La carrera por el contexto: cómo medir lo que sucede en cientos de miles de m²

El comercio electrónico tiene veinte años de contexto: cada clic, cada búsqueda y cada carrito abandonado queda registrado. Por eso un asistente de IA puede explicar una caída en las ventas online. En los espacios físicos, los datos suelen quedarse en los bordes: el conteo en las puertas y las ventas en las cajas. Pasa lo mismo en un centro comercial, en una cadena de tiendas o en un aeropuerto.

Capturar contexto a gran escala significa medir, de forma continua y anónima, lo que pasa dentro: flujos entre plantas y zonas en un centro comercial de 100.000 m², visitas y filas en cientos de tiendas a la vez, recorridos y esperas en una terminal de aeropuerto. La pregunta no es si eso sirve. La pregunta es qué arquitectura puede hacerlo a un costo razonable, y seguir haciéndolo a medida que la IA evoluciona.

La IA ya sabe cuánto. No sabe por qué. El contexto es lo que convierte un indicador en una explicación.

Un ejemplo real de un centro comercial en Sudamérica. El tráfico total del centro se mantuvo, pero una planta empezó a recibir menos visitas. La pregunta al asistente de IA fue la misma en los dos casos: ¿por qué el Nivel 2 recibe menos visitas si el tráfico total se mantuvo?

Solo con el conteo de accesos, el asistente apenas confirma que el tráfico se mantuvo. Con los datos de las cámaras conectados por MCP (el estándar abierto que conecta asistentes de IA con fuentes de datos), ve el flujo entre plantas semana a semana: después de que se invirtieron dos escaleras mecánicas, subió 8,2% menos gente al Nivel 2. La respuesta llega con la causa y el momento en que empezó.

Durante años, la analítica en espacios físicos se compraba como un paquete cerrado. El mismo proveedor fabricaba el equipo, lo instalaba, hacía la red, desarrollaba el software y lo integraba con el cliente. Cambiar una pieza obligaba a cambiar de proveedor, y lo que se podía medir dependía del equipo comprado.

Después la cadena se separó en capas: fabricantes de cámaras, instaladores, redes y TI, software con IA e integradores. El operador pasó a elegir la mejor opción en cada capa. KSI nació en ese cambio: software de IA sobre cámaras de cualquier marca, sin fabricar ni instalar hardware.

Hoy los agentes de IA están irrumpiendo en varias de esas capas a la vez. El hardware se vuelve commodity: a la cámara solo se le pide que grabe bien. Los dashboards y los reportes los absorben los agentes. La integración se estandariza con MCP. Y aparece una capa nueva: análisis y acción, donde los agentes explican, recomiendan y alertan.

En esta transición, los grandes operadores se están dividiendo en tres grupos. La diferencia no es el presupuesto ni la intención. Es dónde decidió cada uno que corre la IA: en un sensor dedicado, dentro de cada cámara o como software sobre las cámaras que ya existen.

Los que siguen con el modelo viejo

Sensores de conteo dedicados en los accesos, con o sin IA. Resolvieron la pregunta de la década pasada: cuántas personas entraron. Su límite es estructural: costo alto por punto de análisis, una segunda flota de equipos que mantener junto al CCTV, dependencia del proveedor (vendor lock-in) e innovación que solo llega cuando el fabricante renueva su línea.

Los que caen en la trampa de la IA embebida

Reemplazar sensores por cámaras inteligentes parece modernizarse. En la práctica repite el mismo modelo con un equipo más caro: una cámara con IA embebida puede costar hasta 1.000 USD, queda obsoleta en unos 5 años y vuelve a atar el análisis al proveedor del hardware. Con ese precio por punto, cubrir un centro comercial de 50.000 m², una terminal de aeropuerto o una red de cientos de tiendas se vuelve inviable, y la IA queda congelada en la versión que trajo el equipo.

Lo que están haciendo los mejores operadores

Los operadores más avanzados separan la infraestructura de la inteligencia. Cámaras de cualquier marca, propiedad del operador, que solo graban. Una capa de percepción, entregada como software, que convierte el video en datos anónimos y auditables. Y agentes conectados por un estándar abierto que consultan esos datos en lenguaje natural. Cada capa se puede reemplazar sin rehacer el resto.

Visto desde principios fundamentales, medir lo que pasa dentro de un espacio completo, o de una red completa de espacios, es un árbol de decisiones. Cada decisión equivocada vuelve la cobertura total económicamente inviable.

La única rama que llega al objetivo es la IA como software sobre las cámaras existentes. Donde haga falta ampliar la cobertura, hay cámaras desde 50 USD. En proyectos reales, KSI validó una diferencia de 10x o más frente al hardware dedicado: menos costo de infraestructura y más cobertura de análisis por el mismo presupuesto.

El principio es el mismo en cada vertical, pero cambia la pregunta que queda sin respuesta y la forma de cada camino. Cada vertical tiene su propio artículo con casos publicados.

En el modelo que se está consolidando, cada capa tendrá un dueño claro y el operador podrá cambiar cualquiera sin rehacer las demás.

• Competencia de proveedores: los proveedores de percepción competirán con inteligencia sobre la infraestructura del operador, no con hardware.
• Varias IAs en paralelo: distintos modelos y proveedores podrán correr sobre las mismas cámaras al mismo tiempo.
• IA evolutiva: las mejoras llegarán como actualizaciones de software, sin reemplazar equipos.
• Conexión agéntica: Claude, ChatGPT, Gemini o los agentes de KSI consultarán los datos por MCP.
• Costo por punto de análisis, no por equipo, y cobertura de todo el espacio.

El operador que es dueño de su infraestructura y elige su capa de datos podrá adoptar cada nueva generación de IA el mismo día en que aparezca.