La IA deja de contar árboles: el mapa que distingue qué bosque hay y qué riesgo asume una cadena de suministro
Google DeepMind, Google Research, WRI e IIASA publicaron un mapa global de tipología forestal a 10 metros y una serie temporal experimental de 2017 a 2025. La señal no es solo ecológica: convierte la trazabilidad ambiental en un problema de datos que las empresas pueden empezar a auditar con mayor resolución.
Durante años, una imagen satelital podía responder una pregunta básica: ¿hay árboles aquí? Para una empresa que compra café, cacao, caucho, aceite de palma o madera, esa respuesta se queda corta. Un bosque primario, una plantación de eucaliptos y un cultivo de palma pueden verse verdes desde arriba, pero no representan el mismo riesgo climático, legal ni reputacional.
El 22 de octubre, Google DeepMind y Google Research anunciaron junto con World Resources Institute (WRI) e International Institute for Applied Systems Analysis (IIASA) Forest Typology (ForTy) 2020: un mapa global que clasifica cada parcela de 10 × 10 metros en seis categorías y permite observar cómo cambia con el tiempo. El anuncio se apoya en un artículo de Scientific Data publicado el 21 de octubre de 2026. La publicación científica describe un mapa de referencia para 2020; la serie temporal de 2017 a 2025 aparece como un lanzamiento temprano asociado al anuncio.
Qué cambió: de la cubierta arbórea a la historia del terreno
La versión 2020 separa:
- bosque primario;
- bosque de regeneración natural;
- bosque plantado;
- bosque de plantación;
- cultivos arbóreos y agroforestería;
- otros usos del suelo.
El salto está en el contexto. Una plantación puede recuperar el color verde después de una tala sin que eso signifique que el bosque original se haya conservado. La serie temporal experimental, que cubre de 2017 a 2025, intenta mostrar no solo dónde desaparece la cubierta forestal, sino qué la reemplaza: una plantación maderera, un cultivo arbóreo, otro uso del suelo o una regeneración.
La fuente primaria indica que el sistema fue entrenado con 1,7 millones de muestras distribuidas globalmente y probado contra 8.190 sitios con etiquetas de expertos. En esa validación, alcanzó una precisión global del 90,2 % para las seis clases, 94,8 % al distinguir bosque natural de no natural y 95,5 % al separar bosque de no bosque. La cifra global debe leerse junto con las métricas por clase: el propio estudio señala que separar bosques plantados sigue siendo especialmente difícil, con un F1 de 58,2 %.
Es importante leer esos porcentajes con precisión. No significan que cada parcela esté identificada sin incertidumbre ni que el mapa sustituya una auditoría de campo. El conjunto ofrece puntuaciones relativas de confianza por clase, precisamente para que un regulador, investigador o empresa ajuste el umbral según el coste de equivocarse.
La lectura Olbrite: el dato ambiental empieza a parecerse a un control operativo
La novedad empresarial no es que una IA produzca un mapa más vistoso. Es que traduce una señal geoespacial difícil de inspeccionar en una capa de evidencia que puede entrar en un proceso de compras, riesgo y cumplimiento.
La regulación europea sobre productos libres de deforestación (EUDR) exige demostrar que determinadas materias primas y derivados no proceden de tierras deforestadas o degradadas. La Comisión Europea incluye entre los productos de mayor riesgo al ganado, la madera, el cacao, la soja, el aceite de palma, el café y el caucho. Para las empresas, el problema práctico es conectar una coordenada, una fecha, un proveedor y un tipo de cambio del terreno sin confundir un bosque que volvió a verse verde con un bosque que mantuvo su condición ecológica.
ForTy no resuelve por sí solo esa cadena de custodia. Sí puede convertir el control en una secuencia más concreta:
- Localizar: asociar las parcelas de proveedores con una base geoespacial común.
- Clasificar: distinguir bosque natural, plantación y cultivo arbóreo en vez de usar “árboles sí/no”.
- Comparar: revisar la trayectoria temporal desde el año de referencia.
- Priorizar: enviar a revisión humana las parcelas con baja confianza o cambios relevantes.
- Documentar: conservar la evidencia y el umbral aplicado para que la decisión sea auditable.
Ese patrón es trasladable a otras decisiones de negocio: no automatizar la sentencia final, sino automatizar la lectura inicial, la priorización y el rastro de por qué un caso terminó en revisión.
Qué cambia para una empresa en seis frentes
1. Compras y proveedores
La evaluación deja de depender exclusivamente de declaraciones del proveedor. Una empresa puede contrastar una muestra de parcelas, localizar concentraciones de riesgo y pedir documentación adicional donde la señal satelital no encaja con la narrativa comercial.
2. Cumplimiento y regulación
El valor no está en exhibir un porcentaje de precisión, sino en fijar reglas. Un equipo puede adoptar un umbral conservador para bloquear automáticamente una operación o un umbral más amplio para generar una alerta que después revise un especialista.
3. Finanzas y seguros
Los activos vinculados a materias primas agrícolas, forestales o ganaderas pueden incorporar una variable espacial más rica. Eso no convierte el mapa en una valoración financiera, pero sí aporta una señal para segmentar exposición, garantías o primas.
4. Operaciones
Los equipos de sostenibilidad pueden pasar de revisar mapas aislados a gestionar una cola de excepciones: parcelas nuevas, cambios de uso, pérdida de confianza o discrepancias entre años.
5. Reputación y clientes
Una afirmación de “cadena libre de deforestación” es más defendible cuando la empresa puede explicar qué datos consultó, con qué fecha y qué casos quedaron fuera por incertidumbre.
6. Arquitectura de datos
La geografía ya no debería vivir en un informe PDF separado del ERP, las compras o el sistema de proveedores. La oportunidad es unir identificador de parcela, proveedor, producto, fecha, clase prevista, confianza, fuente y decisión humana.
Qué hacer esta semana
- Elegir una cadena concreta. Empieza por una materia prima y no por toda la compañía. Café, cacao, caucho, madera o aceite de palma tienen preguntas de trazabilidad distintas.
- Inventariar las coordenadas. Comprueba cuántos proveedores entregan polígonos o puntos utilizables y qué porcentaje carece de geolocalización consistente.
- Definir el coste del falso positivo y del falso negativo. El umbral de confianza depende de si la alerta detiene una compra, dispara una inspección o solo alimenta un informe.
- Crear una cola de revisión humana. Ningún mapa global debería convertirse en un “sí/no” automático sin revisar casos ambiguos, definiciones locales y datos de campo.
- Guardar la evidencia. Registra la versión del conjunto de datos, fecha de consulta, clase, confianza, regla y decisión para poder reconstruir el razonamiento.
Qué observar ahora
- La serie temporal de 2017–2025 se presenta como un lanzamiento temprano y seguirá mejorándose con socios y usuarios.
- La distinción entre bosque plantado y plantación usa en el estudio un umbral operativo de rotación de 40 años; los propios autores advierten que es una simplificación que no generaliza perfectamente a todos los biomas y prácticas silvícolas.
- El mapa agrupa “otros terrenos” e incorpora ahí el suelo arbolado con baja cobertura; no sustituye productos específicos para todos los casos de degradación.
- La precisión global no elimina la necesidad de revisar definiciones legales, calidad de coordenadas, cambios recientes y evidencia local.
La ventaja competitiva no estará en decir que una empresa “usa IA para sostenibilidad”. Estará en demostrar que puede detectar una señal, medir su incertidumbre y convertirla en una decisión trazable antes de que el problema llegue a un regulador, un cliente o el comité de riesgos.
Para conectar con otras lecturas de Olbrite
- El poder de la inteligencia artificial en la conservación ambiental sirve como contexto para entender el paso desde la detección ambiental general hacia un sistema de monitoreo con clases y confianza.
- La Inteligencia Artificial como Aliada en la Mitigación del Cambio Climático aporta continuidad sobre el uso de modelos para convertir datos climáticos en decisiones.
Una cadena de suministro no se vuelve verificable porque tenga más datos. Se vuelve verificable cuando puede explicar qué vio, qué no pudo saber y qué decisión tomó después.
Fuentes consultadas
- Google DeepMind: Beyond tree cover: mapping the world’s forest types (22 de octubre de 2026)
- Nature Scientific Data: Global forest typology at 10-meter resolution for forest and land-use monitoring (21 de octubre de 2026)
- Google Earth Engine Data Catalog: Forest Typology (ForTy) 2020 v1.0
- Comisión Europea: Regulation on Deforestation-free products
