–En zonas apartadas del país, como Vichada o Guainía, las encuestas sobre cultivos ilícitos casi no existen. Una investigación usó inteligencia artificial para reducir los enormes vacíos de información y bajar el error en las estimaciones de reincidencia en cultivos de coca del 30 % al 5 %. El avance ofrece un panorama más preciso de regiones apartadas como Vichada, donde antes era casi imposible contar con información confiable.

En Colombia la mayoría de las encuestas son limitadas: en departamentos pequeños o de difícil acceso apenas se logran recoger unas pocas respuestas, o ninguna. Con esa información tan incompleta los resultados resultan poco confiables, con márgenes de error tan altos que terminan ocultando la realidad. Mientras en ciudades grandes los datos tienen buena calidad, en zonas fronterizas como Vichada, Guainía o Putumayo las cifras siguen siendo un vacío lleno de incertidumbre, y lo más grave: de esos números dependen las decisiones sobre programas sociales, planes de seguridad e inversiones.

La investigadora Melanie Bernal Malpica, magíster en Estadística de la Universidad Nacional de Colombia (UNAL), afrontó este reto con una herramienta poco usada en el estudio de los cultivos ilícitos: los algoritmos de aprendizaje automático. Estos modelos de Inteligencia Artificial, IA, permiten identificar relaciones complejas en los datos y aprovechar información disponible para toda la población, como registros agrícolas, censos, datos climáticos o socioeconómicos. En vez de depender exclusivamente de las escasas encuestas en zonas apartadas, la metodología integra todas estas fuentes y genera estimaciones mucho más precisas.

“El cambio en los resultados es contundente, pues donde antes la incertidumbre llegaba a un 30 %, ahora se reduce a cerca del 5 %. En términos prácticos eso significa que el Estado puede tener un panorama mucho más confiable sobre qué tan extendida está la reincidencia en cultivos ilícitos y en qué lugares se concentra”, destaca la investigadora.

La diferencia no es un simple número técnico, sino que con datos más certeros se podrían diseñar programas de sustitución que no excluyan a comunidades enteras, asignar presupuestos adecuados y evaluar de manera justa si las políticas están funcionando.

Algoritmos que completan la información ausente
Para desarrollar esta metodología, la investigadora se basó en la Encuesta de Evaluación del Programa Nacional Integral de Sustitución de Cultivos Ilícitos (PNIS), que se aplica en algunas regiones del país pero no tiene cobertura en las zonas más apartadas. A esta información le sumó los datos del Departamento Nacional de Planeación (DNP) sobre las cerca de 91.000 personas inscritas en el Programa de Restitución, lo que le permitió complementar la perspectiva obtenida a partir de los 1.500 hogares encuestados en el PNIS.

“En departamentos como Norte de Santander existía un error de estimación de hasta un 32,5 %, pero con la implementación del modelo estadístico se redujo a un 6,7 %; lo mismo ocurrió en otros como Nariño, una región muy importante en este problema”, asegura la magíster.

“Por otro lado, en algunos como Vichada ni siquiera existía una estimación, pues allí no se realizó la Encuesta. Sin embargo, con el enfoque de modelos de machine learning ahora ya existe una estimación cercana a un 25 % de reincidencia en cultivos ilícitos, ayudando así a completar la información nacional”, amplía.

El vacío de información en ese departamento obedece a sus enormes distancias y a la baja densidad poblacional, lo que hace que los encuestadores, si logran acceder al territorio, apenas logren hablar con unas cuantas familias. Con una muestra tan mínima era imposible saber con certeza si la reincidencia en cultivos ilícitos aumentaba o disminuía.

La nueva metodología permite complementar esos pocos datos con información del propio territorio —como registros de hectáreas sembradas, condiciones económicas o antecedentes de programas de sustitución— y así obtener estimaciones sólidas. Esa diferencia puede significar que el departamento reciba más apoyo en proyectos productivos o que se refuercen las estrategias de prevención.

Más allá del caso de los cultivos ilícitos, esta propuesta estadística abre la puerta a aplicaciones en múltiples campos, pues falta de datos es un problema que también se presenta para medir la pobreza en municipios pequeños, estimar el desempleo en zonas rurales o calcular la cobertura de vacunación en comunidades indígenas. En todos esos casos, los métodos tradicionales fallan por falta de información directa, pero con herramientas de aprendizaje automático se logra dar “voz estadística” a quienes suelen quedar invisibles.

La investigadora aclara que no se trata de reemplazar las encuestas ni el trabajo en campo: ningún modelo, por sofisticado que sea, sustituye el valor de preguntarles directamente a las personas. Lo que sí logra es complementar esa información y reducir los enormes vacíos en las zonas apartadas, aprovechando mejor los datos ya existentes y traduciéndolos en cifras útiles para tomar decisiones.

Los cultivos ilícitos han marcado la vida de comunidades enteras, y según la Oficina de las Naciones Unidas contra la Droga y el Delito (UNODC, 2023) siguen registrando cifras récord de hectáreas sembradas. Medir con precisión la magnitud y localización del problema no es solo un ejercicio técnico sino una necesidad de política pública, justicia social y construcción de paz territorial.

El trabajo de la magíster Bernal fue dirigido y apoyado por el profesor Leonardo Trujillo, del Departamento de Estadística de la Universidad Nacional. (Información y foto Agencia de Noticas UNAL).