Por qué el hambre mundial llega siempre tarde al radar
Las crisis de hambre no ocurren de golpe. Son el resultado de meses de acumulación de factores: una mala cosecha, un conflicto armado que bloquea las rutas de suministro, una subida de precios que deja a las familias más vulnerables sin capacidad de compra, y finalmente el colapso de los mecanismos de subsistencia que habían mantenido a esa población al límite.
El problema histórico de la respuesta humanitaria al hambre mundial es que los sistemas de alerta clásicos detectan la crisis cuando ya está ocurriendo, no cuando todavía puede prevenirse. Para entonces, la ventana de intervención más eficaz ya ha pasado.
El sistema de alerta temprana que usa la ONU
El FEWS NET, siglas de Famine Early Warning Systems Network, es el sistema de alerta temprana de hambre mundial más completo del mundo. Fundado en 1985 y financiado por la Agencia de los Estados Unidos para el Desarrollo Internacional, combina datos de satélite sobre vegetación y lluvias, precios de alimentos en mercados locales, indicadores de conflicto y datos de desplazamiento de población para generar mapas de riesgo alimentario actualizados cada mes.
La inteligencia artificial ha multiplicado la capacidad de este sistema en los últimos tres años. Los modelos de aprendizaje automático procesan decenas de millones de datos heterogéneos de fuentes muy distintas y generan predicciones de riesgo de hambre mundial con tres a seis meses de antelación, con una granularidad geográfica que antes era imposible. Puedes consultar los mapas actualizados en la web oficial del FEWS NET, que es la referencia global en predicción de hambre.
Para más contexto sobre cómo la IA gestiona las grandes crisis humanitarias, en ExplicaIA tienes un artículo sobre gestión de catástrofes naturales donde encontrarás el marco completo de la respuesta humanitaria asistida por IA.
Google y la predicción del hambre mundial desde el espacio
Google ha aplicado sus modelos de análisis de imágenes satelitales a la predicción de cosechas en países de África subsahariana con una precisión que supera a los métodos tradicionales de estimación agrícola. Combinando imágenes de Landsat y Sentinel con datos meteorológicos y modelos de crecimiento de cultivos, los sistemas de Google pueden estimar el rendimiento de una cosecha con meses de antelación a la recolección.
Esa estimación anticipada permite a las agencias humanitarias calcular con mucha mayor precisión cuánto déficit alimentario va a producirse en una región concreta y cuándo va a alcanzar su punto crítico, lo que transforma la respuesta humanitaria al hambre mundial de reactiva a preventiva.
El Programa Mundial de Alimentos de la ONU usa herramientas de este tipo para planificar sus operaciones logísticas, que implican mover millones de toneladas de alimentos a través de zonas de conflicto y con infraestructuras devastadas.
Lo que la predicción del hambre mundial no puede resolver sola
La predicción del hambre mundial con inteligencia artificial resuelve el problema del conocimiento: saber con anticipación dónde y cuándo va a ocurrir una crisis. Pero no resuelve el problema de la respuesta: tener los recursos, la logística y la voluntad política para actuar antes de que la crisis sea irreversible.
En varios de los conflictos más graves de los últimos años, como los de Yemen, Sudán del Sur y la República Democrática del Congo, los sistemas de predicción funcionaron correctamente. Las alertas se emitieron a tiempo. La respuesta humanitaria fue insuficiente no porque nadie lo supiera, sino porque los actores con capacidad para actuar no lo hicieron.
La inteligencia artificial puede predecir el hambre mundial. No puede predecir la voluntad de los gobiernos de prevenirla.
En ExplicaIA seguimos de cerca este campo, porque la predicción del hambre mundial es uno de esos casos donde la tecnología ha dejado de ser el obstáculo, y eso obliga a hacerse preguntas mucho más incómodas sobre los que sí lo son.