Ciudades que se inundan y algoritmos que predicen cual sera la tuya

El cambio climático, la IA y la predicción se han convertido en una combinación que ya no pertenece a la ciencia ficción ni a los informes del IPCC que nadie lee. Pertenece a los centros de control de inundaciones de Ámsterdam, a los servidores de Google DeepMind y a los despachos de los ayuntamientos que todavía no saben muy bien qué hacer con los datos que les llegan. La pregunta ya no es si los algoritmos pueden predecir cuándo se inundará una ciudad. La pregunta es qué hacemos cuando ya lo saben.

El clima ya no es impredecible: es que los modelos eran demasiado torpes

Durante décadas, la meteorología y la climatología trabajaron con modelos numéricos que requerían semanas de cálculo para producir simulaciones con margen de error enorme. No era falta de voluntad científica. Era falta de potencia computacional y, sobre todo, falta de datos granulares. Un modelo climático clásico dividía el planeta en celdas de decenas de kilómetros. Lo que ocurriera dentro de esa celda era, literalmente, invisible.

La inteligencia artificial ha cambiado eso de una forma que cuesta dimensionar. Los modelos modernos de aprendizaje automático pueden integrar datos satelitales, sensores urbanos, registros históricos de lluvias, temperatura del suelo, nivel freático y patrones de circulación atmosférica en tiempo casi real. Y no solo integrarlos: encontrar correlaciones que ningún climatólogo humano habría identificado a tiempo.

En 2023, el sistema GraphCast de DeepMind fue capaz de predecir con diez días de antelación la trayectoria del huracán Lee con mayor precisión que los modelos operativos del Centro Europeo de Predicción Meteorológica a Medio Plazo. No fue un accidente. Fue el resultado de entrenar una red neuronal con cuarenta años de datos atmosféricos globales. El modelo no entiende la física del clima. Simplemente ha visto tantos patrones que ya sabe lo que viene.

Esto tiene una implicación directa: predecir inundaciones locales con días de margen ya es técnicamente posible en muchas ciudades del mundo. La diferencia entre las que lo hacen y las que no casi siempre tiene que ver con dinero, infraestructura de datos y voluntad política.

Cómo un algoritmo decide que tu barrio está en riesgo

No todos los modelos de predicción de inundaciones funcionan igual, pero los más avanzados comparten una lógica básica: combinan datos físicos del territorio con datos climáticos dinámicos y los pasan por modelos de simulación hidráulica potenciados por machine learning.

El primero de esos ingredientes es el más costoso: los mapas topográficos de alta resolución, los modelos digitales de elevación que indican exactamente cuánto sube el terreno metro a metro, los datos de permeabilidad del suelo y la red de drenaje urbano. Sin eso, cualquier predicción es poco más que una estimación gruesa.

Sobre esa base física, los algoritmos incorporan variables dinámicas en tiempo real: lluvia acumulada en cuenca, nivel de los ríos aguas arriba, previsión de precipitación a corto plazo, estado de los embalses. Algunos sistemas más avanzados también integran datos de redes sociales y reportes ciudadanos geolocalizados para detectar puntos de anegamiento que los sensores formales no han captado aún.

El resultado no es una certeza, sino una distribución de probabilidades. El algoritmo no dice «tu calle se inundará mañana a las tres». Dice «hay un 78% de probabilidades de que el nivel del agua en este sector supere los 40 centímetros en las próximas 18 horas». Esa diferencia parece sutil pero es enorme cuando tienes que decidir si evacuar o no.

Sistemas como Flood Hub de Google, lanzado en 2023 y activo ya en más de ochenta países, ofrecen predicciones de inundaciones fluviales con hasta siete días de antelación. En India y Bangladesh, donde las inundaciones matan a miles de personas cada año, el sistema ya ha permitido emitir alertas tempranas que han reducido el tiempo de respuesta de las autoridades de forma medible. No es perfecto. Pero es incomparablemente mejor que lo que había antes.

Las ciudades que ya están usando IA para sobrevivir al agua

Ámsterdam lleva décadas siendo el ejemplo inevitable cuando se habla de gestión del agua. Pero lo que está haciendo ahora va más allá de los canales y los diques históricos. La ciudad ha desplegado una red de sensores conectados a modelos predictivos que monitorizan el nivel del agua en tiempo real y ajustan automáticamente las compuertas y las bombas de achique según las previsiones de lluvia. No hay un operador humano tomando esas decisiones en tiempo real. Las toma el sistema.

En Shanghái, uno de los delta urbanos más vulnerables del mundo, el gobierno municipal ha invertido en lo que llaman sistemas de gemelos digitales de la ciudad: réplicas virtuales completas del territorio que permiten simular el comportamiento del agua ante distintos escenarios de lluvia extrema antes de que ocurran. Cuando un episodio real se aproxima, el gemelo digital ya ha corrido miles de simulaciones y sabe qué zonas necesitan intervención prioritaria.

Tokio, por su parte, tiene bajo tierra uno de los sistemas de drenaje más impresionantes del planeta, el Metropolitan Outer Area Underground Discharge Channel. Pero lo que pocos saben es que su gestión está cada vez más apoyada en modelos de predicción que optimizan en tiempo real el flujo entre los distintos depósitos subterráneos. La ingeniería civil y el algoritmo trabajan juntos.

En España, el episodio de la DANA de octubre de 2024 en Valencia dejó claro que la predicción meteorológica existía, que las alertas se emitieron, pero que la cadena entre la información y la acción falló de forma dramática. No fue un problema de algoritmos. Fue un problema de gobernanza, de coordinación institucional y, en parte, de que los sistemas de alerta no estaban diseñados para llegar a las personas a tiempo. La tecnología no resuelve sola lo que es un problema humano y político.

El mapa de las ciudades que van a sufrir más

Aquí es donde la conversación se pone más incómoda. Porque los mismos modelos que predicen inundaciones concretas también se usan para elaborar proyecciones a largo plazo: qué ciudades, qué barrios, qué infraestructuras están en riesgo de volverse inhabitables en las próximas décadas si las tendencias climáticas continúan como van.

Los informes de organizaciones como Climate Central o el propio IPCC ya señalan con nombres y apellidos las zonas más vulnerables. Miami, Yakarta, Dacca, Basora, partes de Shanghái, del delta del Nilo, de las costas de Bangladesh. Pero también ciudades europeas que tendemos a pensar como seguras: zonas costeras del Mediterráneo, valles fluviales del centro de Europa, áreas periurbanas de ciudades que han sellado tanto suelo que ya no absorben nada.

Lo que añade la IA a este panorama es granularidad a escala de barrio. Un informe del First Street Foundation en Estados Unidos identificó, manzana a manzana, los inmuebles con mayor riesgo de inundación, incluyendo el impacto económico proyectado. El resultado fue políticamente explosivo: muchas propiedades que los mapas de riesgo oficiales marcaban como «zona segura» aparecían en el modelo privado como de riesgo significativo. Los propietarios estaban sentados sobre una bomba de relojería sin saberlo.

Esto conecta directamente con el mercado inmobiliario, los seguros y la planificación urbana. Cuando la ciudad empieza a gestionarse con datos en tiempo real, quién tiene acceso a esos datos y quién no se convierte en una cuestión de justicia, no solo de eficiencia.

El negocio del riesgo climático: quién gana cuando el algoritmo sabe más que tú

Hay algo que conviene decir alto y claro: la predicción climática se ha convertido en un negocio. Las grandes aseguradoras llevan años contratando a empresas de análisis climático para recalcular sus modelos de riesgo. Los fondos de inversión inmobiliaria usan datos de proyección de inundaciones para decidir qué activos comprar y cuáles vender. Los bancos empiezan a incorporar el riesgo climático en sus modelos de crédito.

Esto significa que hay actores que ya saben qué zonas están condenadas y están actuando en consecuencia, mientras la mayoría de los ciudadanos que viven en esas zonas ni siquiera tienen acceso a esa información. Es una asimetría enorme. Y es una asimetría que se construye precisamente sobre los datos que esos ciudadanos generan con sus sensores, sus móviles, sus contadores inteligentes.

Ya hemos visto algo parecido en otros ámbitos: el mercado de tu atención funciona exactamente así, con una asimetría de información brutal entre quien tiene los datos y quien los produce sin saberlo. El riesgo climático va por el mismo camino.

En algunos países, esta asimetría ya está generando conflictos legales. En Estados Unidos, varios estados han obligado a las aseguradoras a compartir sus modelos de riesgo con los municipios. En Europa, la taxonomía verde de la UE está empujando a las empresas a hacer públicos sus análisis de riesgo climático. Pero el proceso es lento y la brecha entre la información disponible para los mercados y la disponible para los ciudadanos sigue siendo enorme.

Hay otro ángulo que no se puede ignorar: la lógica de convertir datos personales en valor económico ajeno se replica aquí a escala urbana. Los datos que genera tu ciudad, tu barrio, incluso tu casa, pueden estar alimentando modelos de riesgo que otros usan para enriquecerse mientras tú no tienes ni acceso al resultado.

Los límites de predecir el caos

Conviene no dejarse llevar por el entusiasmo tecnológico sin más. Los modelos de IA para predicción climática son herramientas poderosas, pero tienen límites reales que a veces se minimizan en la comunicación pública.

El primero es la calidad de los datos de entrada. Basura entra, basura sale, como dicen los ingenieros. En muchas regiones del mundo, los datos históricos de precipitaciones son escasos, poco fiables o directamente inexistentes. Un modelo entrenado con datos de Holanda puede predecir inundaciones en Holanda. Puede ser inútil o incluso peligroso si se aplica sin adaptación a regiones con geografías y patrones climáticos completamente distintos.

El segundo límite es la naturaleza caótica del clima. Los modelos de IA son extraordinariamente buenos identificando patrones. Pero los eventos climáticos extremos son, por definición, eventos raros y fuera de distribución. Un algoritmo entrenado en el pasado puede tener dificultades precisamente con lo más importante: predecir lo que nunca ha ocurrido antes.

El tercero es el riesgo de falsa confianza. Si un sistema de predicción genera una alerta y no pasa nada, la tendencia humana es a ignorar la siguiente. La forma en que las personas procesan e interactúan con la información es tan importante como la precisión del modelo. Un algoritmo perfecto que nadie escucha no salva vidas.

Y luego está la cuestión política. Predecir no es actuar. España tenía predicciones meteorológicas precisas antes de la DANA de Valencia. Lo que falló no fue la tecnología. Fue la capacidad institucional de convertir información en respuesta coordinada. La IA puede cerrar la brecha de conocimiento. No puede cerrar la brecha de gobernanza.

Más allá de las inundaciones: el clima como sistema de vigilancia

Hay una dimensión de todo esto que apenas se discute en público pero que merece atención. Los sistemas de monitorización climática a escala urbana requieren una infraestructura de sensores, cámaras, satélites y conectividad que es, en la práctica, la misma que se usa para la vigilancia ciudadana.

Una red de sensores que mide el nivel del agua en cada calle también puede medir el movimiento de personas. Un sistema de cámaras que detecta acumulación de agua puede detectar acumulación de manifestantes. La infraestructura es neutral. El uso que se le da, no.

Esto no es especulación conspirativa: es una tensión real que ya han documentado investigadores de privacidad y organizaciones de derechos digitales. La frontera entre ciudad inteligente y ciudad vigilada es exactamente eso: una frontera difusa que depende más de las decisiones políticas que de la tecnología en sí.

Lo mismo aplica a los datos que se generan. Un análisis de quién tiene acceso a los datos que generamos mientras dormimos o vivimos en una ciudad revela que el usuario final, el ciudadano, suele ser el último en enterarse de para qué se usan sus datos. Con los datos climáticos urbanos ocurre algo parecido.

La democratización que todavía no ha llegado

Frente a todo esto, hay una tendencia genuinamente prometedora que conviene mencionar: la apertura de datos climáticos y de modelos de predicción a la ciudadanía.

Copernicus, el programa de observación de la Tierra de la Unión Europea, pone a disposición pública de forma gratuita una cantidad enorme de datos satelitales de alta resolución, incluyendo mapas de inundaciones casi en tiempo real. El Climate Data Store permite descargar proyecciones climáticas regionalizadas a cualquier investigador, periodista o ciudadano con ganas de entenderlas.

Organizaciones como Probable Futures han creado plataformas visuales que permiten explorar de forma intuitiva cómo cambiará el clima en tu región bajo distintos escenarios de emisiones. La información ya es pública en muchos casos. El problema es que llegar a ella todavía requiere un nivel de alfabetización científica y digital que la mayoría no tiene.

Ahí es donde la IA tiene quizás su papel más importante que aún no está cumpliendo del todo: no como herramienta de predicción para expertos, sino como interfaz entre datos complejos y ciudadanos normales que necesitan saber si deberían comprar ese piso junto al río o renovar el seguro de su casa antes de que la aseguradora cambie las condiciones.

La misma lógica que llevó a que el software de traducción democratizara el acceso a otros idiomas podría aplicarse aquí: hacer que la información climática compleja sea accesible para cualquiera. Solo que en este caso, lo que está en juego no es si entiendes un menú en japonés, sino si sabes que tu casa va a estar bajo el agua en veinte años.

¿Queremos saber lo que el algoritmo ya sabe?

Hay algo filosóficamente incómodo en todo esto. Vivimos en ciudades cuyo destino climático está siendo calculado ahora mismo, en tiempo real, por modelos que las aseguradoras y los fondos de inversión ya están usando para tomar decisiones. La pregunta no es si la tecnología puede predecir el futuro climático de tu barrio. En muchos casos, ya puede.

La pregunta real es qué hacemos con esa información. Si la usamos para evacuar a tiempo, para rediseñar el urbanismo, para reformar los sistemas de drenaje y preparar a las comunidades, la predicción salva vidas. Si la usamos para que los mercados se adelanten a los ciudadanos, para que las aseguradoras rehuyan las zonas de riesgo dejando a sus habitantes sin cobertura, o para que los algoritmos decidan qué se repara y qué simplemente se abandona, entonces estamos construyendo un sistema donde la predicción amplifica la desigualdad en lugar de reducirla.

El cambio climático, la IA y la predicción juntos pueden ser una de las herramientas más poderosas que hayamos desarrollado para adaptarnos a lo que viene. O pueden ser el mecanismo más sofisticado que hemos inventado para que quienes ya tienen más salgan mejor parados cuando llegue el agua. Probablemente serán las dos cosas a la vez, como suele pasar con la tecnología.

Lo que me pregunto, y creo que vale la pena que te preguntes tú también, es si cuando el algoritmo sepa con certeza cuándo se inundará tu calle, alguien se habrá molestado en contártelo.

Preguntas frecuentes