Cuando una empresa decide incorporar inteligencia artificial para revisar imágenes, videos o documentos, aparece casi de inmediato la misma pregunta: ¿cuál es la herramienta más potente que puedo pagar? La respuesta, según la evidencia más reciente, es incómoda: la más potente casi nunca es la más conveniente.

El laboratorio Roboflow publicó el 15 de octubre una medición independiente de los principales sistemas de visión artificial del mercado. El resultado fue una sorpresa en dos direcciones. Primero, recuperó el primer lugar el sistema de Google, con amplio margen sobre sus competidores. Segundo, y mucho más relevante para cualquier operación real, ese sistema logró los mejores resultados gastando cerca de doce veces menos que el modelo de máximo esfuerzo que antes iba a la cabeza.

La diferencia no es menor: $67,60 por cada mil imágenes

Los números concretos ayudan a aterrizar la idea. Procesar mil imágenes costaba 73,40 dólares con el modelo de mayor esfuerzo del líder anterior. Con la nueva alternativa de Google, el mismo trabajo se hace por 5,80 dólares. En una planta que revisa diez mil imágenes al día, esa diferencia se convierte en más de 20 mil dólares al mes.

Y no se trata de aceptar peores resultados a cambio del ahorro. El estudio midió aciertos reales: reconocimiento de objetos en escenas difíciles, lectura de texto en documentos técnicos, extracción de datos de etiquetas y boletas, y seguimiento de personas en video. En todas esas tareas el sistema más económico quedó arriba o empatado con el más caro.

Lo que todavía no resuelve nadie

La medición también muestra, con honestidad, dónde la tecnología sigue quedando corta. La lectura de un número escrito a mano —un cheque, una boleta de farmacia— todavía produce errores. Las patentes de autos borrosas o con reflejos también fallan, y los medidores de electricidad con varias agujas confunden incluso a los sistemas más avanzados.

Ese es un dato valioso para cualquier empresa que esté planificando un proyecto. Significa que la pregunta correcta no es "¿qué modelo es el mejor?", sino "¿qué tarea específica necesito resolver y cuánto tolera mi operación en errores?". Un sistema que acierta el 95% en leer una etiqueta de zapatilla es excelente para inventario, pero insuficiente para lectura de escritura a mano en un banco.

Empezar por lo simple, no por lo caro

La recomendación que los propios investigadores del estudio sacan es simple y aplicable a cualquier tamaño de empresa: comenzar con la alternativa más liviana, comprobar si resuelve el problema real, y solo escalar cuando la complejidad lo exige. Muchas operaciones descubren que un sistema intermedio ya hacía el trabajo hace meses, mientras pagaban por capacidades que nunca usaban.

En Streetflow aplicamos ese mismo principio a la video analítica: el valor no está en usar la tecnología más avanzada disponible, sino en que cada caso reciba la atención que necesita y que el resultado se pueda medir. Un sistema que detecta una congestión antes de que se convierta en problema en la calle, o que avisa de una situación irregular en el momento, se juzga por lo que logra en terreno, no por el tamaño del modelo que corre detrás.

La lección de esta medición es tranquilizadora: la inteligencia artificial útil ya no es un lujo reservado a quien puede pagar el sistema más caro. Está al alcance de una operación mediana, siempre que se elija con criterio y se mida con honestidad. Eso, más que cualquier cifra de precisión, es lo que hace que un proyecto de IA se sostenga en el tiempo.