Post actualizado el día octubre 29, 2026 by DeiviSanzPlay
El algoritmo de visión artificial de una cámara de vigilancia doméstica marcó a un gato doméstico como «intruso armado» y disparó una falsa alarma a las tres de la mañana. No es ciencia ficción: le pasó a un conocido que instaló un sistema de reconocimiento de objetos en el jardín de su casa. El episodio sirve para entender qué falla cuando la detección automática se enfrenta a la realidad cotidiana.
La promesa del fabricante era clara: la cámara distinguiría personas, vehículos y animales. En la práctica, el modelo entrenado con imágenes nocturnas de baja resolución tomó la silueta del gato —encorvado, con las orejas hacia atrás— y la clasificó como una persona agachada. El sistema activó el altavoz, encendió las luces y envió una notificación con un recorte borroso donde solo se veía una mancha peluda.
Qué falló en el modelo de detección visual
El primer problema fue el dominio de entrenamiento. El algoritmo de visión artificial había sido entrenado con imágenes de personas de pie, con buena iluminación y sin obstáculos. Un gato agazapado de noche, bajo la lluvia y a contraluz, queda fuera de esa distribución. Los modelos de detección de objetos no «entienden» la escena: comparan patrones de píxeles con lo que vieron durante el entrenamiento.
El segundo problema fue la umbralización. El sistema usaba un umbral de confianza bajo para «no perder eventos importantes». Ese sesgo comercial —avisar de todo para no fallar— dispara los falsos positivos. Una detección con un 42% de confianza no debería activar una alarma, pero el fabricante decidió que sí.
El tercer problema fue la ausencia de contexto temporal. Un modelo de visión por computador que solo analiza fotogramas sueltos no distingue un gato que se lame la pata de un intruso que se agacha. Añadir seguimiento entre fotogramas y reglas de movimiento habría reducido el error, pero el dispositivo no lo hacía.
Limitaciones reales que el marketing esconde
Esto no funciona para escenas nocturnas con poca luz, para objetos parcialmente ocultos o para animales pequeños en movimiento rápido. La visión artificial doméstica actual rinde bien en interiores controlados y con sujetos que colaboran, pero se degrada en cuanto aparece la naturaleza.
También hay un límite de clase: si el modelo no fue entrenado con tu raza de perro, tu gato o tu tipo de verja, puede confundirlos con cualquier cosa. Los fabricantes suelen entrenar con datasets públicos y genéricos, no con tu jardín.
Y hay un límite de privacidad que casi nadie menciona. Muchos de estos sistemas envían recortes a la nube para «mejorar el modelo». Es decir, tu gato y tus visitas pueden acabar en un conjunto de datos de entrenamiento sin que lo sepas.
Qué haría distinto la próxima vez
Revisar el umbral de confianza antes de confiar en las alertas. Muchas apps permiten subirlo; si no lo permiten, es una señal de alarma. También conviene etiquetar manualmente las falsas detecciones durante la primera semana: algunos sistemas aprenden de esas correcciones y ajustan el clasificador.
Y, sobre todo, no delegar la seguridad en un solo algoritmo de visión artificial. La cámara puede ser un complemento, pero la decisión final debería pasar por una persona o por un sistema con varias señales —movimiento, sonido, horario— y no por un único modelo de imagen.
El gato, por cierto, sigue entrando al jardín. La cámara sigue avisando de vez en cuando. Mi conocido aprendió que la detección automática es una herramienta con incertidumbre, no un guardián infalible.
Perfiles verificables: Sitio web
Publicado el 29 de October de 2026. Última revisión: 29 de October de 2026.
