Cómo la IA está revolucionando la seguridad en el transporte

Desde su experiencia liderando la transformación digital en Dynofleet, ¿qué papel juega la combinación de IA, big data e IoT en la construcción de un modelo de seguridad más preventivo y menos reactivo en el transporte de carga?

Esa pregunta refleja muy bien nuestra promesa de valor, ya que en Dynofleet lo que hacemos es tomar toda la data de las operaciones y transformarla en información útil que cuente historias relevantes para la toma de decisiones. Cuando analizamos los datos, encontramos grandes oportunidades para reducir costos, optimizar tiempos y, además, fortalecer los sistemas de gestión de seguridad, tanto física como vial.

Por ejemplo, aplicamos modelos de regresión y algoritmos de machine learning para proyectar la probabilidad de siniestros en ruta. De hecho, junto con la Universidad del Norte publicamos un paper de investigación sobre cómo nuestro modelo WISC, basado en metodologías del Reino Unido, permite identificar riesgos en rutas a partir de datos capturados por cámaras, DMS y comportamientos de conducción.

Combinamos esa información con variables abiertas, como factores climáticos, y hemos logrado identificar qué rutas son más propensas a bloqueos o incidentes, incluso entendiendo su impacto en el estrés de los conductores. Con base en eso, ajustamos planes de contingencia, horarios y estrategias operativas, especialmente ante retos como la nueva reforma laboral.

Todo esto nos ha permitido migrar de un modelo reactivo a uno más preventivo. Hoy nuestros algoritmos operan con un nivel de confianza del 90-94%, lo que nos permite anticipar condiciones de riesgo —por ejemplo, la presencia de motocicletas o bicicletas en ciertos tramos— y ajustar la planeación de rutas en tiempo real.

Los planes de ruta ya no son estáticos: se actualizan dinámicamente según lo que ocurre en la vía, optimizando simultáneamente la operación, la seguridad física y la seguridad vial.

El gran reto sigue siendo la calidad de los datos. Tener información limpia y confiable es clave para construir modelos predictivos robustos y lograr una logística verdaderamente preventiva, no solo reactiva.

En el manejo de flotas, muchas veces la prioridad es la eficiencia operativa. ¿Cómo cree que la IA logra equilibrar ese foco en eficiencia con la necesidad de fortalecer la seguridad en cada viaje?

Actualmente estamos desarrollando un modelo de eficiencia operacional que fortalece al mismo tiempo la seguridad, especialmente con la nueva resolución del Ministerio sobre tiempos logísticos.
La clave está en usar la inteligencia artificial para proyectar escenarios operativos antes de que ocurran.

Por ejemplo, si un camión se programa para cargar a las 4:00 p.m., el sistema —a partir de datos históricos, geocercas, rutas y horarios— puede anticipar que al llegar al punto de descarga, probablemente no lo recibirán, generando tiempos de espera y sobrecostos. Con esa predicción, podemos ajustar la programación de despachos para evitar ineficiencias y optimizar las ventanas operativas.

La IA nos permite equilibrar ambos objetivos:

• Aumentar la eficiencia, al reducir los tiempos improductivos y planificar rutas según restricciones reales.
• Proteger la seguridad, al evitar que los conductores deban extender sus jornadas más allá de lo permitido.

Esto es especialmente relevante con las nuevas regulaciones que buscan alinear las horas de conducción con las horas laborales legales en Colombia. La IA nos ayuda a decidir, por ejemplo, si conviene dejar el vehículo en planta y despacharlo al día siguiente o exponerlo a un tramo riesgoso en la noche, considerando el impacto en costos, tiempos y seguridad.

En resumen, la inteligencia artificial no solo mejora la eficiencia operativa, sino que permite tomar decisiones costo-eficientes sin comprometer la seguridad vial, construyendo así una logística más inteligente y sostenible.

La IA permite anticipar riesgos, pero también exige confianza en los datos. ¿Cómo se asegura Dynofleet de que la calidad de la información sea suficiente para tomar decisiones críticas en tiempo real?

Lo principal para asegurar la calidad de los datos es hacer un buen mapeo de procesos. En Dynofleet comenzamos por identificar de dónde proviene cada dato, cómo se captura y cuál es su recorrido dentro del sistema. Cuando logramos automatizar esa captura, reduciendo la intervención humana, ganamos en consistencia y confianza.

Además, entendimos que no se trata solo de recolectar información, sino de capturar los datos correctos. En el camino aprendimos que a veces estábamos registrando variables innecesarias, lo que implicaba gastar tiempo, recursos y personal. Hoy priorizamos lo esencial: por ejemplo, automatizar lecturas mediante códigos QR o escáneres en los puntos de carga, de modo que el sistema registre automáticamente el evento sin depender de la acción manual de alguien.

También aplicamos una verificación estadística continua: cada dato automatizado tiene un “contraindicador” o respaldo que permite contrastarlo. Si los valores difieren más de una desviación estándar respecto a la media (según la campana de Gauss), se revisa la fuente. Esto nos asegura que la información sea confiable para decisiones críticas en tiempo real.

Otro aprendizaje importante fue que la tecnología por sí sola no garantiza precisión. En algún momento intentamos capturar datos manualmente desde apps para conductores, incluso con modo offline, pero encontramos desfases entre lo reportado y el GPS. Eso nos llevó a reforzar la automatización y la integración con sistemas externos vía API, ya sea con los ERP o sistemas de cargue de las empresas.

En resumen, la confianza en los datos viene de tres factores clave:

1. Un mapeo detallado de procesos.
2. Captura automatizada y redundante.
3. Validación estadística constante.

Esa combinación es la que nos permite tomar decisiones críticas en tiempo real con seguridad y precisión.

Si miramos hacia el futuro cercano, ¿qué cree que cambiará primero en la seguridad del transporte gracias a la IA: la forma de gestionar los vehículos, o la forma de gestionar el comportamiento humano en la operación?

Definitivamente, lo que primero cambiará será la forma de gestionar el comportamiento humano en la operación. Ese es el verdadero reto y, al mismo tiempo, la oportunidad más grande que nos ofrece la inteligencia artificial.

Lo digo desde la experiencia: cuando empezamos a usar cámaras con IA para analizar comportamientos de conducción, descubrimos patrones que no veíamos antes. Por ejemplo, las colisiones menores —como golpes por proximidad o daños a retrovisores— eran frecuentes, y muchas veces atribuíamos esos incidentes a factores externos. Pero al analizar los datos, vimos que había comportamientos repetitivos: conductores agresivos, distracciones o falta de atención en ciertos puntos de la ruta.

Luego cruzamos esa información con datos de talento humano: evaluaciones psicosociales, indicadores de estrés y niveles de endeudamiento. Al hacerlo, encontramos algo muy revelador: existía una correlación directa entre el nivel de endeudamiento y la conducción agresiva. Los conductores con mayor presión económica tendían a conducir de forma más riesgosa, buscando hacer más viajes en menos tiempo para cumplir con sus obligaciones.

Esa comprensión nos llevó a una acción concreta: lanzamos programas de educación financiera y acompañamiento familiar para reducir el endeudamiento. Los resultados fueron inmediatos: disminuyeron los incidentes viales, bajaron los costos de combustible y mantenimiento, se redujo el ausentismo laboral y mejoró el bienestar general del equipo.

Por eso, aunque la IA también transforma la gestión de los vehículos, el verdadero impacto está en cómo nos ayuda a entender y mejorar el comportamiento humano. La tecnología nos da datos, pero lo que realmente salva vidas y mejora la operación es cómo usamos esa información para cuidar a las personas detrás del volante.

Cuando se habla de predicción de accidentes con IA, muchos piensan en algoritmos sofisticados. Desde su experiencia, ¿qué ha resultado más retador: entrenar el modelo o lograr que el sistema se adapte a la realidad cambiante del transporte?

El mayor reto no ha sido entrenar el modelo, sino lograr que la inteligencia artificial se adapte constantemente a la realidad cambiante del transporte.

Entrenar un modelo requiere conocimiento y tiempo, sí, pero es un proceso controlado: se alimenta con datos históricos, se ajustan parámetros y se valida su desempeño. Lo verdaderamente desafiante comienza después, cuando ese modelo debe seguir aprendiendo y respondiendo a contextos nuevos —viajes diferentes, conductores nuevos, cambios en las condiciones de clima o en las vías—.

Por ejemplo, un día el sistema puede detectar patrones normales y al siguiente enfrentarse a un escenario completamente distinto: un conductor distraído por el celular, una carretera en mal estado o condiciones climáticas extremas. Esa variabilidad es parte natural del transporte y exige que el modelo se actualice y aprenda continuamente.

Por eso, más que un proyecto puntual, la predicción de accidentes con IA es un proceso vivo, que se fortalece cada día con nuevos datos, retroalimentación y monitoreo activo. Así es como la tecnología realmente se vuelve útil y se adapta a la realidad del sector.

Cuando hablamos de prevención, no basta con que el sistema detecte un riesgo: la clave es que la organización actúe. ¿Cómo se traduce en la práctica una predicción de IA en una acción concreta que evite un accidente?

La inteligencia artificial nos ayuda a convertir grandes volúmenes de datos y múltiples alertas en información concreta y accionable. Antes, una persona debía revisar cientos de eventos o señales para identificar riesgos; hoy, un modelo de IA puede analizar todo eso y señalar qué situaciones tienen mayor probabilidad de convertirse en incidentes.

Sin embargo, es importante entender que la IA no reemplaza la acción humana. Su función es advertir, priorizar y orientar la toma de decisiones, pero la respuesta final siempre depende de las personas y los procesos que actúan con base en esa información.

En la práctica, esto se traduce en que, cuando el sistema detecta un patrón de riesgo, se genera una alerta específica que permite intervenir a tiempo —por ejemplo, ajustar una ruta, detener un vehículo o revisar un comportamiento inusual—.

En resumen, la inteligencia artificial no es la solución por sí sola, sino una herramienta de apoyo que, al transformar los datos en decisiones, permite actuar antes de que ocurra un accidente y así proteger vidas y operaciones.

El avance tecnológico es impresionante, pero siempre surge la pregunta: ¿cómo aseguramos que la IA en seguridad de transporte sea entendida y usada no solo por ingenieros, sino también por conductores, operadores y tomadores de decisión?

Lo primero es informar y comunicar. Detrás de la inteligencia artificial hay equipos que programan, analizan datos y desarrollan herramientas muy potentes, pero su verdadero valor se logra cuando todos —no solo los ingenieros— entienden para qué sirve y cómo puede ayudarles en su trabajo diario.

No es necesario que un conductor o un operador conozca las operaciones matemáticas detrás de un modelo; lo importante es que comprenda qué beneficios le aporta: si mejora su seguridad, si reduce riesgos o si facilita su labor.

En ese sentido, el enfoque debe estar en traducir la tecnología en utilidad práctica. Que cada persona, desde quien conduce un vehículo hasta quien toma decisiones estratégicas, entienda el propósito, el “para qué” de la herramienta, más que el “cómo” funciona.

Cuando todos interiorizamos ese propósito, la adopción de la inteligencia artificial deja de ser un desafío técnico y se convierte en una mejora real para toda la operación logística.

Mirando al futuro, ¿qué riesgos en el transporte cree que la IA podrá anticipar en los próximos años que hoy todavía no estamos midiendo o prediciendo?

La inteligencia artificial no reemplazará a las personas, pero sí transformará profundamente la forma en que gestionamos el riesgo. En los próximos años, la IA podrá anticipar incidentes que hoy no estamos midiendo, como patrones que derivan en accidentes, siniestros o fallas operativas, ayudando a tomar decisiones preventivas antes de que ocurran.

Sin embargo, también existen nuevos riesgos. Uno de los más importantes es el uso inadecuado de los datos: compartir información sensible o no entender cómo se están utilizando los algoritmos y modelos de predicción puede generar vulnerabilidades. La ciberseguridad será tan relevante como la predicción misma.

Por eso, más allá del avance tecnológico, el reto estará en entender el propósito y los límites de estas herramientas, garantizar un uso responsable de los datos y mantenernos informados y preparados para el cambio. La IA no viene a reemplazar personas, sino a potenciarlas —y quienes aprendan a usarla correctamente estarán mejor preparados para el futuro del transporte.

Preguntas del Público

¿Cómo hacer para mermar las brechas tecnológicas con los pequeños transportadores y que puedan aprovechar las ventajas que nos da la IA en la logística?

Ese reto va en doble vía. Por un lado, está la capacidad tecnológica, y por el otro, la forma en que comunicamos su valor.

 

Si nos sentamos con un pequeño transportador y empezamos a hablarle de modelos matemáticos, fuerzas G o algoritmos de IA, probablemente no logremos una conversación efectiva. El verdadero desafío está en traducir la tecnología al lenguaje operativo.

 

Como gestores o administradores de flota, debemos ser capaces de explicar el para qué de estas herramientas: cómo pueden ayudar a optimizar la operación, reducir costos o mejorar la seguridad. Por ejemplo, en lugar de hablar de pulsos GPS, es más útil sentarse con el transportador y revisar juntos su bolsa de costos: cuánto está gastando en llantas, cómo está cargando el vehículo o si está aprovechando al máximo su capacidad.

 

Cuando la conversación se centra en datos prácticos y en resultados reales, se vuelve mucho más fluida y genera confianza.
Por eso, reducir la brecha tecnológica no solo implica acceso a herramientas digitales, sino también formación, acompañamiento y la capacidad de comunicar la tecnología en términos que el operador entienda y pueda aplicar.

¿Cuánto debería una empresa transportista destinar para la adopción de inteligencia artificial, visualizando el retorno de inversión y la rentabilidad de la compañía?

Una empresa transportista puede adoptar inteligencia artificial sin necesidad de grandes inversiones iniciales, siempre y cuando aproveche las fuentes de financiación disponibles y enfoque su estrategia en el retorno de inversión.

 

En nuestro caso, hemos desarrollado varios proyectos de innovación en los que no tuvimos que aportar recursos propios directamente. Por ejemplo, a través del Sistema General de Regalías, logramos un proyecto conjunto entre cuatro empresas para crear una herramienta tecnológica de gestión de riesgos, que hoy genera beneficios para todas.

 

También hemos trabajado en programas de innovación abierta con apoyo del gobierno y aliados internacionales, lo que nos ha permitido acceder a soluciones desarrolladas en otros países y reducir los costos de implementación. Incluso, empresas como Microsoft están apoyando proyectos de IA con incentivos que van desde USD 15.000 hasta USD 150.000, dependiendo del tamaño de la compañía.

 

El punto clave está en analizar el retorno. Cada peso invertido en IA debe traducirse en ahorro, eficiencia o reducción de riesgos. Por ejemplo, si se invierte en cámaras inteligentes a bordo, hay que medir en qué momento se paga la inversión (payback) y cómo mejora el ROA o retorno sobre activos.

 

Nosotros, por ejemplo, usamos modelos de analítica predictiva que nos ayudan a optimizar operaciones y programar mantenimientos según el comportamiento real de los datos. Esto nos ha permitido aumentar la eficiencia de los activos y mejorar la rentabilidad.

 

Al final, la inversión en IA debe entenderse como una herramienta para monetizar los datos, mejorar la productividad y reducir tiempos muertos. Si la tecnología permite hacer más viajes, optimizar los recursos y disminuir el estrés operativo, entonces el retorno está más que justificado.

¿Con el uso de la IA podemos prevenir retrasos en la ruta?

Sí, se puede. ¿Por qué? Porque todo genera datos. Cada viaje deja un rastro de información que la inteligencia artificial puede analizar. La IA estudia los viajes que presentaron retrasos, los compara con los que no los tuvieron y, a través de millones de operaciones matemáticas, aprende a identificar los patrones que anteceden un retraso.

 

Una vez ha aprendido esto, la IA monitorea constantemente y, cuando detecta condiciones similares a las de un retraso, genera una alerta. Así de simple: gracias a ese análisis continuo, hoy es posible anticipar y prevenir demoras en las rutas.

Conclusiones del webinar

Contacto

Bogotá, Colombia

Barcelona, España

Quito, Ecuador

CDMX, México