Fuga de ingresos por peaje: 4 fugas que la IA está cerrando

¿Cuál es el vehículo más caro de su carretera?

El que nunca se registró. Cruzó su infraestructura, utilizó su capacidad y no dejó ninguna transacción. A veces pasa desapercibido; otras se identifica, pero el ingreso sigue sin recuperarse. Eso es la fuga de ingresos por peaje: acumulativa, persistente y fácil de infravalorar.

Piense en cada trayecto como una cadena de pasos: detectar el vehículo, identificarlo, contarlo, procesarlo y, por último, cobrarlo. Un eslabón débil en cualquier punto permite que los ingresos se escapen. Para los operadores y las autoridades públicas que afrontan un aumento de los costes operativos y mayores expectativas de servicio por parte de los usuarios, esto importa más que nunca. La buena noticia es que muchas causas de fuga son identificables, y la IA aplicada al peaje ofrece al sector nuevas formas de cerrarlas.

En este tercer artículo de la serie AI For Tolling, analizamos cuatro fugas, algunas ocultas y otras a plena vista, y mostramos cómo la IA ayuda a cerrar cada una de ellas, con aportaciones de Adria Ferret, New Solutions Manager en Emovis.

Fuga n.º 1: el vehículo que sus sensores nunca vieron

Durante años, detectar un vehículo implicaba combinar múltiples sensores y, aun así, algunos casos pasaban desapercibidos por determinadas características del vehículo o por las condiciones de la vía. Hoy, la visión por computador permite a las cámaras resolver más casos y reduce la dependencia de determinados equipos en carretera. El resultado es una infraestructura más sencilla y una menor probabilidad de transacciones perdidas por vehículos no detectados.

En la práctica, el cambio clave es que ahora la IA está dentro de la propia cámara. Antes, la cámara solo capturaba la imagen y dependía de otros sensores para saber cuándo pasaba un vehículo. Con visión por computador integrada, la cámara detecta el vehículo, elige el mejor momento para capturar la imagen y extrae información como su clasificación o sus características visuales. Esto añade una capa de detección muy potente que complementa los sensores existentes y recupera pasos que antes se colaban sin dejar rastro.

Esa inteligencia en la cámara también permite diseñar soluciones mucho más ligeras. Hoy podemos prescindir de un pórtico completo y utilizar cámaras laterales como sensor principal de detección, con un rendimiento equivalente y un coste de implantación mucho menor. Para el operador, esto significa menos equipos que mantener, menos puntos de fallo y más pasos capturados con mejores evidencias desde el inicio.

Fuga n.º 2: la matrícula que nadie podía leer

Una matrícula dañada o difícil de leer puede impedir que una transacción se asocie correctamente a un vehículo. La interpretación de imágenes asistida por IA puede resolver casos que los sistemas convencionales no identifican con suficiente confianza, mejorando la identificación y reduciendo posibles pérdidas de ingresos.

Pero identificar no es suficiente: cada vehículo también debe registrarse una sola vez y de forma fiable. La huella digital del vehículo y la deduplicación ayudan a reconocer el vehículo y evitar registros duplicados, mejorando la calidad de los datos y protegiendo los ingresos.

El valor de estas capacidades se hace evidente cuando cada paso genera evidencias desde distintos equipos, ángulos y momentos. Esto crea más oportunidades para identificar el vehículo, pero solo si pueden vincularse; sin inteligencia, más datos generan más excepciones, más revisión manual y más coste. El OBO de Emovis incorpora IA para hacerlo: la huella digital del vehículo reconoce que múltiples detecciones pertenecen al mismo vehículo en función de sus características visuales, incluso si ninguna puede leer la matrícula por sí sola, mientras que la deduplicación garantiza que el paso se registre una sola vez.

En conjunto, estas capacidades convierten evidencias parciales en una transacción identificada y en datos más fiables, con cada paso asociado a un único registro y a evidencias de respaldo. Para el operador, esto ayuda a recuperar pasos previamente perdidos, reducir excepciones, duplicados, reclamaciones y correcciones posteriores, y proteger más ingresos sin aumentar la revisión manual.

Fuga n.º 3: cuando las condiciones afectan al rendimiento

Un sistema puede funcionar correctamente en condiciones normales y, aun así, generar más excepciones cuando empeoran la visibilidad, la meteorología o la densidad de tráfico. La IA puede reforzar la interpretación de imágenes y el reconocimiento de patrones en estos escenarios, ayudando a mantener un rendimiento más consistente y a reducir el impacto de las condiciones adversas en las transacciones.

El problema es que los sistemas tradicionales se basan en reglas diseñadas para condiciones específicas. Cuando cambia la luz, llueve, aumenta el tráfico o cambia el entorno de captura, crece el número de casos que no encajan en esas reglas, y cada uno de ellos es un ingreso en riesgo.

Ante esta limitación, la IA interpreta patrones más complejos y trabaja con niveles de confianza. Los casos claros se procesan automáticamente y los ambiguos se derivan para su validación, en lugar de forzar una decisión potencialmente incorrecta. Además, las correcciones realizadas durante la operación ayudan a que los modelos se adapten progresivamente a las condiciones reales de cada vía.

La IA no es infalible, pero reconoce mejor la incertidumbre, aprende de las excepciones y mantiene un rendimiento más estable cuando las condiciones empeoran.

Fuga n.º 4: errores de identificación manual

No todos los vehículos se resuelven automáticamente. Cuando el sistema no puede identificar uno, una persona revisa la imagen mediante la Revisión Manual de Imágenes (MIR). Es un trabajo esencial, pero también humano, y un vehículo mal identificado supone ingresos perdidos o una transacción procesada incorrectamente.

Aquí, la IA no elimina a las personas del proceso; les ayuda a trabajar de forma más consistente. La aplicación MIR de Emovis puede analizar patrones operativos para identificar situaciones asociadas a un mayor riesgo de error, lo que permite introducir controles adicionales antes de que una identificación incorrecta afecte a la transacción.

En concreto, MIR puede anticipar muchos errores antes de que afecten a la transacción combinando reglas e IA que analizan dos fuentes: los datos proporcionados por el equipamiento en carretera para cada vehículo y las propias acciones de los revisores. Con esta información, decide en cada caso si la identificación puede aceptarse o si debe escalarse a una segunda revisión.

De este modo, el esfuerzo se concentra donde hay incertidumbre y no se introducen controles adicionales donde no son necesarios. La revisión manual funciona en ambos sentidos: las personas validan los casos en los que la IA tiene menor confianza, y la IA ayuda a detectar posibles errores humanos. Cada error detectado a tiempo es un ingreso que no se pierde ni se disputa.

Cada vehículo cuenta

En Emovis, vemos la IA como una capa de inteligencia que refuerza la cadena de valor del peaje sin sustituir la experiencia operativa.

Con el conocimiento y los controles adecuados, puede interpretar imágenes y datos a escala, identificar brechas, reducir excepciones y proteger más ingresos en cada trayecto.

Next Article