IA imaginativa para terremotos: el futuro del análisis sí…

Investigadores están usando sistemas de inteligencia artificial que “imaginan” datos faltantes para reconstruir historiales sísmicos y anticipar réplicas en segundos. El resultado: alertas transfronterizas reales, bases de datos sísmicas generadas desde archivos periodísticos y modelos que comprimen horas de cálculo en segundos.

¿Qué significa usar IA “imaginativa” para terremotos?

Ponele que un investigador quiere estudiar el impacto sísmico en una región andina durante los últimos 40 años, pero el sistema de monitoreo moderno lleva funcionando apenas 15. El resto es un agujero negro de datos. ¿Qué hacés con los años que no existen en el registro digital?

Acá es donde entra la IA “imaginativa”. El concepto no es magia ni ciencia ficción: son sistemas que infieren datos faltantes a partir de fuentes no estructuradas como archivos de noticias, documentos históricos, registros catastrales y redes sociales. El sistema lee un artículo del diario que dice “el terremoto destruyó el centro de la ciudad” y de ahí extrae fecha, ubicación estimada, intensidad percibida y tipo de daño. Inferencia estadística avanzada, no adivinación.

La diferencia con la IA puramente predictiva basada en sensores es clave: los sensores solo capturan lo que ocurre desde que están instalados. La IA “imaginativa” puede llenar décadas de vacío usando lo que la gente escribió, publicó y archivó. Dos enfoques distintos para el mismo problema: datos insuficientes.

Google Groundsource: de 5 millones de noticias a una base de datos global de inteligencia artificial terremotos e inundaciones

El caso más documentado de este enfoque viene de Google. Su sistema Groundsource usa Gemini para procesar artículos periodísticos a escala industrial: según la documentación pública del proyecto, el sistema analizó 5 millones de artículos y detectó 2,6 millones de eventos de inundaciones en más de 150 países.

El problema que resuelve es concreto. Los datos históricos sobre fenómenos extremos son fragmentarios, especialmente en el sur global. Los países con sistemas de monitoreo recientes tienen registros digitales de los últimos 10 o 15 años, pero los eventos anteriores solo quedaron en los diarios. Groundsource convierte esos archivos en datos estructurados: fecha, coordenadas, tipo de evento, magnitud estimada del daño. Una base de datos global construida desde el periodismo.

Google Flood Hub es la aplicación práctica: ya cubre a más de 2.000 millones de personas en 150 países con alertas de crecidas de ríos. Las inundaciones repentinas son uno de los fenómenos meteorológicos con mayor mortalidad a nivel mundial, y buena parte de esa mortalidad viene de la falta de datos históricos para calibrar los modelos de predicción. Groundsource ataca ese problema de raíz.

¿Y qué tiene que ver esto con sismos? La metodología es exportable. El mismo enfoque de extraer eventos de textos periodísticos se puede aplicar a registros sísmicos históricos, que es exactamente lo que están explorando varios grupos de investigación. Para más detalles técnicos, mirá nuestra guía sobre seguridad con Microsoft.

HEWFERS: el sistema chileno que anticipa la intensidad sísmica

Chile tiene uno de los sistemas de monitoreo sísmico más desarrollados de la región, y HEWFERS (Hybrid Earthquake Early Warning Framework for Estimating Response Spectra) es uno de sus desarrollos más interesantes. El nombre es un trabalenguas, pero la función es clara: estimar la intensidad del movimiento del suelo con segundos de anticipación, antes de que las ondas más destructivas lleguen a una zona determinada.

El caso real más citado: durante un sismo de magnitud 6.1 con epicentro en La Serena, según el reporte publicado en Diario Uno, usuarios en Mendoza recibieron una alerta de HEWFERS estimando una intensidad de 6.2 antes de percibir el movimiento. Alerta transfronteriza, en tiempo real, con estimación de intensidad incluida.

Lo que HEWFERS no hace: no predice el terremoto antes de que empiece. Una vez que el sismo comienza, las ondas primarias (P) viajan más rápido que las secundarias (S) y las superficiales, que son las que realmente destruyen estructuras. HEWFERS detecta las primeras y calcula la intensidad esperada antes de que lleguen las segundas. Son segundos, no minutos. Pero en ese tiempo podés meterte bajo una mesa, cortar maquinaria industrial o activar protocolos de emergencia.

Cómo la IA predice réplicas en segundos

Después de un terremoto importante, la pregunta que más le importa a los equipos de rescate es: ¿vienen más? Las réplicas pueden colapsar estructuras ya debilitadas, matar rescatistas y dificultar la evacuación. El problema es que calcular la probabilidad, cantidad y ubicación de réplicas con los métodos tradicionales tarda horas o días.

Un equipo de investigadores de la Universidad de Edimburgo, el Servicio Geológico Británico y la Universidad de Padua desarrolló un modelo que comprime ese tiempo a segundos. Según Infobae, el paper se publicó en la revista Earth, Planets and Space y el sistema usa el modelo ETAS (Epidemic Type Aftershock Sequence) acelerado con machine learning.

El modelo ETAS es un estándar en sismología para proyectar réplicas, pero su costo computacional es alto. La integración con machine learning no reemplaza el modelo sino que lo acelera: entrena la red para aproximar los cálculos que ETAS haría, reduciendo el tiempo de procesamiento en órdenes de magnitud. El resultado es una estimación probabilística de la cantidad y distribución geográfica de réplicas en las primeras 24 horas, entregada en segundos en vez de horas.

Con eso, los equipos de emergencia pueden priorizar zonas de evacuación y distribuir recursos antes de que llegue la siguiente sacudida (spoiler: en varios sismos importantes, las réplicas fuertes llegan dentro de la primera hora).

Del pasado al futuro: reconstruir historia sísmica con datos no estructurados

La metodología inversa es quizás la menos vistosa pero la más transformadora para países como Argentina, Perú o Bolivia. Sos investigador, querés calibrar un modelo sísmico regional, y tu base de datos comienza en 2008 porque antes no había red de acelerógrafos. Todo lo anterior es silencio digital.

Pero los archivos de los diarios no mienten: el terremoto de tal fecha destruyó X edificios en tal provincia, las autoridades declararon emergencia, los testimonios describen sacudidas de tal duración. Metés eso en un sistema entrenado para extraer entidades geoespaciales y temporales de texto libre, y empezás a reconstruir un registro que nunca existió en formato estructurado. Podés inferir la intensidad percibida, la extensión del daño, la duración aproximada. Tema relacionado: aprende sobre ChatGPT en nuestra guía.

Es el mismo enfoque de Groundsource aplicado a sismos. La calidad del resultado depende de la cobertura periodística de la época (que en zonas rurales o países con prensa centralizada puede ser pobre), pero incluso un registro parcial es mejor que ninguno.

Para países con sistemas de monitoreo recientes o insuficientes, esta reconstrucción histórica puede ser la diferencia entre tener o no un modelo predictivo calibrado localmente.

Limitaciones actuales y el riesgo de sobreconfiar en la IA

Ojo con esto, porque el entusiasmo mediático tiende a saltarse los asteriscos.

Primero: ningún sistema predice terremotos antes de que empiecen. Ninguno. Los segundos de ventaja de HEWFERS son reales y valiosos, pero dependen de que el sismo ya haya comenzado y de que haya sensores entre el epicentro y vos. Si estás encima del epicentro, no hay ventana de tiempo posible.

Segundo: el modelo de réplicas del equipo europeo es probabilístico. Te dice “hay un 70% de probabilidad de que ocurran entre 3 y 8 réplicas de magnitud mayor a 4.0 en este radio durante las próximas 24 horas”. No te dice cuándo ni exactamente dónde. Es información útil para planificación de emergencia, pero tomalo con pinzas si alguien lo presenta como predicción exacta.

Tercero: la calidad de los datos de entrada condiciona todo. Un sistema entrenado con archivos periodísticos de una región bien cubierta por la prensa va a rendir mucho mejor que uno entrenado con registros escasos. Garbage in, garbage out, como siempre.

¿Alguien validó estos sistemas de forma independiente a gran escala? Algunos sí, otros todavía están en fase de investigación. HEWFERS tiene casos documentados; el modelo de réplicas está publicado en un journal revisado por pares, que no es lo mismo que estar desplegado en producción. La distinción importa.

El impacto real: cómo estas herramientas funcionan hoy

Más allá de los papers y los pilotos, algunos de estos sistemas ya están operativos. Google Flood Hub corre en producción cubriendo a más de 2.000 millones de personas en 150 países. HEWFERS genera alertas reales que llegan a celulares en zonas transfronterizas entre Chile y Argentina. Eso no es investigación básica, es infraestructura de emergencia. Sobre eso hablamos en detalles de GPT-2 en nuestra guía.

Lo que cambia en la práctica: los equipos de rescate que hoy esperan horas para tener una estimación de réplicas podrían tomarlas en segundos y mover recursos antes. Las autoridades de protección civil en zonas sísmicas podrían tener bases de datos históricas calibradas localmente en vez de depender de registros globales genéricos. Los sistemas de alerta temprana podrían cruzar fronteras en tiempo real.

Subís los datos sísmicos del sensor, el modelo los procesa, la alerta sale al celular en la región de riesgo, el usuario tiene segundos para reaccionar. El flujo parece simple, pero detrás hay años de ingeniería, datos históricos reconstruidos y modelos validados, y esa cadena entera se rompe si falla cualquier eslabón (si es que alguna vez configuraste un pipeline de datos en producción, sabés exactamente de qué hablo).

Tabla comparativa: sistemas de IA para riesgos naturales

Sistema	Tipo de evento	Qué predice	Tiempo de respuesta	Estado actual	Cobertura
Google Flood Hub / Groundsource	Inundaciones	Crecidas de ríos; datos históricos extraídos de prensa	Horas de anticipación	Producción	150+ países, 2.000M personas
HEWFERS (Chile)	Sismos	Intensidad del movimiento antes de ondas destructivas	Segundos	Operativo con alertas reales	Chile y zonas transfronterizas (ej. Mendoza)
Modelo ETAS + ML (U. Edimburgo / U. Padua)	Réplicas sísmicas	Cantidad y distribución de réplicas en 24 horas	Segundos (vs. horas tradicional)	Investigación publicada, no desplegado	Por definir
IA de reconstrucción histórica	Sismos / Inundaciones	Registros históricos a partir de texto periodístico	Procesamiento offline	Investigación activa	Variable según disponibilidad de archivos

Qué significa esto para equipos técnicos y de emergencia en Latinoamérica

Si trabajás en protección civil, gestión de riesgos o infraestructura crítica en la región, el panorama concreto es este: HEWFERS ya está generando alertas transfronterizas entre Chile y Argentina, y el caso de La Serena-Mendoza muestra que la integración regional es técnicamente posible hoy.

Para equipos de datos que trabajen en reconstrucción de registros históricos, el enfoque de Groundsource es replicable con modelos de lenguaje disponibles. Si tu organización tiene archivos digitalizados de prensa regional desde los años 80 o 90, ya tenés materia prima para entrenar o adaptar un pipeline de extracción de eventos. Cloudear eso no requiere infraestructura extraordinaria; con un hosting con capacidad de cómputo básica (podés armar el entorno en donweb.com para los desarrollos iniciales) y acceso a modelos de lenguaje por API ya podés prototipar.

El modelo de réplicas europeo todavía no está disponible como herramienta lista para usar, pero el paper está publicado y el código podría abrirse. Vale seguirlo de cerca.

Errores comunes al interpretar estos sistemas

Confundir “alerta temprana” con “predicción sísmica”

HEWFERS no predice que va a ocurrir un terremoto. Lo detecta cuando empieza y estima la intensidad que va a llegar a tu zona antes de que lo sientas. Son cosas distintas. La predicción sísmica en el sentido de “mañana a las 14:30 habrá un sismo de magnitud 7” no existe, y ningún sistema de IA lo logra hoy.

Asumir que los datos extraídos de noticias son equivalentes a datos de sensores

Los registros reconstruidos desde archivos periodísticos son aproximaciones. Útiles para calibrar modelos donde no hay otra cosa, pero con incertidumbre mucho mayor que una lectura sismográfica. Usarlos como si fueran datos de instrumentos es un error que puede sesgar todo el modelo corriente abajo.

Creer que un paper publicado equivale a un sistema en producción

El modelo de réplicas de Edimburgo/Padua está publicado en un journal revisado por pares. Eso es una validación metodológica, no un deployment. Entre publicar resultados en condiciones controladas y correr en producción durante un sismo real hay un trecho considerable: latencia de infraestructura, integración con redes de sensores existentes, validación operativa. No los confundas. En explora Gemini en nuestra guía completa profundizamos sobre esto.

Ignorar la cobertura de sensores al evaluar HEWFERS

La ventana de tiempo que HEWFERS genera depende de la distancia entre el epicentro y los sensores de la red, y entre los sensores y el usuario final. Si estás en una zona sin cobertura de sensores entre vos y el epicentro, la alerta no llega antes que las ondas. El sistema funciona bien donde la red está densa; en zonas remotas o con cobertura escasa, los segundos de ventaja se reducen o desaparecen.

Preguntas Frecuentes

¿Cómo puede la inteligencia artificial predecir terremotos?

La IA no predice terremotos antes de que ocurran; ningún sistema lo logra hoy. Lo que hace es detectar el inicio del sismo y estimar su intensidad en zonas lejanas antes de que lleguen las ondas más destructivas (HEWFERS), o predecir la distribución de réplicas en las horas siguientes usando modelos estadísticos acelerados con machine learning. La diferencia entre “predicción” y “alerta temprana” es técnica y tiene consecuencias prácticas importantes.

¿Qué es HEWFERS y cómo funciona?

HEWFERS es el sistema chileno de alerta sísmica temprana (Hybrid Earthquake Early Warning Framework for Estimating Response Spectra). Detecta las ondas primarias de un sismo, que viajan más rápido pero causan menos daño, y calcula la intensidad esperada en distintas zonas antes de que lleguen las ondas secundarias y superficiales. Según la documentación del sistema, ya emitió alertas transfronterizas reales, como la del sismo de magnitud 6.1 en La Serena que llegó a usuarios en Mendoza con estimación de intensidad antes de que lo sintieran.

¿Puede la IA predecir réplicas de terremotos?

Sí, con precisión probabilística. El modelo desarrollado por la Universidad de Edimburgo, el Servicio Geológico Británico y la Universidad de Padua usa el modelo ETAS acelerado con machine learning para estimar la cantidad y distribución geográfica de réplicas en las primeras 24 horas, en segundos en vez de horas. Es una estimación probabilística, no una predicción exacta de cuándo y dónde; pero es suficientemente precisa para priorizar evacuaciones y distribución de ayuda.

¿Cómo usa Google la inteligencia artificial para prevenir desastres naturales?

Google tiene dos desarrollos complementarios: Groundsource, que usa Gemini para analizar archivos periodísticos y construir bases de datos históricas de fenómenos extremos (5 millones de artículos procesados, 2,6 millones de eventos de inundaciones detectados en 150 países), y Google Flood Hub, que usa esos datos y modelos hidrológicos para emitir alertas de crecidas de ríos. Flood Hub ya cubre a más de 2.000 millones de personas en 150 países y está en producción, no en fase piloto.

Conclusión

Lo que cambió en 2026 no es que la IA “resolvió” los terremotos. Lo que cambió es que tenemos tres herramientas concretas y distintas que antes no existían: sistemas capaces de reconstruir historia sísmica desde archivos de texto, alertas transfronterizas que llegan a celulares en segundos, y modelos que comprimen horas de cálculo de réplicas en segundos.

Son avances reales con limitaciones reales. HEWFERS funciona pero depende de la densidad de la red de sensores. El modelo de réplicas europeo tiene validación científica pero todavía no está desplegado. Groundsource es operativo para inundaciones y puede exportar su metodología a sismos, pero la calidad del resultado depende de cuánto cubrieron los diarios locales hace 40 años.

Si trabajás en gestión de riesgos o en infraestructura de datos para emergencias, el dato práctico es este: la integración regional entre Chile y Argentina ya existe en HEWFERS y el caso de La Serena-Mendoza demuestra que escalar esa cobertura es viable. El resto de la región debería estar mirando de cerca.

Fuentes

• Inteligencia Argentina – Google Groundsource y prevención de inundaciones con IA
• Diario Uno – HEWFERS: la IA que ayuda a detectar sismos tempranos en Chile
• sergio.ec – HEWFERS: la IA chilena que predice terremotos en segundos
• Infobae – Un modelo de IA podría predecir réplicas de terremotos en pocos segundos