Revista PLANEO N°62 | Ciudad artificial Vol. 1: diseñando escenarios de futuro a través de los datos y la IA | Marzo 2025
[Por: Javier Miramontes Figueroa. Arquitecto, Tecnológico de Monterrey, México; estudiante de Magíster en Asentamientos Humanos y Medio Ambiente, Pontificia Universidad Católica de Chile]
Entrevistado: Denis Berroeta
Denis Berroeta es Coordinador de Investigación en el Centro de Inteligencia Territorial de la Universidad Adolfo Ibáñez (CIT-UAI) desde 2021, donde lidera proyectos que combinan ciencia de datos e inteligencia artificial para abordar problemáticas territoriales de carácter social y ambiental. Con formación como Master of Science in Data Science, Magíster en Inteligencia y actualmente Doctorando en Data Science en la misma universidad, cuenta además con cuatro años de experiencia como Analista de Estudios Territoriales en el CIT. Su trabajo se centra en el diseño e implementación de metodologías avanzadas de análisis espacial, con especial énfasis en la detección de cambios y la dinámica territorial a partir de imágenes satelitales y técnicas de inteligencia artificial. Paralelamente, es docente en el Diplomado en Evidencia de Data Territorial y en los cursos de Geoanálisis, Análisis Criminológico Territorial, y Percepción Remota y Machine Learning en la UAI.
Introducción a los datos
PLANEO (Javier): En tu trayectoria has integrado inteligencia artificial, ciencia de datos y análisis espacial para comprender cambios territoriales. Con base en esa experiencia, ¿cómo explicarías a alguien no familiarizado con el tema el valor que tiene la información territorial para la toma de decisiones?
Denis: La información territorial puede entenderse como el registro de fenómenos sociales, físicos o ambientales que ocurren en un lugar específico, ya sea en la ciudad (una calle, un barrio, una comuna) o en el medio natural (una cuenca, un río, un humedal o un bosque). Cada registro se refiere a un momento en el tiempo y, al estar georreferenciado, no solo nos dice qué ocurrió, sino también cuándo y dónde ocurrió.
Ese es su valor principal: al situar los datos en el espacio, podemos encontrar relaciones que en una tabla no aparecen. Variables que parecen inconexas muestran coocurrencias cuando suceden en el mismo lugar, lo que nos habla de dependencia espacial. Esto enriquece los diagnósticos y orienta la toma de decisiones.
Aquí me gusta citar a Lefebvre, cuando plantea que “la historia, el espacio y la sociedad se coproducen”. El espacio no es un escenario pasivo, sino un actor activo en la reproducción de fenómenos sociales. En Chile lo vemos con claridad en fenómenos como la delincuencia: no aparecen de manera aislada, sino vinculados a contextos espaciales e históricos que los hacen persistir en ciertos territorios.
En términos prácticos, pasar de una planilla con números a un mapa dinámico cambia la forma en que se toman decisiones. El mapa permite ver dónde se concentran los problemas, cuándo se intensifican y qué otros factores aparecen alrededor. Eso posibilita focalizar recursos en el lugar y momento correctos, priorizar políticas públicas y luego medir si la intervención cambió el patrón.
Por eso, más que un dato en sí mismo, la información territorial habilita una conversación entre equipos técnicos, autoridades y comunidades, donde todos pueden visualizar los fenómenos y discutir alternativas de acción.
Inteligencia artificial y ciencia de datos aplicados al territorio
PLANEO (Javier): ¿De qué manera has implementado herramientas de inteligencia artificial y ciencia de datos en el análisis territorial? ¿Podrías describir un caso concreto y los principales aprendizajes que te dejó su aplicación?
Denis: He trabajado en dos proyectos que reflejan cómo la inteligencia artificial puede aplicarse al análisis territorial.
El primero lo desarrollé en 2020, en San Pedro de Atacama, como parte de mi tesis de Magíster en Inteligencia Artificial. Allí utilicé imágenes de dron de alta resolución para identificar edificaciones en un asentamiento irregular. Con modelos supervisados de IA logré segmentar cada vivienda y medir su superficie con gran precisión. El principal desafío fue entrenar al modelo: tuve que etiquetar manualmente muchas viviendas para enseñarle a reconocerlas. Una vez entrenado, los resultados fueron muy satisfactorios.
El valor de este enfoque está en su usabilidad. Si el levantamiento se repite en el tiempo, se convierte en un sistema de monitoreo que permite a las autoridades estimar necesidades habitacionales, focalizar recursos y priorizar soluciones. Esto es clave en Chile, donde los campamentos han crecido de manera explosiva en los últimos años. Además, muchos de ellos se ubican en zonas de riesgo, como vimos en los incendios de Viña del Mar y Valparaíso. Este tipo de sistemas no solo ayudan a dimensionar el problema, sino también a proteger a las familias en contextos de vulnerabilidad.
El segundo proyecto corresponde a mi tesis de Master in Data Science. Se trató de un sistema de monitoreo de turberas en Chiloé, ecosistemas fundamentales por su capacidad de absorción de carbono. Son pequeños, dispersos y muy heterogéneos, lo que hace difícil y costoso levantarlos en terreno. A esto se suma que la nubosidad constante en el sur de Chile impide usar imágenes ópticas. La solución fue aplicar imágenes satelitales de radar, que pueden capturar información día y noche, combinadas con modelos fundacionales de visión, es decir, algoritmos preentrenados en grandes volúmenes de datos que luego se adaptan a un caso específico.
Aunque los resultados no alcanzaron la máxima precisión —por la complejidad del ecosistema—, demostramos que es posible detectar cambios sin necesidad de etiquetar manualmente grandes volúmenes de datos. Esto reduce costos operacionales y permite un monitoreo periódico y escalable, aplicable no solo a turberas, sino también a otros ecosistemas en riesgo.
En conjunto, estos dos casos muestran cómo la IA e imágenes aéreas o satelitales convierten el territorio en información accionable, desde contabilizar viviendas hasta detectar cambios ambientales. Y lo más relevante es que ambos pueden orientar decisiones públicas en temas sociales y ambientales, aportando evidencia concreta para anticipar riesgos y mejorar la planificación.
De la imagen satelital a la acción
PLANEO (Javier): Desarrollaste investigaciones sobre detección de cambios y dinámica territorial a partir de imágenes satelitales. ¿Cómo aseguras que esos resultados técnicos se traduzcan en información clara, fiable y robusta para que los tomadores de decisiones puedan abordar problemáticas sociales o ambientales?
Denis: Creo que hay varios pasos fundamentales. Lo primero es asegurar una gobernanza de datos rigurosa y transparente. Eso significa trazabilidad desde el origen —por ejemplo, desde la captura de la imagen satelital— hasta el producto final, con metadatos completos, control de versiones, estándares de calidad y reglas claras en cuanto a ética y privacidad. Solo así los datos generan confianza, porque se pueden auditar y replicar.
El segundo aspecto es la explicabilidad. Muchos modelos de inteligencia artificial, especialmente los de deep learning, son altamente eficientes, pero no explican cómo llegaron a un resultado. Para que los tomadores de decisiones confíen en ellos, necesitamos trabajar en modelos más interpretables o, al menos, acompañar los resultados con explicaciones claras sobre qué variables influyen y cuáles son los supuestos.
El tercer punto es reconocer la incertidumbre y validar los resultados. Esto implica reportar niveles de confianza, probar estabilidad al cambiar parámetros y contrastar con terreno o con registros administrativos. Transparentar las limitaciones y mostrar métricas de desempeño ayuda a que las decisiones sean más sólidas.
Un cuarto elemento es la comunicación. Muchas veces los investigadores presentamos resultados en papers o informes técnicos, pero falta traducirlos a un lenguaje visual y accesible: mapas comprensibles, tableros simples, visualizaciones que resuman lo esencial. Eso permite achicar la brecha entre quienes producen conocimiento y quienes toman decisiones.
Finalmente, está la operacionalización. No basta con tener un buen paper o un modelo bien calibrado: hay que llevar esos hallazgos a la práctica, probarlos en pilotos, definir umbrales de acción y métricas de seguimiento. Idealmente, acompañar la implementación con retroalimentación de comunidades y equipos sectoriales, para que los resultados sean validados en el territorio.
En resumen, la cadena debe estar bien alineada: dato → modelo → mapa → decisión. Si logramos cerrar ese ciclo con trazabilidad y comunicación efectiva, la imagen satelital deja de ser solo información técnica y se convierte en una herramienta real de acción pública.
Gobernanza de datos
PLANEO (Javier): Cuando hablamos de “gobernanza de datos” en el contexto territorial, ¿a qué nos referimos y por qué es clave para una gestión efectiva del territorio?
Denis: La gobernanza de datos se refiere al conjunto de reglas, responsabilidades y estándares que permiten que la información sea confiable, comparable y reutilizable en el tiempo. En la práctica, significa documentar bien las fuentes, estandarizar variables y formatos, mantener metadatos completos, asegurar la trazabilidad de cada transformación que sufre el dato y publicarlo con criterios claros de acceso y licencias.
También implica proteger la privacidad y gestionar con cuidado los datos sensibles, porque un mal uso puede terminar estigmatizando barrios o incluso personas. En el caso del análisis territorial, esto es especialmente importante: si no hay confianza en la calidad y el manejo de los datos, los resultados de los modelos pueden volverse poco confiables o incluso profundizar los problemas que se busca resolver.
Una buena gobernanza, en cambio, reduce la incertidumbre y hace posible que los equipos auditen procesos, repliquen resultados y actualicen series sin perder consistencia. Esto genera confianza tanto para quienes toman decisiones como para la ciudadanía, porque se puede explicar qué dato se usó, cómo se procesó y por qué se decidió intervenir en un territorio específico.
Preparar el camino para el futuro
PLANEO (Javier): ¿Qué transformaciones institucionales, culturales o éticas consideras indispensables hoy para que el uso de datos contribuya de forma real a construir ciudades más justas y sostenibles en el futuro?
Denis: Desde lo institucional, necesitamos tratar los datos como infraestructura pública. Eso significa contar con repositorios abiertos, interoperables y actualizados regularmente, de manera que ministerios, gobiernos regionales y municipios trabajen con una misma base de información confiable. Hoy en Chile existe infraestructura de datos, pero muchas veces depende de proyectos puntuales, lo que genera discontinuidades. Se requieren estándares claros, calendarios de actualización y financiamiento estable para asegurar la continuidad de las series.
En el plano cultural, es clave avanzar en alfabetización de datos dentro del Estado y entre actores sociales y privados. No basta con que existan especialistas en SIG o modelamiento: quienes toman decisiones deben ser capaces de leer un mapa, interpretar la incertidumbre y hacer preguntas relevantes para comprender el territorio. También necesitamos cambiar incentivos: compartir datos y métodos debería ser valorado, y el error en proyectos piloto entendido como parte del aprendizaje. Además, debemos estar abiertos a incorporar los nuevos paradigmas que trae la inteligencia artificial, cuya evolución es vertiginosa y debe permear también a las instituciones públicas.
En el ámbito ético, lo más importante es proteger la privacidad y anonimizar adecuadamente los datos personales. Trabajar con información sensible puede enriquecer los modelos, pero también conlleva riesgos si no se gestiona con cuidado. Por eso se requieren marcos éticos claros —como las guías desarrolladas por el GobLab UAI— que definan principios de equidad, transparencia y responsabilidad en el uso de algoritmos.
Finalmente, creo que debemos fortalecer los espacios comunes entre academia, sector público y privado. Laboratorios o plataformas colaborativas pueden integrar diagnóstico, diseño de políticas, simulación de escenarios y evaluación de resultados. Un aspecto crítico es la evaluación posterior: en Chile rara vez medimos el impacto de las políticas una vez implementadas, lo que nos impide saber si los cambios observados en los indicadores realmente responden a la intervención. Incorporar esa evaluación ex post es esencial para aprender y mejorar.