Personal de seguridad pública

Personal de seguridad pública e IA: Cómo la inteligencia artificial está transformando las operaciones de seguridad pública

Resumen del rol

El personal de seguridad pública —incluidos agentes de patrulla, detectives, analistas delictivos, operadores de despacho y especialistas en investigación— se desenvuelve en uno de los entornos profesionales más complejos y de alto riesgo del sector público. Su labor abarca desde la respuesta inmediata a incidentes y la vigilancia comunitaria proactiva hasta la investigación criminal, la gestión de pruebas, la preparación de diligencias judiciales y la coordinación entre organismos.

La realidad operativa es exigente: los agentes toman constantemente decisiones en fracciones de segundo con información incompleta, bajo presión física y psicológica, mientras navegan por una densa red de restricciones legales, normativas departamentales y responsabilidad pública. Los detectives gestionan cargas de trabajo que pueden acumular decenas de casos simultáneos, cada uno con sus necesidades de documentación, cadena de custodia de las pruebas, coordinación de testigos y entrega al ministerio fiscal. Los centros de despacho atienden miles de llamadas por turno, clasificando emergencias en tiempo real.

Los cuerpos abarcan desde pequeñas agencias municipales con menos de 20 agentes hasta organismos federales con decenas de miles de efectivos. Con independencia del tamaño, todos se enfrentan a presiones comunes: aumento del volumen de llamadas, escasez de personal, escrutinio público sobre el uso de la fuerza y los derechos civiles, y expectativas crecientes de rendición de cuentas basada en datos. Precisamente estas presiones impulsan la adopción de la IA, no como un experimento futurista, sino como una necesidad operativa.

Cómo la IA está transformando este rol

La inteligencia artificial está entrando en el ámbito de la seguridad pública no mediante un único producto revolucionario, sino a través de un conjunto de herramientas superpuestas que están reconfigurando discretamente la forma en que los agentes obtienen información, los detectives construyen casos, los operadores priorizan las llamadas y las agencias distribuyen los recursos de patrullaje.

El cambio más significativo se sitúa en la capa de análisis e inteligencia. Tradicionalmente, el análisis delictivo era una función especializada ejercida por un equipo reducido que empleaba programas SIG y reconocimiento de patrones basado en hojas de cálculo. Hoy, las plataformas de análisis predictivo procesan datos históricos de incidentes, meteorología, calendario de eventos y variables socioeconómicas para generar recomendaciones de despliegue de patrullas asignadas por turno. Cada vez más, los agentes reciben informes generados por IA antes de salir a la calle: no solo estadísticas delictivas, sino evaluaciones de riesgo específicas a nivel de manzana.

En el ámbito de la investigación, la IA está comprimiendo los plazos. Las herramientas forenses digitales utilizan ahora el aprendizaje automático para extraer de los dispositivos intervenidos comunicaciones relevantes que antes requerían semanas de revisión manual. Las plataformas de analítica de vídeo pueden rastrear horas de grabaciones de vigilancia para identificar la vestimenta, la forma de andar o el vehículo de un sospechoso a través de múltiples flujos de cámaras. Estas capacidades no sustituyen a los detectives, sino que modifican el uso de su tiempo, desplazando el esfuerzo de la recuperación de datos hacia la interpretación y la estrategia jurídica.

A nivel de despacho y mando, las herramientas de análisis de llamadas asistidas por IA empiezan a detectar aquellas solicitudes de servicio que coinciden con patrones asociados a situaciones de violencia doméstica en escalada, crisis de salud mental o incidentes recurrentes en una misma ubicación. Esto permite a los supervisores posicionar recursos de forma anticipada o enviar unidades especializadas, en lugar de recurrir por defecto a la respuesta policial estándar.

La transformación es real, pero desigual. Los grandes departamentos urbanos y las agencias federales están mucho más avanzados que los cuerpos municipales rurales o con escasos recursos, lo que genera un panorama de dos niveles en el que la capacidad de la IA se correlaciona estrechamente con el presupuesto del departamento.

Tareas que la IA puede automatizar

• Redacción de informes de incidentes: Herramientas de transcripción de IA y generación de lenguaje natural convierten el audio de las cámaras corporales y las notas de voz de los agentes en borradores estructurados de informes de incidentes, reduciendo el tiempo administrativo posterior al turno entre un 30 % y un 50 % en implementaciones piloto.
• Reconocimiento y cruce de matrículas: Los sistemas LPR automatizados escanean matrículas de forma continua en bases de datos de vehículos robados, órdenes de captura y alertas BOLO sin intervención del agente, marcando coincidencias en tiempo real.
• Revisión de grabaciones de vigilancia: Las herramientas de visión artificial analizan horas de grabaciones de CCTV para localizar un vehículo, una persona o un suceso específicos, una tarea que antes requería horas de analistas dedicados.
• Programación predictiva de patrullajes: Los algoritmos analizan datos históricos de llamadas de servicio para recomendar la densidad de patrullaje por hora, ubicación y día, sustituyendo la preparación manual de las instrucciones de turno.
• Clasificación de pruebas digitales: Las herramientas forenses basadas en aprendizaje automático priorizan los archivos de dispositivos incautados según su relevancia para el tipo de investigación, destacando comunicaciones, imágenes y documentos que coinciden con los parámetros investigativos.
• Verificación de órdenes y antecedentes: Las herramientas de consulta automatizada ejecutan verificaciones simultáneas en bases de datos locales, estatales y federales en segundos, sustituyendo las búsquedas manuales en múltiples sistemas.
• Clasificación de llamadas de despacho: Los modelos de IA entrenados con audio de llamadas y datos del sistema CAD pueden sugerir niveles de prioridad y tipos de unidades para las llamadas entrantes, apoyando —no reemplazando— el criterio del operador de despacho.
• Mapeo delictivo e identificación de puntos críticos: El análisis espacial automatizado sustituye el trabajo manual con SIG en la detección rutinaria de patrones.

Competencias cada vez más valiosas

Evaluación crítica de los resultados de la IA. Los agentes y analistas capaces de interrogar la recomendación de un algoritmo — comprendiendo sus datos de entrada, los sesgos conocidos y los umbrales de confianza — se están volviendo esenciales. Actuar ciegamente sobre una puntuación predictiva sin entender su fundamento es operativamente arriesgado y legalmente indefendible.

Alfabetización en evidencia digital. A medida que más delitos dejan rastros digitales, la capacidad de comprender los requisitos de la cadena de custodia de las pruebas digitales, interpretar metadatos y colaborar eficazmente con analistas forenses se convierte en un componente central de la competencia investigativa, no en una habilidad especializada.

Desescalada e intervención en crisis. La IA puede marcar una llamada como de alto riesgo, pero no puede convencer a alguien al borde de la desesperación. A medida que la IA asume más carga de reconocimiento de patrones y tareas administrativas, las habilidades distintivamente humanas de comunicación, empatía y juicio situacional se convierten en la competencia diferenciadora.

Interpretación de datos y alfabetización estadística. Los analistas criminales y supervisores capaces de leer críticamente los resultados de los modelos predictivos, identificar cuándo un modelo está sobreajustando sesgos históricos y comunicar hallazgos al personal de mando tienen una demanda creciente.

Fluidez legal y de derechos civiles en torno al uso de IA. Los agentes y supervisores necesitan un conocimiento práctico de las restricciones legales sobre la vigilancia asistida por IA, el uso de reconocimiento facial y la vigilancia predictiva — ámbitos donde la jurisprudencia está en pleno desarrollo y la responsabilidad institucional es real.

Confianza comunitaria y justicia procesal. A medida que las herramientas de IA aumentan la capacidad de vigilancia, el trabajo humano de construir legitimidad con las comunidades cobra más — no menos — importancia. Los agentes capaces de explicar el uso departamental de la IA con transparencia e involucrar a las comunidades en sus implicaciones son operativamente valiosos.

Habilidades que pierden relevancia

• Búsqueda manual de registros y órdenes judiciales: Las consultas manuales en múltiples sistemas de bases de datos están siendo reemplazadas por verificaciones automatizadas integradas.
• Redacción rutinaria de informes desde cero: La redacción con plantillas y asistencia de IA reduce el tiempo dedicado a la documentación repetitiva de incidentes.
• Mapeo manual del delito: El análisis rutinario de puntos calientes ya no requiere habilidades especializadas en SIG a nivel de analista.
• Registro manual o en cintas de evidencias: Los sistemas digitales de gestión de evidencias automatizan el seguimiento de la cadena de custodia y la indexación del almacenamiento.
• Memorización de códigos de radio y protocolos operativos: Los sistemas CAD y las herramientas de despacho asistidas por IA presentan información relevante contextualmente, reduciendo la dependencia de protocolos memorizados.
• Revisión manual de registros de vigilancia: Las herramientas de visión artificial realizan la clasificación inicial de las grabaciones, reduciendo la necesidad de que los agentes revisen manualmente horas de video en investigaciones rutinarias.

Adopción actual de la IA en este sector

La adopción es real pero fragmentada. A fecha de 2024‑2025, estas son las tendencias que definen el estado real de la IA en la aplicación de la ley:

Despliegue generalizado: el reconocimiento automático de matrículas (ALPR) es casi ubicuo en departamentos medianos y grandes. Los sistemas de detección de disparos (ShotSpotter/Flock Safety) funcionan en cientos de ciudades estadounidenses. Las plataformas de gestión de grabaciones de cámaras corporales con difuminado asistido por IA (Axon, Motorola) son estándar en muchos cuerpos.

Pilotos activos: la redacción de informes asistida por IA (Axon Draft One, Truleo) se está implantando en decenas de agencias, con reducciones medibles del tiempo de documentación. Las herramientas de patrullaje predictivo (PredPol/Geolitica, ShotSpotter Missions) han experimentado tanto adopción como controversia, y algunas ciudades han dejado de usarlas tras auditorías de derechos civiles.

Emergente pero contestado: el reconocimiento facial sigue siendo la aplicación de IA más volátil desde los puntos de vista político y jurídico. Varias grandes ciudades lo han prohibido o restringido. Donde se emplea —sobre todo a nivel federal y en algunas agencias estatales— suele limitarse a la generación de pistas de investigación, no a la identificación directa.

Poco desarrollado: el triaje de llamadas de salud mental asistido por IA, el señalamiento en tiempo real del riesgo de uso de la fuerza y las herramientas automatizadas de preparación de casos fiscales permanecen, en su mayoría, en fase de investigación o con pilotos muy iniciales.

El panorama comercial está dominado por Axon (antes TASER), que ha construido un ecosistema integrado que abarca cámaras corporales, gestión de pruebas digitales, redacción de informes con IA y gestión de flotas. Motorola Solutions compite en verticales similares. Un creciente grupo de proveedores especializados —Flock Safety, Fusus, SoundThinking— apunta a cubrir carencias concretas de capacidad.

Evolución del flujo de trabajo futuro

El flujo de trabajo del agente de patrulla en 2028 será notablemente distinto al actual, aunque las tareas fundamentales —responder a llamadas, tomar decisiones de aplicación de la ley y establecer relaciones con la comunidad— seguirán siendo humanas.

Los informes previos al turno serán generados por inteligencia artificial, integrando datos de incidentes ocurridos durante la noche, actualizaciones de órdenes judiciales activas y recomendaciones de despliegue de patrullas en un informe personalizado para el agente, accesible desde un dispositivo móvil. Los agentes llegarán a las llamadas con información contextual proporcionada por IA: llamadas previas en esa dirección, ocupantes conocidos con órdenes de arresto activas, tipos de incidentes anteriores y factores de riesgo señalados.

Los sistemas integrados en el vehículo y los dispositivos corporales ofrecerán asistencia en tiempo real: lectura de matrículas con verificación instantánea en bases de datos, traducción asistida por IA para personas que no hablen inglés y registro automatizado de incidentes activado por comandos de voz del agente. Tras el incidente, los borradores de los informes se generarán a partir del audio de la cámara corporal pocos minutos después de finalizada la intervención, y solo requerirán revisión y certificación por parte del agente, en lugar de redactarlos desde cero.

Los detectives trabajarán con plataformas de gestión de casos mejoradas con IA que muestran conexiones entre distintos casos, señalan pruebas digitales para revisión prioritaria y generan reconstrucciones cronológicas a partir de fuentes de datos dispares. El cuello de botella en la investigación pasará de la recopilación de datos a la estrategia jurídica y la gestión de testigos.

Los centros de despacho utilizarán IA para reevaluar continuamente la prioridad de las colas de llamadas, recomendar la asignación de unidades en función de la proximidad y la especialización, y señalar las llamadas que cumplan los criterios de intervención en crisis para derivarlas a equipos de respuesta especializados. El papel del operador evoluciona hacia la supervisión y la gestión de excepciones, en lugar de la clasificación rutinaria de casos.

Los mandos gestionarán paneles de rendimiento generados por IA, análisis de tiempos de respuesta e informes sobre patrones de uso de la fuerza, con una presión creciente para demostrar una asignación de recursos basada en datos ante los ayuntamientos y los organismos de supervisión.

Casos de uso comunes de IA

Despliegue predictivo de patrullas: Los algoritmos recomiendan la densidad de patrullaje por zona geográfica y franja horaria basándose en patrones históricos de incidentes, datos de eventos y variables ambientales. Es utilizado por departamentos como los de Los Ángeles, Chicago y Nueva York, aunque con un escrutinio constante en materia de derechos civiles.

Redacción de informes asistida por IA: Herramientas como Axon Draft One transcriben el audio de las cámaras corporales y generan borradores estructurados de informes de incidentes. Los oficiales revisan, editan y certifican el contenido. En pruebas documentadas, reduce el tiempo promedio de elaboración de un informe de 45–90 minutos a 15–30 minutos.

Clasificación forense digital: Plataformas como Cellebrite y Magnet Axiom utilizan aprendizaje automático para priorizar archivos en dispositivos incautados, identificando comunicaciones y medios con mayor probabilidad de ser relevantes para el tipo de investigación, lo que reduce el retraso forense en casos de alto volumen.

Detección de disparos y análisis acústico: El sistema ShotSpotter de SoundThinking emplea sensores acústicos y aprendizaje automático para detectar, clasificar y localizar disparos en tiempo real, alertando a la central de despacho antes de que se realice una llamada al 911. Está desplegado en más de 150 ciudades de EE. UU.

Análisis de video para investigaciones: Plataformas como Briefcam y Genetec utilizan visión artificial para buscar en grabaciones de vigilancia por tipo de vehículo, color, descripción de vestimenta o dirección de desplazamiento, comprimiendo en horas lo que llevaría días de revisión manual.

Reconocimiento automático de matrículas: Las redes de cámaras fijas de Flock Safety y los sistemas ALPR integrados en los vehículos policiales escanean continuamente matrículas comparándolas con listas de vehículos buscados, generando alertas y construyendo bases de datos del historial de ubicaciones que se utilizan en las investigaciones.

Marcado de llamadas de crisis: Las herramientas emergentes analizan los datos del CAD y el historial de llamadas para marcar aquellas entrantes que probablemente involucran crisis de salud mental, permitiendo que la central dirija la llamada a equipos de correspondencia (co‑responder) o unidades especializadas en salud mental en lugar de la patrulla predeterminada.

Análisis de grabaciones de cámaras corporales: Truleo y plataformas similares analizan el audio de las cámaras corporales en busca de indicadores de cumplimiento normativo, marcando las llamadas en las que no se utilizó un lenguaje de desescalada o se aproximaron los umbrales de uso de la fuerza, lo que facilita la revisión de supervisores a gran escala.

Stack de IA recomendado

Gestión de pruebas y casos

• Axon Evidence: gestión integrada de cámaras corporales, pruebas digitales y redacción de informes con IA
• Cellebrite UFED / Magnet Axiom: análisis forense digital con clasificación asistida por aprendizaje automático
• Relativity: revisión de documentos y preparación de casos para investigaciones complejas

Inteligencia para patrullaje y despacho

• SoundThinking (ShotSpotter): detección acústica de disparos y recomendaciones para el despliegue de patrullas
• Flock Safety: redes fijas de LPR (reconocimiento de matrículas) con alertas de listas de vigilancia y búsqueda investigativa
• PredPol / Geolitica: despliegue predictivo de patrullas (nota: sujeto a revisión por motivos de derechos civiles en algunas jurisdicciones)

Analítica de vídeo y vigilancia

• Briefcam: sinopsis de vídeo y búsqueda de objetos/personas en redes de vigilancia
• Fusus: integración en centros de delitos en tiempo real, agregando transmisiones de cámaras con alertas asistidas por IA

Despacho y CAD

• Motorola PremierOne CAD: priorización de llamadas y recomendación de unidades asistidas por IA
• RapidSOS: integración mejorada de datos del 911, incorporando datos de sensores del dispositivo y ubicación en el despacho

Informes y documentación

• Axon Draft One: redacción de informes con IA a partir del audio de cámaras corporales
• Truleo: análisis de audio de cámaras corporales para el cumplimiento de políticas y revisión de supervisores

Nota: Las herramientas de reconocimiento facial (Clearview AI, Amazon Rekognition) quedan excluidas de esta recomendación de stack debido a las restricciones legales vigentes en múltiples jurisdicciones y a las disparidades no resueltas en cuanto a precisión entre grupos demográficos. Las agencias que consideren estas herramientas deben realizar una revisión legal independiente antes de su implementación.

Riesgos y desafíos

Sesgos algorítmicos y responsabilidad en derechos civiles. Los modelos de policía predictiva entrenados con datos históricos de detenciones heredan los patrones de actuación del pasado, incluidas prácticas policiales con disparidad racial. Los departamentos que implementan estas herramientas sin realizar auditorías de sesgo se enfrentan tanto a litigios por violación de derechos civiles como a la erosión de la confianza comunitaria. Varias ciudades, entre ellas Santa Cruz y Los Ángeles, han suspendido o prohibido las herramientas de policía predictiva tras revisiones de impacto en derechos civiles.

Disparidades de precisión en el reconocimiento facial. Estudios independientes, incluida la investigación del MIT Media Lab, han documentado tasas de error significativamente más altas en sistemas de reconocimiento facial en personas de piel más oscura y en mujeres. En Estados Unidos ya se han producido detenciones erróneas vinculadas a identificaciones incorrectas del reconocimiento facial, lo que ha creado una responsabilidad legal documentada.

Dependencia excesiva de los resultados de la IA. Los agentes que interpretan las puntuaciones algorítmicas de riesgo como determinantes en lugar de orientativas están cometiendo un error de categoría con consecuencias reales. Una puntuación predictiva es una estimación de probabilidad, no una orden judicial. Los departamentos que no capacitan a sus agentes sobre las limitaciones de los resultados de la IA están generando riesgos tanto operativos como jurídicos.

Seguridad de los datos e integridad de la cadena de custodia. Los sistemas de IA ingieren y procesan datos sensibles de justicia penal. Las violaciones de seguridad, el acceso no autorizado o los fallos en la integridad de los datos pueden comprometer investigaciones en curso, exponer información de víctimas y crear vulnerabilidades para la fiscalía.

Dependencia tecnológica e interoperabilidad. El ecosistema integrado de Axon genera costos significativos de cambio de proveedor. Los departamentos que construyen sus flujos de trabajo sobre la plataforma de IA de un único proveedor quedan expuestos a presión en los precios, interrupción de productos y fallos de interoperabilidad al colaborar con otros organismos.

Relaciones laborales y vigilancia de agentes. Las herramientas de análisis de audio de cámaras corporales que señalan el comportamiento individual de los agentes para revisión de los supervisores están generando una fuerte oposición sindical. Los departamentos que implementan estas herramientas sin negociación laboral se enfrentan a reclamaciones y resistencias que socavan su adopción.

Vacíos de responsabilidad en decisiones automatizadas. Cuando un sistema de IA recomienda un despliegue de patrullas que desemboca en un incidente de uso de la fuerza, o cuando una herramienta forense de IA presenta pruebas que resultan ser incorrectas, la cuestión de la responsabilidad —del agente, el supervisor, el proveedor o el departamento— sigue sin resolverse legalmente en la mayoría de las jurisdicciones.

Perspectiva futura (3–5 años)

De aquí a 2028, la IA estará integrada en la línea de base operativa de la seguridad pública de formas que actualmente son opcionales o experimentales. La trayectoria es clara en varias dimensiones:

La redacción de informes será ante todo con IA. En un plazo de tres años, los informes de incidentes redactados por IA serán el flujo de trabajo predeterminado en la mayoría de los departamentos medianos y grandes. La función del agente se desplazará a la revisión, corrección y atestación legal. Los departamentos que se resistan a este cambio se enfrentarán a una desventaja competitiva en la captación de agentes, ya que la carga documental es uno de los principales motivos de desgaste.

Los centros de monitoreo delictivo en tiempo real serán la norma. El modelo pionero en ciudades como Nueva York y Atlanta —centros centralizados que agrupan transmisiones de cámaras en vivo, detección de disparos, datos de lectores automáticos de matrículas (ALPR) y la información de sistemas de despacho asistido por ordenador (CAD) para crear una imagen operativa unificada asistida por IA— se expandirá a ciudades medianas a medida que disminuyan los costos y aumente la competencia entre proveedores.

El reconocimiento facial se enfrentará a un punto de inflexión legal. Es probable que en este período surja una legislación federal o un fallo significativo del Tribunal Supremo sobre el uso del reconocimiento facial en las fuerzas del orden. El resultado legitimará la tecnología con salvaguardas o creará un mosaico de restricciones estatales que complicarán la coordinación entre el ámbito federal y el local.

El triaje de salud mental asistido por IA alcanzará la madurez. El modelo de co-respuesta —que deriva las llamadas de salud mental a equipos civiles especializados en lugar de agentes armados— contará cada vez más con herramientas de clasificación de llamadas mediante IA que identifican indicadores de crisis en tiempo real. Esto supone tanto una mejora en los derechos civiles como una ganancia de eficiencia operativa.

La infraestructura de rendición de cuentas se pondrá al día. Los organismos de supervisión, los tribunales y los legisladores están desarrollando activamente marcos para el uso de la IA en las fuerzas del orden. Los departamentos que hayan desplegado herramientas sin documentación, auditorías de sesgo ni políticas de transparencia se enfrentarán a presiones de cumplimiento retroactivo. La gobernanza proactiva pasará de ser una buena práctica a un requisito legal.

La crisis de personal acelerará la adopción de la IA. Las agencias de seguridad en todo EE.UU. se enfrentan a una crisis de contratación y retención que es anterior a la IA pero que se está intensificando. Los departamentos que no puedan cubrir las vacantes de patrulla recurrirán cada vez más a herramientas asistidas por IA para ampliar la capacidad operativa del personal existente; no por elección, sino por necesidad.

Reflexión final

La tensión fundamental en la aplicación de la ley aumentada por IA no es tecnológica, sino institucional. Existen herramientas para que los agentes estén mejor informados, las investigaciones avancen más rápido y la asignación de recursos sea más precisa. Las barreras son la gobernanza, la formación, la rendición de cuentas en materia de derechos civiles y la resistencia cultural de unas organizaciones construidas en torno a la discrecionalidad individual de los agentes.

Lo que la IA no puede hacer es resolver el déficit de legitimidad que muchos cuerpos policiales enfrentan con las comunidades a las que sirven. La vigilancia policial predictiva en un barrio que ya sufre un exceso de presencia policial no se vuelve más justa porque lo haya recomendado un algoritmo. La tecnología amplifica los patrones institucionales existentes, para bien y para mal.

Los profesionales de la seguridad pública que prosperarán en este entorno no son quienes se resisten a las herramientas de IA ni quienes las aceptan sin sentido crítico. Son los agentes, analistas y supervisores que desarrollan el criterio para utilizar los resultados de la IA como un insumo más entre muchos; que entienden qué mide el modelo, qué omite y dónde la discreción humana sigue siendo no solo apropiada, sino legal y éticamente necesaria.

El trabajo no se está automatizando. Se está reestructurando en torno a una nueva división de tareas entre el juicio humano y el reconocimiento de patrones por parte de las máquinas. Acertar en esa división es el desafío operativo definitorio de la próxima década.