IA para reconocer hongos silvestres: qué puede hacer el prototipo de la UFRO

Un prototipo de inteligencia artificial desarrollado en la Universidad de La Frontera (UFRO) busca apoyar el reconocimiento de hongos silvestres, con foco en el género Morchella presente en Aysén y el sur de Chile. La noticia fue publicada por la Facultad de Ingeniería y Ciencias el 16 de octubre de 2026, pero el dato más importante no es que la aplicación “identifique hongos”: es que todavía se encuentra en una etapa experimental, con una madurez tecnológica TRL 3.

En otras palabras, el proyecto ya probó un concepto con datos e imágenes, pero aún no es una herramienta disponible para uso masivo ni una validación taxonómica o sanitaria. Esa diferencia importa especialmente cuando una foto puede terminar en una decisión de consumo.

La recolección de hongos silvestres combina biodiversidad, conocimiento local y una dificultad técnica concreta: especies visualmente parecidas pueden crecer en ambientes variables, mientras que las condiciones rurales del sur de Chile no siempre ofrecen conectividad. En ese contexto, una herramienta capaz de procesar imágenes en el teléfono o mediante la nube podría servir como apoyo para orientar observaciones en terreno.

Según la UFRO, el proyecto fue impulsado por la académica Ana Bustamante Mora, directora de Ingeniería Informática, dentro de los proyectos exploratorios de I+D de Ingeniería 2030. El equipo trabajó en la construcción y depuración de un conjunto de imágenes y desarrolló un sistema que diferencia especies comestibles de otras potencialmente tóxicas dentro del conjunto considerado.

La formulación es deliberadamente acotada: el modelo no “conoce todos los hongos” ni resuelve la identificación de cualquier ejemplar fotografiado. Reconoce patrones aprendidos a partir de las clases y las imágenes disponibles para el prototipo. Si cambia el territorio, la estación, el estado del ejemplar o la iluminación, también puede cambiar su desempeño.

Los sistemas de visión artificial pueden encontrar regularidades útiles en una imagen, pero la identificación micológica no depende solo del color o la silueta. El sustrato, el olor, la textura, la presencia de estructuras microscópicas, la distribución geográfica y el estado de desarrollo pueden ser decisivos. Además, una especie puede verse muy distinta según la humedad, la edad o el ángulo de la fotografía.

La investigación internacional muestra el potencial y el límite al mismo tiempo. Un trabajo publicado en Journal of Food Science en 2025 entrenó un modelo ConvNeXt V2 con 10.986 imágenes y 18 categorías; informó 96,7 % de exactitud en su evaluación. Ese número describe el rendimiento en ese conjunto de datos y bajo ese diseño experimental. No equivale a una tasa de acierto en bosques chilenos ni autoriza a extrapolarlo a especies que el modelo no vio.

La diferencia entre una prueba de laboratorio y el terreno es central: un conjunto equilibrado, con imágenes etiquetadas y condiciones conocidas, permite medir un algoritmo. Una salida de recolección presenta fondos complejos, ejemplares parcialmente ocultos, especies ausentes del entrenamiento y fotografías tomadas por personas con teléfonos distintos. La prueba real necesita validación externa, errores por especie y evaluación con muestras independientes.

El Instituto de Salud Pública de Chile advirtió que los hongos venenosos pueden ser difíciles de distinguir incluso para personas con experiencia. En un comunicado de 2022 informó siete muertes registradas entre 1999 y 2020 por consumo de hongos descritos como comestibles en las bases de defunciones del país. La autoridad también señaló que cocinar, hervir o conservar un hongo no necesariamente elimina sus toxinas.

Por eso, una clasificación automática no debe interpretarse como autorización para comer un ejemplar. El prototipo puede ayudar a organizar una observación, sugerir una hipótesis o priorizar qué muestra necesita revisión experta. No reemplaza la determinación de un micólogo, un herbario, un laboratorio ni los controles de comercialización de alimentos. La UFRO presenta el desarrollo como una primera aproximación tecnológica y no como una aplicación lista para el público.

La escala TRL —Technology Readiness Level— ordena la madurez de una tecnología. En TRL 3 existe una prueba experimental del concepto: se integran principios y componentes para demostrar que una idea puede funcionar. Todavía faltan etapas para validar el prototipo en ambientes relevantes, medir su robustez con usuarios y definir un producto operativo.

En este caso, la madurez declarada ayuda a leer la noticia sin exageraciones. El proyecto sí aporta una base: reúne ingeniería informática, información territorial y biodiversidad fúngica de una región donde la conectividad puede ser irregular. También deja una agenda concreta para continuar: ampliar especies y territorios, incorporar imágenes tomadas en condiciones reales, documentar falsos positivos y falsos negativos, y establecer un protocolo de revisión humana.

Aunque el foco está en hongos silvestres, la experiencia tiene una derivación productiva interesante. En cultivo, la visión artificial ya se investiga para clasificar especies, detectar calidad o seguir el crecimiento. Pero el valor no está en reemplazar la observación: está en generar registros comparables, detectar cambios y ayudar a que productores o técnicos concentren su tiempo en los casos ambiguos.

Para Argentina, el aprendizaje es transferible con cautela. El país tiene regiones y comunidades con diversidad fúngica poco documentada, pero un modelo entrenado con imágenes del sur de Chile no puede trasladarse sin más a Misiones, Patagonia argentina o las sierras cordobesas. Cada territorio exige datos propios, taxonomía de referencia y controles que contemplen especies locales. La guía de hongos comestibles de Argentina puede servir como punto de partida general, mientras que la cobertura sobre hongos silvestres de Misiones muestra por qué el contexto regional no es un detalle.

La noticia de la UFRO vale, entonces, por una razón más sobria que la promesa de una app que “reconoce hongos”: muestra cómo una institución latinoamericana intenta convertir biodiversidad local y computación en una herramienta de investigación. El próximo salto no será sumar una etiqueta en la pantalla, sino demostrar que el sistema funciona fuera del conjunto de entrenamiento, sabe decir “no sé” y deriva cada caso de riesgo a una persona experta.