Torrejón prueba una IA para leer patrones de seguridad, no para vigilar personas

El 3 de junio de 2026, el Ayuntamiento de Torrejón de Ardoz presentó en South Summit Madrid Polic‑IA, una herramienta web que estima riesgo por zona, fecha y franja horaria a partir de incidentes históricos de la Policía Local. La diferencia que hay que conservar desde la primera línea es esta: el proyecto dice analizar patrones, no identificar personas, vigilar automáticamente ni decidir por un agente. Esa limitación no se demuestra con el nombre del producto; se comprueba mirando datos, salida, uso real y capacidad de intervenir en una decisión.

La nota oficial del Ayuntamiento, publicada el 2 de julio, atribuye el desarrollo a Álvaro Juárez García, estudiante de Ingeniería Informática de la UCAM, como trabajo de fin de grado. La ponencia corrió a cargo de Alberto Hernández, responsable municipal de Nuevas Tecnologías. La aplicación permite seleccionar un lugar y un momento, consultar una estimación y visualizar la distribución histórica de incidentes. El comunicado no publica el conjunto de datos, arquitectura, métricas, umbrales ni protocolo de uso.

Un mapa de registros no es un mapa completo del riesgo

El sistema parte de incidentes registrados, no de todos los incidentes ocurridos. Esa distinción parece pequeña, pero define qué aprende el modelo. Una base policial refleja denuncias, llamadas, presencia de agentes, criterios de clasificación y cambios administrativos. Dos zonas con la misma conducta real pueden producir registros diferentes si una recibe más patrullaje, si sus residentes denuncian con distinta frecuencia o si cambia la forma de codificar una incidencia.

Por eso una concentración histórica admite una descripción limitada: «aquí se registraron más casos bajo estas prácticas y durante este periodo». No permite saltar directamente a «aquí hay personas más peligrosas» ni «aquí ocurrirá un delito». Tampoco basta con ocultar identidades. Aunque la salida sea un mapa agregado, una señal territorial puede afectar de forma desigual a quienes viven, trabajan o circulan en cada zona.

La primera capacidad transferible consiste en seguir la procedencia del dato. Para cada punto del mapa habría que saber qué evento cuenta, quién lo registra, cuándo se incorpora, cómo se tratan duplicados y cambios de categoría, cuánto historial se conserva y qué información falta. Si estas reglas cambian, la serie deja de ser directamente comparable. El modelo no corrige por sí solo un sistema de registro; aprende la versión que recibe.

Estimar exige una referencia, un horizonte y un umbral

«Nivel de riesgo» no es todavía una variable reproducible. Hace falta definir qué resultado se intenta anticipar —una llamada, una denuncia o un incidente validado— y dentro de qué horizonte. También hay que precisar la unidad espacial: una cuadrícula pequeña puede producir valores inestables; una zona grande puede esconder diferencias internas. Una predicción para una hora y otra para una semana no deben juzgarse con la misma referencia.

Después viene el umbral. Una puntuación continua se convierte en categorías como bajo, medio o alto mediante cortes elegidos. Moverlos altera cuántas zonas se señalan y cuántos casos quedan fuera. El rendimiento debe mostrar falsos positivos y falsos negativos, calibración y una comparación con referencias sencillas, como la frecuencia reciente. Un mapa más vistoso no es necesariamente una previsión mejor.

La validación temporal es indispensable: se entrena con el pasado y se prueba en un periodo posterior que el modelo no pudo conocer. Una partición aleatoria puede mezclar eventos cercanos o repetidos entre entrenamiento y prueba. También conviene separar el rendimiento por zonas y periodos, porque una media municipal puede ocultar un fallo sistemático en un barrio o durante eventos extraordinarios. El comunicado municipal no ofrece estos resultados; por tanto, no hay base pública para afirmar que Polic‑IA sea preciso o que supere otra forma de planificación.

El uso puede crear el dato con el que se entrenará después

Un riesgo particular aparece cuando una predicción cambia dónde se observa. Si un mapa concentra patrullas en determinadas zonas, allí pueden registrarse más incidentes que antes, incluso aunque la conducta subyacente no haya aumentado. Esos nuevos registros vuelven al sistema y refuerzan la señal inicial. El trabajo de Ensign y colaboradores sobre bucles de realimentación en policía predictiva formalizó cómo ese proceso puede amplificar una distribución sesgada de observación.

Esto no demuestra que Polic‑IA produzca ese efecto: no conocemos su despliegue. Sí ofrece una prueba concreta que cualquier municipio puede aplicar. Hay que distinguir indicadores que dependen de la presencia policial de otros más independientes, conservar zonas de comparación, revisar cómo cambian los registros cuando cambia la asignación y evitar que el resultado del modelo se trate automáticamente como nueva verdad de entrenamiento.

La intervención humana tampoco elimina el problema por sí sola. Un profesional puede recibir una puntuación sin saber su incertidumbre, puede asumir que «alto» significa certeza o puede carecer de tiempo para contradecirla. Revisión humana útil significa que la persona conoce el alcance, dispone de información alternativa, puede anular la sugerencia, registra por qué lo hizo y responde por la decisión. Si el mapa acaba determinando de facto dónde van los recursos, llamarlo «apoyo» no cambia su efecto.

La clasificación jurídica depende de finalidad y uso real

El Reglamento europeo de Inteligencia Artificial incluye en su anexo III determinados sistemas destinados a que autoridades policiales evalúen el riesgo de que una persona sea víctima o cometa un delito. El artículo 6 permite que ciertos usos del anexo no se consideren de alto riesgo cuando no planteen un riesgo significativo y se limiten, por ejemplo, a una tarea preparatoria que no sustituya ni influya en una evaluación humana sin revisión adecuada. La excepción debe documentarse y no opera igual si el sistema perfila a personas.

La Comisión publicó el 19 de mayo de 2026 un borrador de directrices de clasificación. Sus ejemplos no son exhaustivos y el documento era todavía un borrador; sirven para interpretar finalidad prevista, papel preparatorio e influencia material, no para certificar desde fuera un producto concreto. Con la información pública disponible no se puede asignar a Polic‑IA una categoría jurídica definitiva.

Además de la clasificación del sistema, el tratamiento de datos por autoridades competentes tiene su propio marco. La Directiva (UE) 2016/680 regula datos personales tratados para prevención, investigación, detección o enjuiciamiento de infracciones. Agregar o anonimizar puede reducir riesgos, pero la documentación debe aclarar qué datos entran, con qué finalidad y quién accede a ellos. «No identifica personas» es una afirmación relevante que debería poder verificarse en el diseño y no solo en la presentación.

Qué debería publicar una prueba municipal responsable

Una ficha pública útil no necesita exponer datos operativos sensibles. Puede explicar el objetivo, periodo y procedencia de los registros; la unidad espacial y temporal; variables excluidas; método de validación; métricas con intervalos; límites de uso; usuarios autorizados; registro de consultas y anulaciones; frecuencia de revisión; y procedimiento para suspender el sistema. También puede indicar si la prueba alterará la distribución de recursos y cómo se medirá ese efecto.

La evaluación debería separar tres resultados. El técnico pregunta si la estimación coincide con la referencia definida. El operativo pregunta si ayuda a planificar con menos carga o mejor información. El público pregunta si mejora seguridad sin trasladar vigilancia o fricción de manera injustificada. Una mejora en el primero no garantiza los otros dos. Publicar fallos y casos no evaluables sería tan informativo como publicar aciertos.

Polic‑IA llega con una delimitación verbal sensata: patrones históricos, sin identificación ni decisión autónoma. La siguiente prueba es convertirla en controles observables. Al leer cualquier anuncio similar, el lector puede aplicar cinco preguntas: qué se registró, qué se predice, qué acción cambia, cómo se mide el error y qué evita el bucle de realimentación. Con esas respuestas, un mapa deja de parecer una autoridad y vuelve a ser lo que debe ser: una representación parcial que alguien tiene que justificar.