Predicción de demanda con Inteligencia Artificial: el fin de planear el transporte público a ojo

Durante décadas, la pregunta más importante para cualquier empresa de transporte público —cuántos buses despachar, cada cuánto y por qué ruta— se ha respondido con una mezcla de experiencia, intuición y estudios de demanda que, en el mejor de los casos, se actualizan cada varios años. El resultado es previsible: flotas que circulan casi vacías en ciertas franjas horarias mientras, a la misma hora, en otra ruta de la misma ciudad, decenas de usuarios se quedan esperando un bus que ya iba lleno. La buena noticia es que ese modelo de planeación “a ojo” tiene los días contados.

Cuando planear a ojo ya no alcanza

La forma tradicional de calcular frecuencias de despacho parte de aforos manuales: un funcionario con un contador en la mano, subido a un bus durante unas horas, un par de veces al año. Con esa muestra se construyen curvas de demanda que luego se usan durante meses —a veces años— para tomar decisiones operativas todos los días. El problema no es la falta de esfuerzo, sino la falta de datos: una muestra puntual no puede capturar cómo cambia la demanda de un lunes a un domingo, de una semana de clases a una de vacaciones, o de un barrio que hace tres años era periferia y hoy es un nodo urbano de alta densidad.

Cuando la frecuencia de despacho es demasiado alta para la demanda real, la empresa transportadora asume un costo operativo que ningún negocio puede sostener de forma indefinida: combustible, mantenimiento, conductores y capital inmovilizado en un vehículo circulando semivacío. Cuando la frecuencia es demasiado baja, es el usuario quien paga el precio, en la forma de tiempos de espera impredecibles, hacinamiento y una percepción de mal servicio que termina alejándolo del sistema formal de transporte.

De los conteos manuales a los datos en tiempo real

La tecnología de conteo automático de pasajeros (conocida internacionalmente como APC, Automatic Passenger Counting) cambió por completo esta ecuación. Sensores infrarrojos, ópticos o de imagen 3D instalados en las puertas de cada vehículo detectan, de forma automática y precisa, cada subida y cada bajada de un pasajero, sin intervención humana y sin margen para el error de muestreo.

Lo interesante no es solo contar cuántos pasajeros se movilizan en una ruta, sino saber exactamente en qué punto de esa ruta ocurrió cada abordaje y cada descenso. Al asociar cada evento de conteo con una coordenada geográfica y una marca de tiempo, una empresa de transporte deja de tener una única cifra de demanda por ruta y pasa a tener un mapa de demanda por segmento, hora y día. Ese cambio —de un dato agregado a un dato granular— es la materia prima que hace posible todo lo demás.

Qué hace la Inteligencia Artificial con esos datos

Un histórico de conteos, por sí solo, describe el pasado. La Inteligencia Artificial es la que permite dar el salto de describir a anticipar: con meses o años de información granular, los modelos de predicción de demanda aprenden los patrones propios de cada ruta y de cada segmento —el pico de las 6:00 a.m. en un corredor industrial, la caída de los domingos en una zona comercial, el repunte de diciembre en una ruta que conecta con una terminal de transporte intermunicipal— y proyectan cómo se comportará esa demanda en los días y semanas siguientes.

A diferencia de un estudio estático, un modelo de IA se sigue alimentando de datos todos los días. Eso significa que la predicción no solo es más precisa que un promedio histórico: además se ajusta de forma continua a cambios reales en la ciudad, ya sea la apertura de un nuevo colegio, un cambio en los horarios de un centro empresarial o el crecimiento de un barrio periférico.

De la predicción a la acción: para qué sirve realmente

Una predicción de demanda que se queda en un reporte no le sirve a nadie. El verdadero valor de esta tecnología está en las decisiones operativas y financieras que habilita:

• Frecuencias óptimas de despacho: en lugar de una tabla de horarios fija durante meses, la empresa puede ajustar cuántos vehículos despachar en cada franja horaria según la demanda real esperada, reduciendo kilómetros improductivos sin sacrificar el nivel de servicio.
• Alerta temprana de posible evasión: si el modelo sabe cuánto debería recaudar, en promedio, un viaje despachado a una hora determinada por una ruta específica, puede compararlo contra lo efectivamente vendido. Una diferencia sistemática y significativa entre lo esperado y lo real es, con frecuencia, la primera señal objetiva de evasión en un viaje, un conductor o una franja horaria concretos.
• Planeación de flota, turnos y mantenimiento: conocer la demanda futura permite planear con antelación cuántos vehículos y conductores se necesitarán, evitando tanto el sobrecosto de una flota subutilizada como la improvisación de última hora.

Los números que respaldan la apuesta

Esto no es una promesa teórica: ya hay evidencia concreta de su impacto. Un estudio reciente en Alemania encontró que optimizar rutas y cargas de flota con Inteligencia Artificial permitió reducir los gastos totales de operación en cerca de un 11%. En sistemas donde los despachos se ajustan en tiempo real según la demanda proyectada, minuto a minuto, se ha logrado reducir los tiempos de espera de los usuarios hasta en un 30%, sin necesidad de aumentar el tamaño de la flota. En Estados Unidos, la agencia de transporte de San Antonio ha usado modelos de aprendizaje automático para predecir el uso de pasajeros y optimizar rutas, logrando mejorar el uso de sus recursos de flota y reducir los tiempos de espera de los usuarios.

El contexto colombiano: una oportunidad urgente

La urgencia de este tipo de herramientas se hace evidente al mirar los sistemas de transporte más grandes de la región. En Bogotá, TransMilenio reportó pérdidas superiores a los 265.000 millones de pesos durante 2025 por cuenta de la evasión del pasaje, con una tasa de evasión en el componente troncal cercana al 13,14%, equivalente a 89 millones de pasajes no validados en un solo año. Detrás de cifras como estas casi siempre hay un mismo problema de fondo: la falta de una línea base objetiva y granular de cuánta demanda debería existir —y cuánto debería recaudarse— en cada ruta, en cada hora y en cada segmento. Sin ese punto de referencia, cualquier sistema de transporte, público o privado, opera parcialmente a ciegas, sin poder distinguir con certeza entre una caída normal de demanda y una fuga de ingresos.

POLIS convierte los datos de su flota en decisiones

En POLIS, el ecosistema de soluciones tecnológicas de Extreme Technologies para el transporte público de pasajeros, la predicción de demanda no es un módulo aislado: es la base sobre la que se construyen la optimización de rutas, la detección de fraude y la planeación operativa de toda la flota. Nuestros contadores electrónicos de pasajeros capturan, viaje a viaje, la información granular que sus modelos de Inteligencia Artificial necesitan para anticipar el futuro de cada ruta, en lugar de reaccionar cuando el problema ya afectó el bolsillo de la empresa o la experiencia del usuario.

Si su empresa todavía planea la operación con estudios de hace varios años, es momento de conversar. Visite www.polis.net.co y descubra cuánta demanda oculta —o cuánta ineficiencia— están guardando hoy los datos de su flota.

La pregunta ya no es si los datos de su flota pueden predecir el futuro de su operación, sino cuánto le está costando cada día no estar usándolos.