1. El tamaño real del problema que la IA pretende resolver
Antes de hablar de algoritmos conviene fijar la escala. La Organización Internacional del Trabajo estima que cerca de tres millones de personas mueren cada año por causas relacionadas con el trabajo: alrededor de 2.6 millones por enfermedades y unas 330 mil por accidentes, mientras que 395 millones sufren una lesión no mortal. La tasa de mortalidad masculina (108.3 por cada 100 mil trabajadores) más que duplica la femenina (48.4). No es un problema marginal: la OIT calcula que accidentes y enfermedades consumen alrededor del 4% del PIB mundial.
En México la fotografía más reciente y confiable es la Memoria Estadística 2024 del IMSS, caracterizada por Velázquez-Narváez y colaboradores en la Revista Médica del IMSS (2026). Con 21,905,614 trabajadores asegurados en el seguro de riesgos de trabajo, el Instituto registró 610,751 riesgos laborales: 418,514 accidentes de trabajo (69%), 175,357 accidentes de trayecto (28%) y 16,880 enfermedades de trabajo (3%). Murieron 1,274 personas, 859 de ellas en accidentes dentro del centro de trabajo. El grupo de edad más golpeado es el de 25 a 29 años, con 64,599 accidentes de trabajo; es decir, la IA que diseñemos tiene que funcionar para una fuerza laboral joven, rotativa y en formación.
Gráfica 1 · Riesgos de trabajo en México, 2022–2024
La distribución por tipo de lesión es el dato que más importa para evaluar tecnología. De los 418,514 accidentes de trabajo, 114,606 fueron traumatismos superficiales, 105,458 luxaciones, esguinces y desgarros, 71,039 heridas y 36,581 fracturas. Entre las enfermedades de trabajo dominan las dorsopatías (2,940), las hipoacusias (2,577), las lesiones de hombro (1,568) y el síndrome del túnel carpiano (1,518). Tres de las cuatro enfermedades más frecuentes son ergonómicas. Si una tecnología no reduce sobreesfuerzo, caídas al mismo nivel y golpes con objetos, no está atacando el 80% del problema mexicano.
Gráfica 2 · ¿Qué lesiona a los trabajadores mexicanos?
El sector también importa. La construcción de edificaciones y obras de ingeniería registró 35,122 accidentes (tasa de 2.7 por cada 100 trabajadores) y concentró la mayor cantidad de incapacidades permanentes (2,149) y defunciones (167). Le siguen el autoservicio (31,075), la compraventa de alimentos (27,416), la elaboración de alimentos (24,817) y la preparación de alimentos y bebidas, que tiene la tasa más alta: 3.3 por cada 100. Esto cambia el discurso habitual: la IA de seguridad no es solo para la automotriz o la petroquímica; su mayor impacto absoluto estaría en obra, centros de distribución y plantas de alimentos.
2. Qué es, en términos operativos, la IA aplicada a la seguridad industrial
Conviene despojar el término de marketing. Cuando hablamos de IA en seguridad hablamos de modelos estadísticos entrenados con datos del propio entorno de trabajo que cumplen cuatro funciones distintas: ver(detectar objetos, posturas y zonas en video), sentir(interpretar señales de sensores en el cuerpo o en el ambiente), anticipar(estimar probabilidad de incidente a partir de históricos) y escribir(redactar, resumir y cruzar documentación con modelos de lenguaje). Cada función tiene una madurez, un costo y un riesgo regulatorio distintos. Mezclarlas en una sola conversación de compra es el primer error que veo en plantas.
2.1 Visión por computadora: EPP, zonas y vehículos industriales
Es la familia más visible porque aprovecha cámaras que la planta ya tiene. Los sistemas actuales se basan en detectores de una etapa de la familia YOLO. La evidencia académica es matizada: un trabajo con YOLOv3 combinado con clasificadores VGG16/ResNet reportó 71.23% de exactitud para casco y chaleco; implementaciones con YOLOv8 sobre conjuntos públicos alcanzan alrededor de 76%; y proyectos recientes con YOLO11 separan el rendimiento por clase, con mAP@50 de 92.3% para casco y 82.9% para chaleco. El patrón es consistente: los objetos grandes y de color contrastante se detectan bien; guantes, lentes de seguridad y arnés siguen siendo difíciles, sobre todo con oclusión y contraluz. Por eso la buena práctica es tratar la detección de EPP como indicador líder de tendencia por área y turno, nunca como prueba única para sancionar a un trabajador.
Donde la visión por computadora tiene un retorno más claro es en la interacción peatón-montacargas, la invasión de zonas de exclusión y la velocidad de vehículos en intersecciones, porque el evento es binario, el costo del accidente es alto y la cámara ya mira el pasillo. Los proveedores de este segmento reportan reducciones de lesiones de dos dígitos y, en casos puntuales, hasta 77% en doce meses. Son cifras de proveedor, no de estudios independientes; las anoto porque son el punto de partida de cualquier negociación de piloto, no porque deban aceptarse sin medir.
2.2 Wearables y sensores: ergonomía, gases, caídas y calor
La segunda familia instrumenta al trabajador o al ambiente. Los sensores de postura detectan flexión, torsión y sobrealcance; los detectores de gases conectados alertan por zona; los sensores de calor estiman estrés térmico; y los acelerómetros detectan caídas y hombre-caído. Aquí la evidencia es más robusta porque las aseguradoras la han auditado. Un análisis actuarial de Perr&Knight sobre un wearable de postura encontró una reducción de 50–60% en la frecuencia de lesiones y de 72% en días perdidos; en manufactura las reclamaciones por esguinces y distensiones bajaron 49.5%. Un estudio inicial de Oliver Wyman sobre otro dispositivo estimó reducciones de frecuencia superiores al 20%. La magnitud varía, pero la dirección coincide con lo que el IMSS muestra: el sobreesfuerzo ergonómico es el enemigo más grande y el más instrumentable.
2.3 Analítica predictiva: la ciencia detrás de "predecir el accidente"
La tercera familia es la menos vistosa y la más antigua. El trabajo fundacional lo hicieron Predictive Solutions (Industrial Scientific) y la Universidad Carnegie Mellon con una muestra de más de 112 millones de observaciones de seguridad de 15 mil sitios. Encontraron modelos con precisión de 80 a 97% para predecir incidentes y que los datos de inspección por sí solos explican el 75% de los incidentes. De ahí salieron las cuatro "verdades de seguridad": más inspecciones predicen un sitio más seguro; más inspectores, sobre todo fuera de la función de seguridad, predicen un sitio más seguro; demasiadas inspecciones "100% seguras" predicen un sitio inseguro; y demasiadas observaciones inseguras también. Empresas que aplicaron el enfoque reportaron entre dos y tres veces menos incidentes, y una redujo 95.3% en un año.
La lección para México es incómoda: la analítica predictiva no necesita cámaras caras, necesita recorridos registrados con disciplina. Una planta que captura actos y condiciones inseguras en papel y los archiva no tiene datos; tiene cajas. El primer proyecto de IA de la mayoría de las empresas mexicanas debería ser digitalizar esa base.
2.4 IA generativa: documentación, investigación de incidentes y cumplimiento
La cuarta familia explotó desde 2023. Los modelos de lenguaje redactan análisis de trabajo seguro, resumen investigaciones, cruzan procedimientos contra NOM y traducen reportes de piso a lenguaje de dirección. La encuesta Verdantix/Quentic 2026 encontró que 45% de los líderes EHS invertirá "muy probablemente" en automatización de reportes y que 52% prefiere enfoques de copiloto con supervisión humana. El valor es real en tiempo administrativo; el riesgo es que un procedimiento bien redactado y mal fundamentado se vea más confiable de lo que es. En cumplimiento STPS eso tiene consecuencias: una constancia DC-3 o un programa de protección civil generado sin validar sigue siendo responsabilidad del patrón.
3. Mercado, inversión y la brecha entre piloto y escala
El dinero sigue a la evidencia con retraso, pero la sigue. MarketsandMarkets proyecta que el mercado global de seguridad laboral pase de USD 19.64 mil millones en 2025 a 38.55 mil millones en 2030, con una tasa compuesta de 14.4% impulsada por monitoreo con IA, wearables y analítica predictiva. El segmento estrictamente de software de IA para seguridad laboral se valuó en USD 1.42 mil millones en 2025 y se proyecta a 8.77 mil millones en 2035 (20% anual). La detección de EPP por visión, un nicho dentro del nicho, se estimó en USD 496.5 millones en 2024.
Gráfica 3 · Mercado global: seguridad laboral vs. software de IA para seguridad
La intención de los compradores es inequívoca. En la encuesta global de Verdantix 2025 a 304 ejecutivos EHS de 24 industrias, 61% planea ampliar el uso de IA en 2026 y 80% coloca la reducción de lesiones graves y fatalidades como prioridad máxima. En el estudio Verdantix/Quentic de marzo de 2026, 84% declara que ampliar la IA es prioridad en dos años, 82% espera que suban los presupuestos y 57% de los líderes EHS ya usa o pilotea analítica predictiva. Al mismo tiempo, el mismo Verdantix describe la adopción como "mayoritariamente dirigida por pilotos": madurez limitada de las soluciones, falta de presupuesto asignado, incompatibilidad con sistemas EHS existentes y consideraciones regulatorias. Y el National Safety Council, en sus webinars de 2025, recordó que un reporte del MIT estimó que 95% de los pilotos de IA generativa no llega a producción, y advirtió contra "el objeto brillante": tecnología que no resuelve el peligro específico de la planta.
Gráfica 4 · Adopción de IA en EHS: intención vs. práctica
El costo de no actuar también está cuantificado, al menos para Estados Unidos. El Workplace Safety Index 2025 de Liberty Mutual estima que las lesiones graves (más de cinco días perdidos) cuestan USD 58.78 mil millones al año; solo el sobreesfuerzo con fuentes externas cuesta 13.70 mil millones y, junto con las caídas al mismo nivel, explica casi 40% del total. En 25 años la tasa de lesiones graves cayó 40%, pero el costo total subió 30%. Es exactamente el patrón que la analítica de postura y la visión por computadora atacan. Para México, el IMSS citaba un costo directo por incapacidad y reemplazo de $443,491 pesos por caso; multiplicado por los 418,514 accidentes de 2024 da una magnitud que ninguna dirección financiera puede ignorar.
4. El regulador llegó primero: SIDIL, NOM-STPS y el EU AI Act
Hay una paradoja que pocos responsables EHS han asimilado: en México el primero en usar IA para seguridad laboral a escala nacional no fue una empresa, fue la autoridad. El Programa de Inspección Federal del Trabajo 2025, presentado el 9 de julio de 2025 por la Unidad de Trabajo Digno y la DGIFT, programó 43,000 inspecciones (34% más que las 32 mil del periodo anterior: 8,600 ordinarias y 34,400 extraordinarias) e incorporó por primera vez el Sistema de Inteligencia de Datos para la Inspección Laboral (SIDIL). El SIDIL cruza fuentes internas y externas de la STPS y otras dependencias, genera una probabilidad de incumplimiento normativo para cada registro del Directorio Nacional de Empresas y prioriza a los centros de mayor riesgo. Dicho de otro modo: un modelo predictivo decide quién recibe al inspector. Una empresa con historial de riesgos de trabajo elevado en el IMSS, sin PASST ni VELAVO, y en un sector prioritario, es estadísticamente más visible que nunca.
Ninguna Norma Oficial Mexicana exige inteligencia artificial, y es importante decirlo para evitar el argumento de venta por miedo. Pero varias NOM definen obligaciones que la IA cumple mejor que el método manual, y es ahí donde la inversión se justifica ante una inspección:
| Caso de uso de IA | Riesgo que ataca (IMSS 2024) | NOM-STPS que respalda la obligación | Sanción LFT por incumplir la NOM* |
|---|---|---|---|
| Detección de EPP por visión | Heridas 71,039 · Fracturas 36,581 | NOM-017-STPS-2008 (EPP), NOM-004-STPS-1999 (maquinaria) | 250–5,000 UMA → $29,328–$586,550 |
| Zonas de exclusión y montacargas | Golpes y atrapamientos | NOM-006-STPS-2014 (manejo y almacenamiento de materiales) | 250–5,000 UMA → $29,328–$586,550 |
| Sensores de postura / ergonomía | Dorsopatías 2,940 · Luxaciones 105,458 | NOM-036-1-STPS-2018 (ergonomía, manejo manual de cargas) | 250–5,000 UMA → $29,328–$586,550 |
| Detección de caídas y arnés | Construcción: 167 defunciones | NOM-009-STPS-2011 (trabajos en altura) | 250–5,000 UMA → $29,328–$586,550 |
| Detección de gases y atmósferas | Intoxicaciones 333 + 671 enf. | NOM-033-STPS-2015 (espacios confinados), NOM-010-STPS-2014 | 250–5,000 UMA → $29,328–$586,550 |
| Dosimetría de ruido conectada | Hipoacusias 2,577 | NOM-011-STPS-2001 (ruido) | 250–5,000 UMA → $29,328–$586,550 |
| Analítica de recorridos y actos inseguros | Todos los anteriores | NOM-019-STPS-2011 (comisiones), NOM-030-STPS-2009 (servicios preventivos) | 250–5,000 UMA → $29,328–$586,550 |
| IA generativa para DC-3 y procedimientos | Capacitación deficiente | NOM-030, Art. 153-A a 153-X LFT (capacitación) | 250–5,000 UMA → $29,328–$586,550 |
| Detección de fatiga / emociones | Factores psicosociales (217 casos) | NOM-035-STPS-2018 — zona de alto riesgo legal | 250–5,000 UMA + LFPDPPP |
*LFT art. 994 fracción V (incumplimiento de normas de seguridad e higiene): 250 a 5,000 UMA, por trabajador afectado y por cada día que subsista la infracción. UMA diaria 2026: $117.31 (INEGI, DOF 09/01/2026, vigente desde 01/02/2026). Calcula tu caso con la Calculadora de Multas STPS.
El contrapeso regulatorio viene de Europa y conviene conocerlo aunque la planta esté en Apodaca o Saltillo, porque las matrices europeas lo exportan por política corporativa. El Reglamento (UE) 2024/1689, la Ley de IA europea, prohíbe desde febrero de 2025 los sistemas que infieren emociones de personas en el trabajo, salvo fines médicos o de seguridad; clasifica como alto riesgo los sistemas de gestión de trabajadores, asignación de tareas, monitoreo y evaluación de desempeño (Anexo III, punto 4); y a partir del 2 de agosto de 2026 obliga a los empleadores que los desplieguen a informar a los representantes y a los trabajadores afectados antes de ponerlos en servicio, garantizar supervisión humana y conservar registros. La frontera entre "cámara de seguridad industrial" y "sistema de evaluación de desempeño" es exactamente la que un buen contrato de implementación debe dejar escrita.
México, al cierre de este estudio, no tiene ley general de inteligencia artificial. Durante 2026 el Senado trabajó un documento base para una "Ley General para Regular y Fomentar la Inteligencia Artificial" con una Autoridad Nacional de IA, se presentó en febrero una iniciativa separada de Ley Nacional, en abril una iniciativa para reformar la Ley Federal del Trabajo sobre uso de IA en centros de trabajo y en julio otra en Diputados; ninguna llegó al pleno. Lo que sí aplica hoy es la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (video y biometría son datos personales), la NOM-035 (vigilancia y presión como factor psicosocial) y la obligación de la comisión mixta de seguridad e higiene de participar en las medidas preventivas.
5. Cómo se ve una implementación que sobrevive a la auditoría
Después de veinte años en piso, como consultor y como bombero, he visto fracasar más proyectos por diseño organizacional que por tecnología. El NSC, a través de su iniciativa Work to Zero, propone un Safety Innovation Journey de cinco pasos y un roadmap con DEKRA de cuatro etapas que comienza por evaluar pruebas de concepto y retorno. Traducido a la realidad mexicana, propongo esta secuencia:
- Diagnóstico con tus propios datos (semanas 1–4). Toma los ST-7 de los últimos tres años, los recorridos de la comisión, las DC-3 y los mantenimientos. Cruza accidentes por área, turno, antigüedad y hora. Ya tienes el 70% del modelo predictivo sin comprar nada.
- Elegir un solo peligro, no una plataforma (semana 5). En México el candidato casi siempre es montacargas-peatón en almacén, sobreesfuerzo en elaboración de alimentos o caídas en obra. Define el indicador: casi-accidentes por 10 mil horas, no "cumplimiento de EPP".
- Piloto de 90 días con línea base (semanas 6–18). Un área, mediciones antes y después, y un comité con la comisión mixta informado por escrito del alcance, los datos capturados y su no uso disciplinario.
- Gobernanza de datos (en paralelo). Quién ve qué, cuánto tiempo se retiene el video, cómo se anonimiza, qué pasa cuando el modelo se equivoca. Documentarlo es cumplimiento LFPDPPP y es, además, lo que exigirá cualquier matriz europea.
- Escalar solo lo que movió el indicador (mes 5 en adelante). Y mapear cada caso de uso a su NOM para que el gasto quede registrado como control de riesgo, no como gasto de TI.
6. Riesgos, límites y lo que la evidencia todavía no dice
Sería deshonesto cerrar sin las advertencias. Primero, el sesgo de publicación: la mayoría de los porcentajes espectaculares (77% menos lesiones, 95% menos incidentes) provienen de proveedores o de clientes seleccionados; la literatura independiente revisada por pares es más modesta y se concentra en exactitud técnica, no en reducción de lesiones. Segundo, el riesgo de automatización complaciente: el NSC advierte que las personas serán necesarias "en el futuro previsible" para validar los datos de la IA, y la propia investigación CMU encontró que demasiadas inspecciones "100% seguras" predicen un sitio inseguro; un sistema que reporta todo verde debe generar sospecha, no tranquilidad. Tercero, la vigilancia: la línea entre prevención y control laboral es fina, y en México la NOM-035 convierte la vigilancia excesiva en factor de riesgo psicosocial que la empresa misma debe evaluar. Cuarto, el subregistro: investigadores del IMSS han documentado subregistro de accidentes de entre 26 y 78% en periodos anteriores; cualquier modelo entrenado solo con lo reportado aprende a ignorar lo que nadie reportó.
Nada de esto invalida la tesis. La refuerza: la IA en seguridad industrial funciona cuando se usa para ver más y mejor lo que un sistema de gestión ya debería estar mirando, y fracasa cuando se compra para sustituir al sistema de gestión. El IMSS seguirá publicando cada año cuántos trabajadores no regresaron a casa. Nuestra tarea es que la próxima cifra sea menor y, por primera vez, que podamos explicar con datos por qué.
