Flox Intelligence Wildlife AI affronta le collisioni con animali in aeroporti, ferrovie e strade
Flox Intelligence sta ampliando la propria AI per la fauna selvatica oltre i deterrenti fissi, con 150 dispositivi edge già operativi in tre continenti. I sistemi identificano gli animali nelle vicinanze e selezionano suoni specifici per specie, pensati per allontanarli da piste aeroportuali, ferrovie, strade e altre infrastrutture.
Il conflitto non riguarda semplicemente animali contro macchine. Flox scommette sul fatto che un'intelligenza adattiva e locale possa superare recinzioni, sirene, luci, laser, pattuglie e suoni ripetuti. Questi approcci consolidati restano utili, ma ciascuno presenta limiti quando la fauna cambia percorso o si abitua a un deterrente.
L'azienda sta ora aprendo un round Series A da 10 milioni di dollari, secondo i dettagli sul finanziamento di Flox. Vuole passare da circa 150 unità installate a diverse migliaia. Il piano trasforma un'insolita tecnologia per la conservazione in una verifica della capacità dell'edge AI di diventare un'infrastruttura affidabile.
Flox Intelligence Wildlife AI passa dagli esperimenti alle infrastrutture
Il cambiamento importante non è una nuova demo di riconoscimento degli animali. Flox sta cercando di trasformare rilevamento, interpretazione e dissuasione in un unico sistema operativo.
Flox è nata da attività svolte presso il KTH Royal Institute of Technology di Stoccolma. La fondatrice e CEO Sara Nozkova aveva precedentemente lavorato per 13 anni nei trasporti e nei veicoli autonomi. L'azienda è stata costituita come spin-off del KTH nel 2020.
La premessa di Nozkova era che i deterrenti convenzionali spesso trattano la fauna selvatica come un'unica categoria prevedibile. Una sirena può fare rumore, una luce può lampeggiare e una recinzione può reindirizzare i movimenti. Nessuno di questi strumenti comprende necessariamente quale animale sia arrivato o come si stia comportando.
Flox Edge, l'attuale prodotto hardware dell'azienda, utilizza un sensore di movimento per attivare il sistema. Una fotocamera acquisisce quindi la scena, mentre un modello sul dispositivo cerca di identificare l'animale. L'unità seleziona una risposta audio pensata per quella specie e situazione.
Si tratta di edge AI, ossia di elaborazione locale delle informazioni anziché dell'invio di ogni osservazione a un servizio cloud remoto. L'elaborazione locale è importante accanto a binari isolati, strade remote o grandi aeroporti, dove la connettività può essere inaffidabile. Riduce inoltre il ritardo tra rilevamento e risposta.
L'azienda afferma che i suoi sistemi possono variare i segnali nel tempo. Questa variazione affronta l'assuefazione, il processo attraverso cui gli animali smettono di reagire a uno stimolo ripetuto. Una registrazione fissa può diventare rumore di fondo dopo un'esposizione sufficiente.
Nozkova ha riassunto con chiarezza la propria filosofia progettuale: “Ero convinta che la risposta non fosse un deterrente più forte.” La sua alternativa è un sistema che modifica la risposta in base alla specie rilevata e al comportamento osservato.
L'hardware può essere fissato a pali, alberi e altre strutture esistenti. I clienti ricevono inoltre un software per visualizzare installazioni, eventi e condizioni nell'intero sito. Secondo l'azienda, la piattaforma può produrre report per la conformità normativa e il monitoraggio della biodiversità.
Flox afferma che circa 150 dispositivi sono attivi in Nord America, Europa e Australia. Le sedi dichiarate includono perimetri aeroportuali, corridoi ferroviari, strade, fattorie, parchi, siti minerari, aree urbane e sottostazioni elettriche.
Questa presenza rimane ridotta rispetto alle reti di trasporto nazionali. Tuttavia, è sufficientemente ampia da esporre i dispositivi a specie, condizioni meteorologiche e contesti operativi diversi. Questi incontri generano i dati sul campo che Flox considera centrali per il proprio vantaggio.
L'azienda vende le unità fisiche e, dopo il primo anno, applica un abbonamento annuale al software e all'AI. Concede inoltre in licenza il software attraverso partnership con produttori di apparecchiature originali. Alstom sta testando questo approccio integrando la tecnologia Flox nelle apparecchiature ferroviarie.
Flox prevede ricavi per circa 1,5 milioni di dollari nel 2026, ha dichiarato Nozkova a TechCrunch. L'azienda ha raccolto circa 5 milioni di dollari attraverso finanziamenti pre-seed e seed. La Series A proposta finanzierebbe un'installazione molto più ampia ed espanderebbe la tecnologia oltre le attuali applicazioni per la fauna selvatica.
Il round non è stato annunciato come chiuso. Flox dispone quindi di un sistema operativo e di clienti paganti, ma la sua prossima espansione resta un obiettivo di finanziamento. Questa distinzione è importante nella valutazione della sua tempistica.
Le collisioni con la fauna rendono questo progetto molto più di un'iniziativa di conservazione
Flox vende sicurezza e continuità operativa, con la protezione degli animali al servizio dello stesso risultato anziché come missione separata.
La fauna selvatica entra in infrastrutture progettate attorno a movimenti controllati. Gli aerei seguono le piste, i treni seguono i binari e le auto seguono le strade. Gli animali non riconoscono questi confini operativi e i loro percorsi possono cambiare con il meteo, le migrazioni, il cibo, i lavori di costruzione e l'attività umana.
La scala del problema è più evidente nell'aviazione. I più recenti dati FAA sugli impatti registrano circa 344.000 impatti segnalati con fauna selvatica che hanno coinvolto aeromobili civili degli Stati Uniti tra il 1990 e il 2025. Nel 2025 si sono verificati circa 24.500 impatti in 870 aeroporti americani.
La FAA stima che questi incidenti siano costati all'aviazione civile statunitense una media di circa 272 milioni di dollari all'anno nel periodo considerato. La stima copre perdite dirette segnalate e altre perdite monetarie, non ogni conseguenza ecologica o operativa.
Gli uccelli hanno rappresentato il 96 per cento degli impatti segnalati con aeromobili civili americani. Tuttavia, trattare il problema come un generico controllo degli uccelli può nascondere importanti differenze tra le specie. La FAA afferma che gli uccelli acquatici rappresentano solo il 4 per cento degli impatti, ma il 23 per cento degli impatti dannosi.
La maggior parte degli eventi avviene inoltre vicino al suolo. Circa il 70 per cento si verifica tra il livello del terreno e 500 piedi di quota. Questa concentrazione pone le aree aeroportuali e le immediate vicinanze al centro degli interventi di mitigazione.
Il pericolo non è teorico. Un Boeing 737 MAX 9 di United Airlines ha colpito un coyote durante il decollo da Chicago O’Hare nel gennaio 2025. L'aeromobile è rientrato in sicurezza, ma l'impatto con un coyote a O’Hare ha reso necessaria un'ispezione e causato disagi ai passeggeri.
Le ferrovie affrontano un problema correlato lungo corridoi molto più estesi e meno controllati. Alstom afferma che la Svezia registra circa 5.000 collisioni con animali ogni anno. Questi incidenti possono ferire la fauna, danneggiare i treni, ritardare i passeggeri ed esporre i macchinisti a incontri traumatici.
La Francia offre un'altra misura dell'onere operativo. SNCF afferma che gli animali vaganti interessano oltre 8.000 treni a livello nazionale ogni anno. In Bretagna, 120 collisioni con animali nel 2023 hanno perturbato 660 servizi e causato oltre 15.000 minuti di ritardi.
Le recinzioni restano importanti, soprattutto vicino alle piste e nei tratti ferroviari ad alto rischio. Tuttavia, la recinzione continua è costosa e può frammentare gli habitat. Anche aperture, attraversamenti, sezioni danneggiate e estremità delle recinzioni possono diventare punti di ingresso prevedibili.
Le pattuglie umane apportano capacità di giudizio, ma non possono osservare continuamente ogni corridoio remoto. Cani addestrati, falchi, mezzi pirotecnici, veicoli, luci e sirene possono disperdere gli animali. La loro efficacia dipende dal personale, dalle specie, dalla tempistica, dal terreno e da interventi ripetuti.
Questo crea pressione su operatori aeroportuali, compagnie ferroviarie, enti stradali, utility e gestori del territorio. Devono ridurre il rischio di collisione senza dipendere interamente da pattuglie ad alta intensità di lavoro o dal controllo letale. Devono inoltre disporre di prove che ogni risposta automatizzata resti efficace dopo l'installazione.
L'AI per la fauna selvatica di Flox Intelligence punta a colmare questa lacuna. Promette osservazione continua, classificazione delle specie e una risposta mirata in un'unica unità sul campo. L'azienda deve ora dimostrare che questa integrazione migliora i risultati oltre le sperimentazioni selezionate.
La proposta di valore si estende anche oltre le singole collisioni. Ogni incontro registrato può rivelare dove gli animali entrano in un sito, quando i movimenti raggiungono il picco e quali interventi modificano il comportamento. Gli operatori delle infrastrutture potrebbero usare questi schemi per migliorare recinzioni, orari, ispezioni e gestione degli habitat.
Questo livello di dati potrebbe infine rivelarsi importante quanto il suono stesso. Un deterrente reagisce a un animale, mentre una cronologia mappata può influenzare il modo in cui opera un intero sito. Flox sta quindi competendo per un posto nella pianificazione della sicurezza, non soltanto accanto a una pista.
I suoni specifici per specie sono il meccanismo centrale
La scommessa centrale di Flox è che la dissuasione della fauna migliori quando un dispositivo identifica l'animale prima di decidere come rispondere.
Il sistema inizia con un evento, non con un flusso video continuo verso il cloud. Il movimento attiva la fotocamera e il modello locale. Il modello classifica ciò che vede, dopodiché il dispositivo sceglie un segnale audio associato a quella specie.
La risposta può includere segnali derivati dalla bioacustica, lo studio di come gli animali producono, ricevono e reagiscono ai suoni. Flox combina questi segnali con la computer vision e le osservazioni comportamentali. Il suo obiettivo è guidare un animale lontano senza contatto fisico.
Questa sequenza distingue la dissuasione adattiva della fauna da un timer che riproduce sempre la stessa registrazione. Una volpe, un'oca, un alce e un orso non condividono le stesse priorità sensoriali. Inoltre, non reagiscono allo stesso modo quando si alimentano, migrano, difendono il territorio o si spostano con la prole.
Il contesto crea un impegnativo problema tecnico. Una fotocamera deve riconoscere gli animali a distanze e angolazioni diverse, talvolta sotto pioggia, neve, riflessi, oscurità o vegetazione. Deve inoltre evitare di scambiare persone, ombre, veicoli e piante in movimento per fauna selvatica bersaglio.
Il sistema necessita quindi di una risposta appropriata. Una classificazione errata può attivare un suono irrilevante. Anche una classificazione corretta può non produrre alcun movimento se l'animale è stressato, distratto o già abituato a segnali simili.
Anche la tempistica conta. Un avvertimento fornito prima che un animale entri in un corridoio ferroviario ha più valore di uno fornito dopo l'arrivo di un treno. Flox pubblicizza un tempo di risposta inferiore a due secondi, ma la sicurezza nel mondo reale dipende dall'intera geometria di rilevamento e installazione.
Le prove di supporto più solide della tecnologia provengono da specifiche sperimentazioni operative. Tra il 2022 e il 2024, Flox ha collaborato con l'operatore aeroportuale svedese Swedavia presso gli aeroporti di Malmö, Kiruna e Umeå.
Flox riporta una dissuasione del 100 per cento su oltre 200 animali in tali test. La fauna sottoposta a test avrebbe incluso rapaci, oche, volpi e ungulati. I risultati della validazione aeroportuale provengono dall'azienda, quindi dovrebbero essere considerati risultati riportati dal fornitore.
L'aeroporto di Mora offre un esempio di installazione più lunga. Flox afferma che gazze, corvi e altri animali hanno continuato a restare lontani dalle aree di pista protette dopo sei mesi. L'aeroporto ha inoltre segnalato una minore dipendenza da pattuglie manuali e da mezzi improvvisati di allontanamento.
Questi esempi indicano che il suono adattivo può funzionare in condizioni selezionate. Non stabiliscono un tasso di efficacia indipendente per tutti gli aeroporti, le specie, le stagioni o i paesaggi. La scala e il disegno dello studio alla base di ciascuna affermazione restano un contesto essenziale.
I test ferroviari introducono un modello operativo differente. Flox e Alstom hanno installato fotocamere AI sui treni per osservare la fauna accanto a diverse linee svedesi. La prima fase ha rilevato gli animali, mentre una seconda fase ha aggiunto la dissuasione sonora nell'aprile 2026.
Le sperimentazioni ferroviarie svedesi hanno identificato alci, caprioli, volpi, cinghiali, animali da allevamento e uccelli. Alstom ha dichiarato che il sistema ha ottenuto risultati particolarmente positivi nell'identificazione di animali da allevamento, corvi e piccioni.
Alci e caprioli hanno richiesto un addestramento maggiore per raggiungere un'accuratezza di identificazione comparabile. Questa ammissione è significativa perché mostra perché i dati raccolti sul campo siano importanti. Le specie che comportano un serio rischio di collisione possono anche essere tra le più difficili da riconoscere in modo affidabile.
Flox afferma che i suoi modelli apprendono dagli incontri registrati e che le loro risposte variano per scoraggiare l'assuefazione. Tuttavia, “apprendimento” può descrivere diversi processi. Potrebbe riguardare aggiornamenti periodici dei modelli, playlist progettate centralmente o un adattamento automatizzato all'interno di ciascun dispositivo.
Gli operatori avranno bisogno di chiarezza su quali decisioni avvengano in autonomia. Avranno inoltre bisogno di controlli che regolino aggiornamenti, revisione degli eventi, falsi allarmi e limiti di intervento. I clienti del settore della sicurezza raramente acquistano un algoritmo senza acquistare anche un processo di responsabilità che lo accompagni.
Il piano a più lungo termine dell'azienda estende il software a treni, automobili, droni, trattori e robot per esterni. Questo passaggio porterebbe Flox dalla dissuasione statica a un livello di percezione della fauna selvatica integrato nelle macchine in movimento.
Un tale livello potrebbe avvisare un conducente, modificare il percorso di una macchina o attivare un deterrente. Tuttavia, ogni azione comporta requisiti di sicurezza diversi. Riconoscere un animale non equivale a controllare un veicolo in sua presenza.
La dissuasione adattiva deve comunque superare le alternative consolidate
Flox non compete con l'inazione. Deve superare una combinazione stratificata di barriere, persone, modifiche dell'habitat, sensori, suoni, cani e rimozione mirata.
La FAA raccomanda una gestione integrata della fauna selvatica anziché fare affidamento su un unico dispositivo. I programmi aeroportuali possono modificare gli habitat, rimuovere fonti di cibo o acqua, allontanare gli animali, gestire la vegetazione, migliorare le recinzioni e rimuovere la fauna quando necessario.
Un sistema sonoro adattivo si inserisce in questo quadro. Non elimina la necessità di ispezioni, segnalazioni, interventi sull'habitat o risposte alle emergenze. Un'implementazione responsabile userebbe Flox come un ulteriore livello, confrontandone le prestazioni con i dati esistenti del sito.
Diverse aziende automatizzano già parti di questo processo. Il prodotto Scarecrow di Robin Radar identifica gli uccelli e riproduce richiami di allarme specifici per specie. Registra inoltre l'attività, così che gli operatori possano rivedere quanto accaduto.
iCHASE adotta un'altra strada. Il suo sistema usa la computer vision per rilevare gli uccelli e punta verso di loro un laser mobile. La risposta cambia in base al bersaglio, offrendo agli operatori un deterrente visivo automatizzato anziché incentrato sull'audio.
Questi concorrenti rivelano il vero avversario principale: i sistemi adattivi contro la dissuasione statica. Flox non deve dimostrare che il suono sia universalmente superiore a laser, radar, cani o recinzioni. Deve dimostrare che le risposte collegate alla percezione restano utili più a lungo dei segnali ripetuti e privi di contesto.
La sua più ampia ambizione multi-specie potrebbe aiutare. I sistemi aeroportuali per gli uccelli si concentrano spesso sulle minacce aeree, mentre Flox parla di animali che vanno dalle oche agli alci e agli orsi grizzly. Una piattaforma multi-specie potrebbe servire clienti che gestiscono diversi tipi di infrastrutture.
L'ampiezza crea anche rischi. Un modello addestrato a distinguere gli uccelli attorno a un aeroporto svedese potrebbe non trasferirsi efficacemente ai mammiferi vicino a una strada australiana. Regioni diverse introducono nuove specie, comportamenti, vincoli legali, climi e ambienti acustici.
I falsi negativi sono la preoccupazione di sicurezza più evidente. Un animale non rilevato lascia in essere il pericolo originario. I falsi positivi generano costi diversi, tra cui suoni non necessari, avvisi fonte di distrazione, fauna disturbata e una fiducia in calo tra gli operatori.
Esiste anche una questione di benessere animale. La dissuasione “umana” non può essere data per scontata semplicemente perché un dispositivo evita la forza letale. Il suono può influire sugli animali bersaglio, sulle specie non bersaglio, sui residenti vicini e sulla comunicazione tra gli animali.
Gli operatori hanno bisogno di prove sull'intensità sonora, la durata dell'esposizione, la direzione della risposta e gli spostamenti involontari. Allontanare un animale da una pista è utile solo se il sistema non lo spinge verso un altro pericolo.
L'assuefazione rimane un'altra incertezza. Flox afferma che segnali variabili impediscono agli animali di apprendere che il dispositivo non rappresenta una minaccia. Dati a lungo termine esaminati in modo indipendente fornirebbero prove più solide rispetto a brevi sperimentazioni o testimonianze dei clienti.
L'affermazione dell'azienda di una dissuasione del 100 percento su oltre 200 animali in ambito aeroportuale appare impressionante. Tuttavia, tale cifra non rivela tutti i denominatori di cui un acquirente di infrastrutture ha bisogno.
Gli acquirenti dovrebbero chiedere come sia stato definito un evento di dissuasione riuscito. Dovrebbero anche chiedere quante rilevazioni siano state mancate, per quanto tempo gli animali siano rimasti lontani e se le prestazioni siano cambiate in base alla specie.
Le condizioni meteorologiche e la manutenzione influenzeranno i risultati. Le batterie perdono capacità, le lenti raccolgono sporco, la vegetazione ostruisce la visuale e gli altoparlanti si degradano. Un dispositivo installato in un progetto pilota controllato potrebbe ricevere più attenzione di uno tra migliaia di unità in produzione.
Anche la cybersecurity e le procedure di aggiornamento contano quando l'apparecchiatura entra in infrastrutture critiche. Gli operatori devono sapere chi possa modificare modelli o librerie sonore. Hanno bisogno di registri che mostrino cosa il sistema ha rilevato, selezionato e trasmesso.
L'elaborazione locale riduce la dipendenza dalla connettività di rete, ma non elimina il rischio software. Dashboard di flotta, distribuzione dei modelli, registri di conformità e account dei clienti creano comunque componenti connessi che richiedono supervisione.
L'esecuzione commerciale potrebbe diventare il vincolo decisivo. Flox vuole espandersi da circa 150 dispositivi a diverse migliaia, mantenendo hardware, software, supporto sul campo e dataset specifici per specie. Si tratta di un salto operativo sostanziale.
I ricavi previsti dell'azienda per il 2026 restano modesti rispetto a questa ambizione. Il finanziamento proposto da 10 milioni di dollari sosterrebbe l'espansione, ma la raccolta di capitali non convalida di per sé la domanda o l'affidabilità sul campo.
Flox deve dimostrare installazione e supporto ripetibili presso diversi clienti, non solo una promessa tecnica. Aeroporti, operatori ferroviari ed enti pubblici spesso acquistano con cautela, poiché i guasti delle apparecchiature possono comportare conseguenze in termini di sicurezza e regolamentazione.
La versione più convincente della tesi dell'azienda non richiede che ogni operatore abbandoni gli strumenti esistenti. Richiede che Flox diventi il livello intelligente che coordina dove, quando e come avviene la dissuasione.
Cosa mostrerà se Flox può scalare
Tre segnali determineranno se l'IA per la fauna selvatica di Flox Intelligence diventerà un'infrastruttura o resterà una promettente raccolta di sperimentazioni sul campo.
Il primo segnale è rappresentato da dati indipendenti sulle prestazioni a livello di specie. I futuri rapporti dovrebbero separare l'accuratezza del rilevamento dal successo della dissuasione. Dovrebbero inoltre mostrare rilevamenti mancati, falsi allarmi, tempi di ritorno, variazioni stagionali e risultati in condizioni meteorologiche difficili.
Queste prove rafforzerebbero il caso di Flox se le prestazioni rimanessero coerenti in diversi siti gestiti in modo indipendente. Grandi differenze tra le sperimentazioni dell'azienda e le valutazioni controllate dai clienti lo indebolirebbero.
Il secondo segnale è l'esito del lavoro ferroviario di Alstom. La partnership è importante perché sposta il software da unità fisse verso apparecchiature che viaggiano attraverso paesaggi mutevoli. Il successo richiede riconoscimento rapido, una dissuasione adeguata e un'integrazione sicura con le operazioni ferroviarie.
Occorre osservare se i partner pubblicheranno variazioni nelle collisioni o riduzioni misurabili della presenza di fauna selvatica ad alto rischio. I soli conteggi di rilevamento mostrano che gli animali sono presenti. Non dimostrano che la tecnologia prevenga gli incidenti.
Il terzo segnale è la crescita delle implementazioni dopo la proposta Series A. Flox vuole passare da circa 150 dispositivi a diverse migliaia. Clienti firmati, ordini ripetuti, rinnovi e una più ampia adozione da parte degli OEM fornirebbero prove commerciali più solide rispetto all'obiettivo di raccolta fondi.
La scalabilità dovrebbe anche rivelare se il modello in abbonamento funziona. I clienti devono percepire un valore continuativo sufficiente nel monitoraggio, negli aggiornamenti dei modelli, nella reportistica e nell'analisi per rinnovare dopo l'acquisto iniziale dell'hardware.
La visione più ampia dell'azienda merita attenzione perché va oltre la dissuasione. Nozkova sostiene che le macchine operanti all'aperto abbiano bisogno di una migliore comprensione degli ambienti viventi. In questa prospettiva, il riconoscimento della fauna selvatica diventa un'altra parte dello stack percettivo di una macchina.
L'idea ha applicazioni nei trasporti, nell'agricoltura, nella conservazione, nei servizi pubblici, nell'industria mineraria e nelle costruzioni. Un treno potrebbe riconoscere gli animali prima di una collisione. Un trattore potrebbe evitare un nido, mentre un drone potrebbe modificare la propria rotta attorno a fauna protetta.
Tuttavia, ogni caso d'uso richiede prove e controlli adatti alle sue conseguenze. Un deterrente agricolo, un'unità di sicurezza per piste e un sistema di controllo dei veicoli non possono condividere un unico standard indifferenziato. Il tasso di errore accettabile cambia in base al possibile danno.
Per gli sviluppatori, la lezione interessante è che l'edge AI riguarda sempre più comportamento, tempistica e contesto, anziché la sola classificazione. Un'etichetta corretta ha valore limitato se il sistema sceglie l'azione sbagliata in seguito.
Per gli acquirenti di infrastrutture, la domanda pratica è più diretta. Il sistema riduce incidenti, tempo dedicato alle pattuglie, ritardi e danni agli animali nell'arco di diverse stagioni? L'attività delle dashboard e i totali di rilevamento sono metriche di supporto, non risultati finali.
Per i team di conservazione, la sfida è misurare dove vadano gli animali spostati. Un intervento efficace dovrebbe proteggere la fauna selvatica senza limitarsi a spostare il conflitto oltre il confine monitorato.
L'IA per la fauna selvatica di Flox Intelligence dispone ora di una storia di implementazioni sufficiente a giustificare seria attenzione, ma non ancora di prove pubbliche sufficienti a risolvere tali questioni. La sua prossima fase metterà alla prova se la dissuasione adattiva funzioni tra specie, climi e operazioni dei clienti.
L'azione più utile per i potenziali acquirenti è richiedere progetti pilota basati sui risultati con basi di riferimento chiare. Monitorare collisioni, incursioni, falsi avvisi, visite ripetute, manutenzione ed effetti su specie non bersaglio prima e dopo l'installazione.
Se Flox pubblicherà questi risultati e convertirà le sperimentazioni in rinnovi, sosterrà un'affermazione più ampia sull'IA all'aperto. Se le prove rimarranno limitate a storie di successo selezionate, la dissuasione adattiva della fauna selvatica resterà un meccanismo attraente senza uno standard infrastrutturale dimostrato.
