¿Por qué España se está llenando de centros de datos y cables submarinos?

Sensores y algoritmos deciden cuándo limpiar, arreglar o regular la ciudad. Cuando el dato sustituye a la queja vecinal, lo que no se mide puede dejar de existir: se gana eficiencia, pero aparecen errores sociales, zonas invisibles y conflictos por prioridades.

Cuando la ciudad se mantiene por datos

Una farola falla, un contenedor se desborda, una calle se vuelve peligrosa, un semáforo descoordina el tráfico. Históricamente, gran parte del mantenimiento urbano ha funcionado con avisos: llamadas, quejas, inspecciones, rutina. Ahora aparece otra lógica: sensores, modelos predictivos y cuadros de mando que deciden qué se atiende primero.

Qué se automatiza: cinco capas de mantenimiento

1. Detección: sensores, cámaras, contadores, telemetría.
2. Clasificación: qué tipo de incidencia es y cuán grave parece.
3. Priorización: qué va primero según impacto, coste, riesgo, rutas.
4. Asignación: a qué contrata o brigada se envía y cuándo.
5. Verificación: se marca como resuelto (a veces sin comprobación humana).

flowchart TD
A["Ciudad: calles, luz, agua, residuos, tráfico"] --> B["Datos: sensores + partes + histórico + avisos"]
B --> C["Modelo: predice fallo o estima urgencia"]
C --> D["Prioriza: riesgo, coste, SLA, rutas"]
D --> E["Orden de trabajo automática"]
E --> F["Ejecución: contrata o brigada"]
F --> G["Cierre: 'resuelto' + métricas"]
G --> B

Por qué parece una mejora obvia

1. Reduce tiempos: reparar antes de que el problema explote.
2. Ahorra recursos: rutas óptimas, menos inspecciones manuales.
3. Hace visible lo invisible: fugas, consumo anómalo, fallos intermitentes.

El límite social: lo que no se mide deja de contar

El mantenimiento basado en datos tiende a privilegiar lo que deja huella cuantificable. Una fuga en una red instrumentada “grita” en el panel; una calle mal iluminada en un barrio con menos sensores o menos reportes puede tardar más. El riesgo no es solo técnico: es una ciudad con zonas más visibles que otras.

Cuadro comparativo: mantenimiento por queja vs. mantenimiento predictivo

Aspecto	Por queja/inspección	Por datos/predicción
Qué se atiende primero	Lo que genera ruido social	Lo que dispara señales y modelos
Riesgo típico	Reacción tardía	Invisibilizar lo no medido
Transparencia para el vecino	Alta (se “ve” la queja)	Variable (decisiones en paneles)
Calidad del cierre	Más verificación in situ	A veces cierre por métrica, no por experiencia

Errores habituales cuando el dato sustituye a la experiencia

1. Falsos cierres: “resuelto” en sistema, pero el problema sigue (o vuelve).
2. Priorización ciega: un modelo subestima riesgos que no entiende (p. ej., percepción de seguridad).
3. Desigualdad de visibilidad: barrios con menos sensores o menos capacidad de reporte quedan atrás.
4. Optimización local: mejorar una métrica empeora otra (limpieza “eficiente” pero menos sensible a eventos).

Evolución: de rondas y rutinas a cuadros de mando

• 2000–2010: planificación por rutinas y contratos por zonas.
• 2011–2018: apps de incidencias y digitalización de órdenes de trabajo.
• 2019–hoy: sensores, modelos de predicción y priorización algorítmica en tiempo casi real.

Implicaciones prácticas: qué conviene exigir como ciudadanía

1. Canal humano y trazabilidad: que una queja no compita solo contra sensores, sino que tenga seguimiento.
2. Criterios de prioridad explicables: no para revelar “secretos”, sino para poder discutir justicia y equilibrio.
3. Auditoría de zonas invisibles: revisar dónde hay menos datos y compensar con inspecciones o participación.
4. Medir experiencia, no solo eventos: incorporar indicadores que reflejen lo que vive la gente, no solo lo que registra el sistema.

Cómo encaja este tema en el contexto actual

La automatización del mantenimiento urbano crece porque la ciudad se ha llenado de capas de medición y decisión: encaja con la expansión de sensores y datos en ciudades inteligentes, que convierte calles, energía y movilidad en flujos instrumentados donde es tentador gestionar por panel antes que por conversación (motor).

El efecto, cuando funciona mal, no suele ser un gran desastre, sino una suma de pequeñas fricciones: incidencias que “no existen” para el sistema, tiempos de respuesta desiguales, prioridades que se sienten injustas. Ese desgaste se parece al de digitalizar sin hacer usable: cuando el proceso está optimizado para el sistema, la persona acaba adaptándose a la lógica de la herramienta, no al revés (consecuencia).

Como marco, ayuda recordar que la clave no es solo “automatizar”, sino cómo se corrige el error cuando aparece. La lógica descrita en qué significa automatizar una decisión sirve aquí: si la regla o el modelo manda, hace falta un camino claro para que una excepción humana exista y sea atendida sin convertirse en una batalla contra el formulario (marco).

1) En mantenimiento urbano automatizado, el cambio clave es que…

La ciudad deja de necesitar trabajadores.
La prioridad pasa a decidirse por señales, modelos y reglas, no solo por avisos e inspecciones.
Ya no existen incidencias.

2) “Lo que no se mide deja de existir” significa que…

Todo lo importante siempre se puede medir.
Problemas sin sensores o sin señales claras pueden recibir menos atención aunque afecten a la vida diaria.
Los sensores sustituyen completamente a la experiencia humana.

3) ¿Cuál es un error típico del cierre automatizado?

Marcar “resuelto” porque la orden se cerró, aunque el problema persista.
Tardar más por requerir inspecciones manuales en todo.
No generar ninguna métrica.

4) ¿Qué pide sentido común en términos de transparencia?

Que los criterios de prioridad sean explicables para poder discutir equilibrio y justicia.
Que no haya canal de incidencias para no “molestar” al sistema.
Que todo se decida por coste, sin más.

5) Una buena medida para evitar “zonas invisibles” es…

Suponer que los datos siempre son completos.
Auditar dónde faltan datos y compensar con inspección, participación o canales humanos.
Eliminar las quejas vecinales porque “ya hay sensores”.