Las cámaras con IA en autobuses ayudaron a imponer 375.000 multas: ¿dónde está el impacto?

Imagine que su IA detecta de maravilla los errores de los usuarios y que cobra por cada error que encuentra. Las ventas crecen y los informes satisfacen al cliente. Pero los usuarios siguen cometiendo errores y el problema original permanece. Las cámaras de los autobuses escolares estadounidenses ofrecen un ejemplo tangible de esta trampa de producto: se ha conseguido automatizar la detección de conductas peligrosas, pero demostrar una mejora de la seguridad ha resultado más difícil.

En el condado de Montgomery, Maryland, el programa ha acumulado más de 375.000 multas por 92 millones de dólares. Esa cifra corresponde al importe de las sanciones impuestas; no debe interpretarse como dinero recaudado ni como ingresos del proveedor. Según una investigación de Bloomberg Businessweek y Type Investigations, publicada ya en abril de 2026, las infracciones disminuyeron ligeramente y los periodistas no encontraron pruebas de una reducción de las colisiones cerca de los autobuses detenidos.

Cómo una cámara convierte el paso de un vehículo en un caso policial

La tarea es clara: un autobús se detiene, activa las luces rojas y despliega la señal lateral de stop, pero un automóvil pasa junto a él. Las cámaras registran el incidente y la matrícula del vehículo. A partir de ahí comienza un proceso en el que el reconocimiento es solo una etapa.

El Distrito Escolar de Allentown describe el siguiente procedimiento: el vídeo, junto con las coordenadas y la hora, se guarda en una grabadora a bordo y después se envía a la nube mediante una conexión segura. La IA filtra el material, un especialista revisa la presunta infracción y reúne las pruebas. La policía examina el expediente y decide si envía una notificación al propietario del vehículo.

Por ejemplo, en la grabación se ve un automóvil que pasa por la zona situada junto al autobús. Reconocer una matrícula no basta: quien revisa el caso necesita conocer la secuencia de los hechos, el estado de las señales, la posición del automóvil y las condiciones de la vía. Por eso, la calidad del producto depende tanto del modelo como de que la grabación esté completa y del tiempo que una persona pueda dedicar a revisarla. Automatizar la selección no elimina la necesidad de analizar los casos controvertidos.

Cuando el negocio crece junto con el problema

El proveedor BusPatrol explica su modelo financiero de forma sencilla: la empresa cubre la instalación y el funcionamiento de los equipos con los ingresos de las multas. El cliente obtiene el sistema sin tener que comprar las cámaras de entrada. Para un municipio con un presupuesto limitado, es una propuesta atractiva.

Sin embargo, esta estructura genera un conflicto de incentivos. Si desaparecen las maniobras peligrosas al pasar junto a los autobuses, se reduce la fuente de financiación. Esto no demuestra que se infle deliberadamente el número de infracciones, pero obliga a evaluar por separado el resultado para los residentes. El aumento de la recaudación no dice por sí solo cuánto más seguro resulta para los niños subir al autobús.

Conviene distinguir tres indicadores: cuántos incidentes detectó el sistema, cuántas infracciones confirmaron los revisores y cómo cambió el riesgo en la carretera. El primero describe el volumen de trabajo; el segundo ayuda a evaluar la calidad de la selección; el tercero responde a la promesa hecha al cliente. Es muy fácil sustituir este último por los dos primeros, sobre todo cuando son estos los que generan el flujo de caja.

Para los desarrolladores, de aquí se desprende una tarea concreta: conservar los fundamentos de cada decisión y la posibilidad de reconstruir todo el incidente. Para los responsables de producto, supone acordar de antemano qué se considerará un éxito al cabo de un año. Por ejemplo, reducir las maniobras peligrosas junto a los autobuses con un número comparable de paradas, además de medir el coste de la revisión y la proporción de decisiones anuladas. Son criterios de evaluación propuestos, no resultados publicados del programa.

Por qué 19 incidentes de Waymo no demuestran nada sin un denominador

La publicación original compara las multas a conductores particulares con 19 incidentes de Waymo. NPR informó de que ese era el número de casos documentados por el distrito escolar de Austin. La investigación federal comenzó tras conocerse otro incidente; atribuir su inicio específicamente a la cifra de 19 es inexacto.

La comparación llama la atención, pero para extraer conclusiones sobre seguridad hacen falta periodos, condiciones y cantidades de encuentros con autobuses detenidos comparables. Cientos de miles de multas a conductores humanos no justifican el error de un vehículo autónomo. Y que no se haya demostrado una reducción de los accidentes tampoco significa que las cámaras sean inútiles: hace falta una evaluación adecuada de su impacto.

La conclusión práctica para un equipo de producto de IA es sencilla: antes de escalar, comprueben si sus ingresos están vinculados a resolver el problema del cliente. De lo contrario, pueden crear un servicio exitoso que necesite que el problema persista para seguir creciendo.