de 2026 el gobierno del Estado de México presentó en la conferencia presidencial a "Ceci" y "K7", dos asistentes robóticos con IA incorporados a su C5 para videovigilancia, reconocimiento de placas y atención al 911, bajo lo que la gobernadora describió como una optimización del modelo de operación de llamadas de emergencia mediante IA. La Ciudad de México planea escalar de 83,000 a 140,000–150,000 cámaras, y su coordinador del C5, Salvador Guerrero Chiprés, ha fijado una postura que este Observatorio comparte: la inteligencia artificial no sustituye a la inteligencia humana, y la mejor IA no sirve de nada si hay filtración de información. Nuevo León, por su parte, concentrará en 2026 el C5 y el SINTRAM en un nuevo cuartel de inteligencia.

En el frente operativo hay señales más modestas pero concretas. Protección Civil usa drones para detectar puntos de calor en Chiapas y Baja California. La Coordinación Nacional de Protección Civil capacitó a más de 17,000 participantes en 250 cursos durante 2024. La Cruz Roja Mexicana en Querétaro arrancó en 2025 entregas de insumos médicos por dron a 8 kilómetros con Wingcopter y Sincronía Logística. Y el INEGI contabiliza más de 22,100 bomberas y bomberos en el país, una cifra que, repartida entre 130 millones de habitantes, explica por qué cualquier tecnología que multiplique la capacidad de cada uno importa más aquí que en Copenhague.

Un mercado que se duplica, con cifras que no coinciden

Las proyecciones de mercado para IA en emergencias son abundantes y contradictorias, y el lector debe tratarlas como lo que son: estimaciones comerciales, no datos oficiales. Market Research Future estima que el mercado global de sistemas de respuesta a emergencias de nueva generación pasará de 9.67 mil millones de dólares en 2025 a 20.57 mil millones en 2035, con una tasa anual compuesta de 7.84%, con Motorola Solutions, Siemens, Honeywell y Cisco entre los actores principales. Next Move Strategy Consulting valora el segmento específico de IA para riesgo de desastres en 9.85 mil millones en 2025, con Norteamérica concentrando 42% y el sector gobierno 35%. Otras consultoras publican cifras un orden de magnitud mayores al incluir infraestructura de seguridad pública completa.

Más útil que la cifra agregada es el patrón de inversión pública que la sostiene. En Estados Unidos, el paquete federal de 5,000 millones de dólares en cinco años para preparación ante incendios forestales hace elegibles los sistemas de detección por IA. Un estudio de 2024 en PLOS ONE sobre el oeste de Canadá estimó que los retrasos de detección representan alrededor del 3% del costo total de supresión y que recortar una hora de retraso ahorra aproximadamente 0.25% de esos costos. Son márgenes pequeños sobre bases enormes: la justificación económica de la IA en emergencias no es el ahorro directo sino el incendio que nunca llegó a ser noticia.