La visibilidad de los desastres: cómo la IA reconfigura la narrativa y la gobernanza de los riesgos de desastres globales

De “registrar” a “comprender”: la IA está remodelando la infraestructura de datos sobre desastres globales

En 2015, las Naciones Unidas adoptaron el Marco de Sendai para la Reducción del Riesgo de Desastres, cuyo compromiso central fue reemplazar el pensamiento de peligro único por un enfoque multiamenaza y sistémico. Pero una década después, los datos que respaldan este compromiso siguen siendo en su mayoría “registros de eventos” aislados. Inundaciones, terremotos, magnitud de pérdidas: todo se coloca ordenadamente en bases de datos, pero rara vez se responden preguntas más críticas: ¿cómo se conectan los desastres entre sí? ¿Cómo amplifica la vulnerabilidad social los impactos?

Una investigación publicada en *Scientific Data* en marzo de 2026 está llenando este vacío. Un equipo de investigación europeo, utilizando modelos de lenguaje de gran tamaño (LLM) y generación aumentada por recuperación (RAG), extrajo automáticamente de millones de fuentes de noticias en todo el mundo más de 3000 eventos de desastre ocurridos entre 2014 y 2024, generó para cada uno una “línea narrativa” estructurada y los transformó en un grafo de conocimiento. El significado de este conjunto de datos abierto no es solo tener datos “más rápidos y abundantes”, sino que la investigación global del riesgo de desastres está pasando de contabilizar “qué ocurrió” a comprender “por qué ocurrió así” y “qué vendrá después”.

La cascada ignorada: limitaciones estructurales de los antiguos sistemas de datos

El sistema de registro de un solo tipo de peligro está relativamente consolidado en el marco internacional, pero los desastres del mundo real rara vez se mantienen “únicos”. Un tifón provoca inundaciones, las inundaciones causan cortes de electricidad, y los cortes generan accidentes secundarios: los efectos en cascada se han repetido en los eventos climáticos recientes. Sin embargo, la mayoría de las bases de datos nacionales utilizan un tipo de peligro único como unidad de registro, haciendo casi invisibles las interacciones entre desastres, las correlaciones temporales y la vulnerabilidad social.

El enfoque del grafo de conocimiento consiste en descomponer los eventos de desastre en entidades y relaciones, como “las inundaciones provocan deslizamientos de tierra” o “las olas de calor agravan las sequías”. Este conjunto de datos no solo contiene los eventos en sí, sino también la estructura narrativa de las “líneas narrativas”, lo que equivale a convertir entradas estáticas en tramas dinámicas. Para los responsables de políticas, las relaciones graficadas revelan las fuentes de riesgo más fácilmente que una tabla de pérdidas.

¿Por qué ahora?: el salto inteligente de los LLM y el RAG

Extraer información sobre desastres de los medios de comunicación no es nuevo. El Sistema de Monitoreo de Medios Europeo (EMM) ya agregaba contenido mediático desde hace tiempo, pero las herramientas tradicionales de PLN (procesamiento de lenguaje natural) no podían extraer con precisión “quién, cuándo, dónde y cuál fue el impacto” de un texto libre y estructurarlo de manera uniforme.

Los modelos de lenguaje de gran tamaño han cambiado esto: son capaces de comprender el contexto, identificar relaciones causales y generar resúmenes. La generación aumentada por recuperación (RAG) ancla el proceso de extracción en corpus periodísticos concretos, reduciendo el riesgo de “alucinación”. Con este flujo, los investigadores generaron de forma complementaria eventos en EM-DAT y verificaron la calidad de los datos mediante evaluación de expertos y anotación independiente. En esencia, esto es un reflejo de la transición de la IA de la “recuperación de información” a la “construcción de conocimiento”.

La madurez tecnológica determina que esta investigación solo haya podido aparecer en el momento actual. Después de 2024, la popularización de los marcos de LLM y RAG de código abierto permitió a los equipos académicos procesar decenas de millones de artículos a un costo relativamente bajo. La tecnología de grafos de conocimiento también avanza hacia la gestión de datos científicos. Varias tendencias convergen aquí para formar una nueva “infraestructura narrativa global de desastres”.## ¿De quién son los desastres, de quién es la narrativa? Datos de noticias y el Sur Global

El corpus de este conjunto de datos proviene de EMM, un sistema de monitoreo que agrega millones de sitios de noticias. La cobertura de noticias no equivale a la cobertura de la realidad; está sesgada hacia las regiones con infraestructura mediática más sólida. Pero, en comparación con los informes gubernamentales tradicionales, las fuentes de noticias ofrecen una ventaja única para captar eventos informales y periféricos. Muchos desastres en el Sur Global carecen de informes estadísticos, pero suelen contar con cobertura de los medios locales. Por lo tanto, la minería automatizada de noticias compensa en cierta medida el "déficit de visibilidad" en las bases de datos internacionales.

Esto también plantea un nuevo problema geopolítico de la información: quien posee los modelos y la capacidad computacional puede definir la narrativa de los desastres. Esta investigación opta por abrir los datos y el código, acompañados de un panel interactivo, como una forma de resistencia a la "gobernanza de caja negra". A largo plazo, la democratización de los datos sobre desastres incidirá en la distribución de los recursos internacionales de rescate y también en el destino de los fondos mundiales de adaptación climática.

Del registro de riesgos al teatro de decisiones

El significado último de esta investigación no es producir gráficos atractivos, sino señalar un futuro emergente: un grafo de conocimiento global de desastres actualizado en tiempo real podría convertirse en el sistema operativo subyacente del mecanismo internacional de reducción del riesgo de desastres. Si, tras la emisión de un pronóstico de tsunami, el sistema pudiera recuperar automáticamente eventos similares del pasado y sus consecuencias en cascada para generar un "teatro de escenarios", las decisiones no se basarían únicamente en la información actual, sino que incorporarían sabiduría histórica estructurada.

Por supuesto, los grafos de conocimiento generados por IA aún no son perfectos. Las narrativas de desastres varían según la lengua y la cultura, y los modelos pueden amplificar sesgos. No obstante, como primer conjunto de datos a gran escala de grafos de conocimiento de desastres basado en noticias globales, ofrece un punto de referencia verificable para la evaluación del riesgo multiamenaza. Los investigadores subrayan que este conjunto de datos es complementario, y no un sustituto, de recursos tradicionales como los Perfiles de Información de Desastres (HIPs) de la UNDRR. Esto refleja la moderación que corresponde a la comunidad científica.

En una era en la que los fenómenos climáticos extremos se han normalizado, a la sociedad humana no le faltan advertencias, sino la capacidad de convertir las advertencias en comprensión estructural. Cuando los grandes modelos de lenguaje comiencen a leer todas las noticias del mundo sobre inundaciones y terremotos y a tejerlas en una red de conocimiento interrelacionada, quizá estemos presenciando una transformación silenciosa en la gobernanza global del riesgo: pasar de saber qué ha ocurrido a comprender cómo ocurre todo.