Cada año, los municipios de todo el mundo gastan miles de millones de dólares en el mantenimiento de sus calles. Sin embargo, los presupuestos nunca alcanzan para repararlo todo, y decidir qué bache arreglar primero sigue siendo, en muchos casos, una decisión basada en quejas ciudadanas o en el criterio subjetivo de un inspector. Un equipo de investigadores de la Universidad de Texas en Dallas (UT Dallas) está cambiando ese paradigma con un sistema basado en inteligencia artificial que prioriza las reparaciones de forma objetiva y eficiente.
El problema real detrás de un bache
Un bache no es solo un inconveniente para los conductores. Según datos de la Asociación Americana de Automóviles (AAA), los daños causados por baches cuestan a los conductores estadounidenses alrededor de 3.000 millones de dólares al año en reparaciones de vehículos. Además, los baches pueden provocar accidentes, dañar infraestructuras de drenaje y afectar desproporcionadamente a los barrios con menos recursos, donde las quejas formales son menos frecuentes.
El reto para los gestores municipales no es solo detectar los baches, sino decidir cuál arreglar primero cuando el presupuesto es limitado. Aquí es donde entra la inteligencia artificial desarrollada por UT Dallas en colaboración con una empresa privada de gestión de infraestructuras urbanas.
Cómo funciona el sistema de IA
El sistema combina varias fuentes de datos para generar una puntuación de prioridad para cada bache detectado en la red vial de una ciudad. Entre los factores que analiza se incluyen:
- Severidad del daño: medida a través de imágenes de alta resolución capturadas por vehículos equipados con cámaras o mediante datos de sensores instalados en automóviles municipales.
- Volumen de tráfico: un bache en una avenida principal con 20.000 vehículos diarios tiene un impacto potencial mucho mayor que uno en una calle secundaria.
- Historial de reparaciones: el sistema aprende de intervenciones pasadas para identificar zonas donde el pavimento se deteriora más rápido, lo que puede indicar problemas estructurales subyacentes.
- Factores socioeconómicos: algunos modelos incorporan datos demográficos para garantizar una distribución equitativa de los recursos públicos.
El modelo de machine learning fue entrenado con datos reales de inspecciones viales y órdenes de trabajo previas. Esto permite que el algoritmo no solo clasifique los baches existentes, sino que también prediga qué zonas tienen mayor riesgo de deterioro en los próximos meses, permitiendo una gestión proactiva en lugar de reactiva.
Resultados y aplicaciones prácticas
Según los investigadores de UT Dallas, las pruebas piloto del sistema mostraron una reducción significativa en el tiempo de respuesta de los equipos de mantenimiento y una mejor distribución del presupuesto disponible. En lugar de destinar recursos a los baches más visibles o más reportados, la ciudad puede optimizar cada dólar invertido atendiendo primero los casos de mayor impacto colectivo.
Este tipo de solución no es exclusiva de grandes metrópolis. El sistema fue diseñado para ser escalable, lo que significa que ciudades medianas con presupuestos más ajustados pueden implementarlo sin necesidad de una infraestructura tecnológica compleja. La integración con plataformas de gestión municipal ya existentes es uno de los puntos fuertes del proyecto.
El contexto más amplio: IA para infraestructuras urbanas
El proyecto de UT Dallas se enmarca en una tendencia global de aplicar inteligencia artificial a los llamados sistemas de infraestructura crítica. Ciudades como Pittsburgh (EE.UU.), Amsterdam (Países Bajos) y Singapur llevan años experimentando con IA para gestionar desde el tráfico hasta el suministro de agua.
Lo que distingue a este sistema es su enfoque en la equidad algorítmica: los investigadores fueron explícitos en señalar que uno de sus objetivos era evitar que el modelo reprodujera sesgos históricos, como la tendencia a reparar primero las calles de barrios con mayor poder adquisitivo simplemente porque sus residentes presentan más quejas formales.
La combinación de eficiencia operativa y justicia distributiva convierte a este sistema en un caso de estudio relevante no solo para ingenieros civiles, sino también para responsables de políticas públicas. Si la IA puede ayudar a que cada barrio reciba el mantenimiento que merece, el impacto va mucho más allá del asfalto.
El siguiente paso del equipo es publicar los resultados completos del piloto y explorar acuerdos con municipios adicionales para ampliar la implementación. Una cosa es clara: decidir qué bache reparar nunca había sido tan científico.
