La IA de fauna silvestre de Flox Intelligence aborda las colisiones con animales en aeropuertos, ferrocarriles y carreteras
Flox Intelligence está ampliando su IA para fauna silvestre más allá de los sistemas disuasorios fijos, con 150 dispositivos de borde ya operando en tres continentes. Los sistemas identifican animales cercanos y seleccionan sonidos específicos para cada especie con el objetivo de alejarlos de pistas, vías férreas, carreteras y otras infraestructuras.
El conflicto no se reduce simplemente a animales frente a máquinas. Flox apuesta por que una inteligencia adaptativa y local puede superar a las vallas, sirenas, luces, láseres, patrullas y sonidos repetidos. Esos enfoques establecidos siguen siendo útiles, pero cada uno tiene límites cuando la fauna cambia de ruta o se acostumbra a un elemento disuasorio.
La empresa está abriendo ahora una ronda Serie A de 10 millones de dólares, según los detalles de financiación de Flox. Busca pasar de unas 150 unidades desplegadas a varios miles. Ese plan convierte una tecnología de conservación inusual en una prueba de si la IA en el borde puede convertirse en infraestructura fiable.
La IA de fauna silvestre de Flox Intelligence pasa de los experimentos a la infraestructura
El cambio importante no es una nueva demostración de reconocimiento de animales. Flox intenta convertir la detección, la interpretación y la disuasión en un único sistema operativo.
Flox surgió de trabajos realizados en el Real Instituto de Tecnología KTH de Estocolmo. Su fundadora y CEO, Sara Nozkova, había trabajado anteriormente durante 13 años en transporte y vehículos autónomos. La empresa nació como spin-off de KTH en 2020.
La premisa de Nozkova era que los sistemas disuasorios convencionales suelen tratar a la fauna silvestre como una única categoría predecible. Una sirena puede hacer ruido, una luz puede parpadear y una valla puede redirigir el movimiento. Ninguna de esas herramientas necesariamente entiende qué animal ha llegado o cómo se está comportando.
Flox Edge, el actual producto de hardware de la empresa, utiliza un sensor de movimiento para activar el sistema. Después, una cámara captura la escena, mientras un modelo integrado intenta identificar al animal. La unidad selecciona una respuesta sonora pensada para esa especie y situación.
Se trata de IA en el borde, lo que significa que el dispositivo procesa la información localmente en lugar de enviar cada observación a un servicio remoto en la nube. El procesamiento local es importante junto a vías aisladas, carreteras remotas o grandes aeródromos donde la conectividad puede ser poco fiable. También reduce el retraso entre la detección y la respuesta.
La empresa afirma que sus sistemas pueden variar sus señales con el tiempo. Esa variación aborda la habituación, el proceso por el que los animales dejan de reaccionar a un estímulo repetido. Una grabación fija puede convertirse en ruido de fondo tras suficiente exposición.
Nozkova resumió claramente su filosofía de diseño: “Estaba convencida de que la respuesta no era un disuasorio más ruidoso”. Su alternativa es un sistema que modifica su respuesta según la especie detectada y el comportamiento observado.
El hardware puede instalarse en postes, árboles y otras estructuras existentes. Los clientes también reciben software para visualizar despliegues, eventos y condiciones en toda una instalación. Según la empresa, la plataforma puede generar informes para cumplimiento normativo y seguimiento de la biodiversidad.
Flox afirma que aproximadamente 150 dispositivos están activos en Norteamérica, Europa y Australia. Entre las ubicaciones comunicadas se incluyen perímetros aeroportuarios, corredores ferroviarios, carreteras, granjas, parques, explotaciones mineras, zonas urbanas y subestaciones eléctricas.
Esa presencia sigue siendo pequeña frente a las redes nacionales de transporte. Sin embargo, es lo bastante amplia como para exponer los dispositivos a distintas especies, condiciones meteorológicas y entornos operativos. Esos encuentros generan los datos de campo que Flox considera fundamentales para su ventaja.
La empresa vende sus unidades físicas y cobra una suscripción anual de software e IA después del primer año. También licencia software mediante asociaciones con fabricantes de equipos originales. Alstom está probando ese enfoque al incorporar la tecnología de Flox a equipos ferroviarios.
Flox espera obtener alrededor de 1,5 millones de dólares de ingresos en 2026, dijo Nozkova a TechCrunch. La empresa ha recaudado aproximadamente 5 millones de dólares mediante sus rondas pre-seed y seed. Su propuesta de Serie A financiaría un despliegue mucho mayor y ampliaría la tecnología más allá de las aplicaciones actuales para fauna silvestre.
La ronda no se ha anunciado como cerrada. Por tanto, Flox cuenta con un sistema operativo y clientes de pago, pero su próxima expansión sigue siendo un objetivo de financiación. Esa distinción importa al evaluar su calendario.
Las colisiones con fauna silvestre hacen que esto sea más que un proyecto de conservación
Flox vende seguridad y continuidad operativa, y la protección animal contribuye al mismo resultado en lugar de constituir una misión independiente.
La fauna silvestre entra en infraestructuras diseñadas en torno a movimientos controlados. Los aviones siguen pistas, los trenes siguen raíles y los coches siguen carreteras. Los animales no reconocen esos límites operativos, y sus rutas pueden cambiar con el clima, la migración, el alimento, la construcción y la actividad humana.
La escala se aprecia con mayor claridad en la aviación. Los últimos datos de impactos de la FAA registran unos 344.000 impactos reportados con fauna silvestre que involucraron a aeronaves civiles de Estados Unidos entre 1990 y 2025. Alrededor de 24.500 impactos ocurrieron en 870 aeropuertos estadounidenses durante 2025.
La FAA estima que estos incidentes costaron a la aviación civil de Estados Unidos una media aproximada de 272 millones de dólares anuales durante ese periodo. La estimación cubre pérdidas monetarias directas y de otro tipo reportadas, no todas las consecuencias ecológicas u operativas.
Las aves representaron el 96 por ciento de los impactos reportados en aeronaves civiles estadounidenses. Sin embargo, tratar el problema como un control genérico de aves puede ocultar diferencias importantes entre especies. La FAA afirma que las aves acuáticas representan solo el 4 por ciento de los impactos, pero el 23 por ciento de los impactos con daños.
La mayoría de los eventos también ocurre cerca del suelo. Cerca del 70 por ciento se produce entre el nivel del suelo y los 500 pies. Esa concentración sitúa los terrenos aeroportuarios y su entorno inmediato en el centro de los esfuerzos de mitigación.
El peligro no es teórico. Un Boeing 737 MAX 9 de United Airlines golpeó a un coyote durante el despegue desde Chicago O’Hare en enero de 2025. La aeronave regresó con seguridad, pero el impacto con un coyote en O’Hare obligó a una inspección y causó molestias a los pasajeros.
Los ferrocarriles afrontan un problema relacionado a lo largo de corredores mucho más extensos y menos controlados. Alstom afirma que Suecia registra aproximadamente 5.000 colisiones con animales al año. Estos incidentes pueden herir a la fauna, dañar trenes, retrasar a pasajeros y exponer a los conductores a experiencias traumáticas.
Francia ofrece otra medida de la carga operativa. SNCF afirma que los animales que deambulan afectan a más de 8.000 trenes en todo el país cada año. En Bretaña, 120 colisiones con animales durante 2023 alteraron 660 servicios y provocaron más de 15.000 minutos de retrasos.
Las vallas siguen siendo importantes, especialmente cerca de pistas y tramos ferroviarios de alto riesgo. Sin embargo, el vallado continuo es caro y puede fragmentar hábitats. Las aberturas, cruces, secciones dañadas y extremos de las vallas también pueden convertirse en puntos de entrada previsibles.
Las patrullas humanas aportan criterio, pero no pueden observar continuamente cada corredor remoto. Perros entrenados, halcones, pirotecnia, vehículos, luces y sirenas pueden dispersar animales. Su eficacia depende del personal, la especie, el momento, el terreno y el seguimiento repetido.
Eso genera presión sobre operadores aeroportuarios, empresas ferroviarias, organismos de carreteras, empresas de servicios públicos y gestores de terrenos. Necesitan reducir el riesgo de colisión sin depender por completo de patrullas intensivas en mano de obra o del control letal. También necesitan pruebas de que cualquier respuesta automatizada siga siendo eficaz tras su despliegue.
La IA de fauna silvestre de Flox Intelligence apunta a esa brecha. Promete observación continua, clasificación de especies y una respuesta dirigida en una única unidad de campo. Ahora la empresa debe demostrar que esta integración mejora los resultados más allá de pruebas seleccionadas.
La propuesta de valor también se extiende más allá de las colisiones individuales. Cada encuentro registrado puede revelar por dónde entran los animales a una instalación, cuándo alcanzan su punto máximo los movimientos y qué intervenciones modifican el comportamiento. Los operadores de infraestructuras podrían utilizar esos patrones para mejorar el vallado, los horarios, las inspecciones y la gestión del hábitat.
Esa capa de datos podría acabar siendo tan importante como el propio sonido. Un elemento disuasorio reacciona ante un animal, mientras que un historial cartografiado puede influir en el funcionamiento de toda una instalación. Por tanto, Flox compite por un lugar dentro de la planificación de seguridad, no simplemente por un lugar junto a una pista.
Los sonidos específicos por especie son el mecanismo central
La apuesta central de Flox es que la disuasión de fauna silvestre mejora cuando un dispositivo identifica al animal antes de decidir cómo responder.
El sistema comienza con un evento, no con una transmisión continua de vídeo a la nube. El movimiento activa la cámara y el modelo local. El modelo clasifica lo que ve, tras lo cual el dispositivo elige una señal sonora asociada con esa especie.
La respuesta puede incluir señales procedentes de la bioacústica, el estudio de cómo los animales producen, reciben y reaccionan al sonido. Flox combina esas señales con visión por computadora y observaciones de comportamiento. Su objetivo es guiar a un animal lejos sin contacto físico.
Esta secuencia distingue la disuasión adaptativa de fauna silvestre de un temporizador que reproduce la misma grabación. Un zorro, un ganso, un alce y un oso no comparten las mismas prioridades sensoriales. Tampoco reaccionan de forma idéntica cuando se alimentan, migran, defienden territorio o se desplazan con sus crías.
El contexto crea un exigente problema técnico. Una cámara debe reconocer animales a distintas distancias y ángulos, a veces con lluvia, nieve, reflejos, oscuridad o vegetación. También debe evitar confundir personas, sombras, vehículos y plantas en movimiento con fauna objetivo.
El sistema necesita entonces una respuesta adecuada. Una clasificación incorrecta puede activar un sonido irrelevante. Una clasificación correcta aún puede no provocar movimiento si el animal está estresado, distraído o ya acostumbrado a señales similares.
El momento también importa. Una advertencia emitida antes de que un animal entre en un corredor ferroviario tiene más valor que una emitida después de que llegue un tren. Flox anuncia un tiempo de respuesta inferior a dos segundos, pero la seguridad en condiciones reales depende de toda la geometría de detección y despliegue.
La evidencia de respaldo más sólida de la tecnología procede de pruebas operativas específicas. Entre 2022 y 2024, Flox trabajó con el operador aeroportuario sueco Swedavia en los aeropuertos de Malmö, Kiruna y Umeå.
Flox informa de una disuasión del 100 por ciento en más de 200 animales durante esas pruebas. La fauna evaluada habría incluido aves depredadoras, gansos, zorros y ungulados. Los resultados de validación aeroportuaria proceden de la empresa, por lo que deben considerarse hallazgos comunicados por el proveedor.
El aeropuerto de Mora ofrece un ejemplo de despliegue más prolongado. Flox afirma que urracas, cuervos y otros animales siguieron alejándose de las áreas protegidas de la pista después de seis meses. El aeropuerto también informó de una menor dependencia de patrullas manuales y métodos improvisados para ahuyentar animales.
Estos ejemplos indican que el sonido adaptativo puede funcionar en condiciones seleccionadas. No establecen una tasa de rendimiento independiente para todos los aeropuertos, especies, estaciones o paisajes. La escala y el diseño del estudio detrás de cada afirmación siguen siendo un contexto esencial.
Las pruebas ferroviarias introducen un modelo operativo diferente. Flox y Alstom instalaron cámaras de IA en trenes para observar la fauna junto a varias líneas suecas. La primera fase detectó animales, mientras que una segunda fase añadió disuasión sonora en abril de 2026.
Las pruebas ferroviarias suecas identificaron alces, corzos, zorros, jabalíes, animales de granja y aves. Alstom afirmó que el sistema funcionó especialmente bien al identificar animales de granja, cuervos y palomas.
Los alces y los corzos requirieron más entrenamiento para alcanzar una precisión de identificación comparable. Esta admisión es significativa porque demuestra por qué los datos de campo son importantes. Las especies que plantean un grave riesgo de colisión también pueden encontrarse entre las más difíciles de reconocer de forma fiable.
Flox afirma que sus modelos aprenden de los encuentros registrados y que sus respuestas varían para desalentar la habituación. Sin embargo, «aprendizaje» puede describir varios procesos distintos. Podría implicar actualizaciones periódicas del modelo, listas de reproducción diseñadas de forma centralizada o adaptación automatizada dentro de cada dispositivo.
Los operadores necesitarán claridad sobre qué decisiones se toman de forma autónoma. También necesitarán controles que regulen las actualizaciones, la revisión de eventos, las falsas alarmas y los límites de intervención. Los clientes del ámbito de la seguridad rara vez compran un algoritmo sin adquirir también un proceso de rendición de cuentas a su alrededor.
El plan a largo plazo de la empresa extiende el software a trenes, coches, drones, tractores y robots de exterior. Ese cambio trasladaría a Flox de la disuasión estacionaria hacia una capa de percepción de fauna integrada en máquinas en movimiento.
Esa capa podría advertir a un conductor, ajustar la ruta de una máquina o activar un elemento disuasorio. Sin embargo, cada acción implica requisitos de seguridad diferentes. Reconocer a un animal no equivale a controlar un vehículo cerca de él.
La disuasión adaptativa aún debe superar a las alternativas consolidadas
Flox no compite contra la inacción. Debe superar una combinación escalonada de barreras, personas, cambios de hábitat, sensores, sonidos, perros y retirada selectiva.
La FAA recomienda una gestión integrada de la fauna en lugar de depender de un único dispositivo. Los programas aeroportuarios pueden modificar hábitats, eliminar fuentes de alimento o agua, dispersar animales, gestionar la vegetación, mejorar el vallado y retirar fauna cuando sea necesario.
Un sistema de sonido adaptativo encaja dentro de ese marco. No elimina la necesidad de inspecciones, informes, trabajo sobre el hábitat ni respuesta de emergencia. Un despliegue responsable utilizaría Flox como otra capa, comparando su rendimiento con los datos existentes del emplazamiento.
Varias empresas ya automatizan partes de este proceso. El producto Scarecrow de Robin Radar identifica aves y reproduce llamadas de alarma específicas por especie. También registra la actividad para que los operadores puedan revisar lo ocurrido.
iCHASE adopta otra vía. Su sistema utiliza visión por computadora para detectar aves y dirige un láser móvil hacia ellas. La respuesta cambia según el objetivo, ofreciendo a los operadores un elemento disuasorio visual automatizado en lugar de uno centrado en el audio.
Estos competidores revelan al verdadero adversario principal: los sistemas adaptativos frente a la disuasión estática. Flox no necesita demostrar que el sonido es universalmente superior a los láseres, el radar, los perros o el vallado. Debe demostrar que las respuestas vinculadas a la percepción siguen siendo útiles durante más tiempo que las señales repetidas y ciegas al contexto.
Su ambición de abarcar más especies podría ayudar. Los sistemas aeroportuarios para aves suelen centrarse en amenazas aéreas, mientras Flox habla de animales que van desde gansos hasta alces y osos grizzly. Una plataforma multiespecie podría servir a clientes que gestionan varios tipos de infraestructura.
La amplitud también genera riesgos. Un modelo entrenado para distinguir aves alrededor de un aeropuerto sueco puede no trasladarse limpiamente a mamíferos cerca de una carretera australiana. Las distintas regiones traen nuevas especies, comportamientos, restricciones legales, climas y entornos acústicos.
Los falsos negativos son la preocupación de seguridad más evidente. Un animal no detectado deja intacto el peligro original. Los falsos positivos generan costes diferentes, incluidos sonidos innecesarios, alertas que distraen, fauna alterada y una menor confianza entre los operadores.
También existe una cuestión de bienestar. No se puede dar por sentada una disuasión «humanitaria» simplemente porque un dispositivo evita la fuerza letal. El sonido puede afectar a los animales objetivo, las especies no objetivo, los residentes cercanos y la comunicación entre animales.
Los operadores necesitan pruebas sobre la intensidad del sonido, la duración de la exposición, la dirección de la respuesta y los desplazamientos no deseados. Alejar a un animal de una pista es útil solo si el sistema no lo empuja hacia otro peligro.
La habituación sigue siendo otra incertidumbre. Flox afirma que las señales variables impiden que los animales aprendan que el dispositivo no representa una amenaza. Los datos a largo plazo revisados de forma independiente aportarían pruebas más sólidas que las pruebas breves o los testimonios de clientes.
La afirmación de la empresa de una disuasión del 100 por ciento en aeropuertos para más de 200 animales parece impresionante. Sin embargo, esa cifra no revela todos los denominadores que necesita un comprador de infraestructura.
Los compradores deberían preguntar cómo se definió un evento de disuasión exitoso. También deberían preguntar cuántas detecciones se omitieron, cuánto tiempo se mantuvieron alejados los animales y si el rendimiento cambió según la especie.
El clima y el mantenimiento influirán en los resultados. Las baterías pierden capacidad, las lentes acumulan suciedad, la vegetación bloquea las vistas y los altavoces se degradan. Un dispositivo instalado en un piloto controlado puede recibir más atención que uno entre miles de unidades en producción.
La ciberseguridad y los procedimientos de actualización también importan cuando el equipo entra en infraestructuras críticas. Los operadores necesitan saber quién puede modificar los modelos o las bibliotecas de sonidos. Necesitan registros que muestren lo que el sistema detectó, seleccionó y transmitió.
El procesamiento local reduce la dependencia de la conectividad de red, pero no elimina el riesgo de software. Los paneles de flota, la distribución de modelos, los registros de cumplimiento y las cuentas de clientes siguen creando componentes conectados que requieren supervisión.
La ejecución comercial podría convertirse en la limitación decisiva. Flox quiere pasar de aproximadamente 150 dispositivos a varios miles, manteniendo hardware, software, soporte de campo y conjuntos de datos específicos por especie. Es un salto operativo considerable.
Los ingresos esperados de la empresa para 2026 siguen siendo modestos en comparación con esa ambición. Su financiación propuesta de 10 millones de dólares respaldaría la expansión, pero captar capital no valida por sí mismo la demanda ni la fiabilidad en campo.
Flox debe demostrar una instalación y un soporte repetibles entre clientes, no solo una promesa técnica. Los aeropuertos, operadores ferroviarios y organismos públicos suelen comprar con cautela porque los fallos de equipo pueden acarrear consecuencias de seguridad y regulatorias.
La versión más sólida del argumento de la empresa no exige que todos los operadores abandonen las herramientas existentes. Exige que Flox se convierta en la capa inteligente que coordine dónde, cuándo y cómo se produce la disuasión.
Qué mostrará si Flox puede escalar
Tres señales determinarán si la IA de fauna de Flox Intelligence se convierte en infraestructura o sigue siendo una prometedora colección de pruebas de campo.
La primera señal son los datos independientes de rendimiento por especie. Los informes futuros deberían separar la precisión de detección del éxito de la disuasión. También deberían mostrar detecciones omitidas, falsas alarmas, tiempos de retorno, variación estacional y resultados en condiciones meteorológicas difíciles.
Estas pruebas reforzarían el caso de Flox si el rendimiento se mantiene consistente en varios emplazamientos operados de forma independiente. Las grandes diferencias entre las pruebas de la empresa y las evaluaciones controladas por clientes lo debilitarían.
La segunda señal es el resultado del trabajo ferroviario de Alstom. La colaboración importa porque lleva el software de unidades estacionarias hacia equipos que se desplazan por paisajes cambiantes. El éxito exige reconocimiento rápido, disuasión adecuada e integración segura con las operaciones ferroviarias.
Conviene observar si los socios publican cambios en las colisiones o reducciones medibles de la presencia de fauna de alto riesgo. Los recuentos de detecciones por sí solos muestran que hay animales presentes. No demuestran que la tecnología prevenga accidentes.
La tercera señal es el crecimiento de los despliegues tras la propuesta Serie A. Flox quiere pasar de unos 150 dispositivos a varios miles. Los clientes firmados, los pedidos recurrentes, las renovaciones y una adopción más amplia por parte de OEM aportarían pruebas comerciales más sólidas que el objetivo de financiación.
El escalado también debería revelar si el modelo de suscripción funciona. Los clientes deben percibir suficiente valor continuo en la monitorización, las actualizaciones de modelos, los informes y los análisis como para renovar tras la compra inicial del hardware.
La visión más amplia de la empresa merece atención porque va más allá de la disuasión. Nozkova sostiene que las máquinas que operan al aire libre necesitan comprender mejor los entornos vivos. Desde esa perspectiva, el reconocimiento de fauna se convierte en otra parte de la pila de percepción de una máquina.
Esa idea tiene aplicaciones en el transporte, la agricultura, la conservación, los servicios públicos, la minería y la construcción. Un tren podría reconocer animales antes de una colisión. Un tractor podría evitar un nido, mientras un dron podría modificar su ruta alrededor de fauna protegida.
Aun así, cada caso de uso exige pruebas y controles adecuados a sus consecuencias. Un elemento disuasorio agrícola, una unidad de seguridad para pistas y un sistema de control de vehículos no pueden compartir un único estándar indiferenciado. La tasa de error aceptable cambia con el daño potencial.
Para los desarrolladores, la lección interesante es que la IA de borde implica cada vez más comportamiento, sincronización y contexto, y no solo clasificación. Una etiqueta correcta tiene un valor limitado si el sistema elige después la acción equivocada.
Para los compradores de infraestructura, la pregunta práctica es más directa. ¿Reduce el sistema los incidentes, el tiempo de patrullaje, los retrasos y el daño a los animales a lo largo de varias temporadas? La actividad del panel y los totales de detección son métricas de apoyo, no resultados finales.
Para los equipos de conservación, el desafío consiste en medir adónde van los animales desplazados. Una intervención eficaz debe proteger la fauna sin limitarse a trasladar el conflicto más allá del límite monitorizado.
La IA de fauna de Flox Intelligence cuenta ahora con suficiente historial de despliegue como para merecer atención seria, pero no con suficientes pruebas públicas para resolver esas cuestiones. Su próxima fase pondrá a prueba si la disuasión adaptativa funciona entre especies, climas y operaciones de clientes.
La acción más útil para los posibles compradores es exigir pilotos basados en resultados con referencias claras. Deben realizar un seguimiento de las colisiones, incursiones, falsas alertas, visitas repetidas, mantenimiento y efectos sobre especies no objetivo antes y después de la instalación.
Si Flox publica esos resultados y convierte las pruebas en renovaciones, respaldará una afirmación más amplia sobre la IA en exteriores. Si las pruebas siguen limitadas a historias de éxito seleccionadas, la disuasión adaptativa de fauna seguirá siendo un mecanismo atractivo sin un estándar de infraestructura probado.
