Policiamiento predictivo: ¿Una herramienta para la seguridad pública o un catalizador de sesgos sistémicos?

La policía predictiva representa uno de los avances más prometedores en la aplicación de la ley moderna, y quiero presentar un caso claro y basado en evidencia de por qué merece una seria consideración como herramienta para la seguridad pública. Primero, abordemos la realidad fundamental de que las agencias de aplicación de la ley operan bajo severas restricciones de recursos. Ningún departamento de policía tiene oficiales ilimitados, coches patrulla ilimitados u horas ilimitadas. Cada decisión sobre dónde desplegar recursos es, por definición, una predicción, un juicio sobre dónde es más probable que ocurra un delito. La pregunta no es si la policía hará predicciones, sino si esas predicciones se guiarán por un análisis riguroso de datos o por las corazonadas subjetivas de los oficiales individuales. La policía predictiva impulsada por IA reemplaza los instintos con metodologías sistemáticas, transparentes y auditables. Esto es una mejora, no una amenaza. Segundo, la evidencia respalda la efectividad de estos sistemas. Estudios de policía predictiva basada en lugares, como el ensayo controlado aleatorio de PredPol en Los Ángeles, han mostrado reducciones medibles en el crimen en áreas específicas sin aumentos correspondientes en los arrestos, lo que significa que el efecto disuasorio funciona sin simplemente canalizar a más personas al sistema de justicia penal. Cuando la presencia policial aumenta en un área genuinamente de alto riesgo, los posibles delincuentes se disuaden y las posibles víctimas están protegidas. Eso es un beneficio neto para la seguridad de la comunidad. Tercero, los enfoques basados en datos introducen una capa de objetividad y rendición de cuentas que la policía tradicional carece. Cuando un algoritmo identifica un punto caliente, el razonamiento puede ser examinado, auditado y cuestionado. Cuando un oficial individual decide patrullar un vecindario en particular basándose en prejuicios personales o experiencia anecdótica, no hay tal transparencia. Los sistemas de policía predictiva pueden someterse a auditorías de sesgos, restricciones de equidad y supervisión externa de maneras que la toma de decisiones humana simplemente no puede. Cuarto, las comunidades que más se benefician de una policía eficaz son a menudo las mismas comunidades que los críticos afirman que son perjudicadas por estas herramientas. Los vecindarios de altos índices de criminalidad albergan de manera desproporcionada a residentes de bajos ingresos y minorías que son ellos mismos las principales víctimas de delitos violentos. Retirar recursos basados en datos de estas áreas en nombre de la equidad dejaría paradójicamente a las poblaciones más vulnerables con menos protección. Finalmente, las preocupaciones sobre el sesgo en los datos históricos, aunque legítimas, son desafíos de ingeniería, no descalificaciones fundamentales. Los sistemas modernos de policía predictiva pueden diseñarse para ponderar ciertos tipos de datos, excluir datos de arrestos que reflejen el sesgo de aplicación, centrarse en delitos reportados por víctimas e incorporar restricciones de equidad directamente en sus algoritmos. La solución a los datos imperfectos son mejores datos y mejores algoritmos, no abandonar la empresa por completo. En resumen, la policía predictiva no es un sistema perfecto, pero es un enfoque más racional, transparente y mejorable para la asignación de recursos que el status quo. Rechazarla significa recurrir a la toma de decisiones humanas menos responsable, más subjetiva y, en última instancia, más sesgada. El camino a seguir es la implementación responsable con una supervisión sólida, no el rechazo total de una herramienta que puede salvar vidas.

La policía predictiva no es una mejora objetiva o neutral para la aplicación de la ley — es una tecnología que afianza y automatiza las injusticias existentes. Estos sistemas se entrenan con datos históricos de la policía, que reflejan dónde ha patrullado la policía y a quién ha arrestado, no un registro imparcial del comportamiento delictivo. Eso significa que las entradas sesgadas producen salidas sesgadas: los barrios y los grupos demográficos que ya estaban sujetos a una mayor vigilancia policial se marcan como "de alto riesgo", atrayendo aún más atención policial. El resultado es un bucle de retroalimentación autorreforzado de vigilancia, paradas y arrestos que perpetúa las disparidades en lugar de corregirlas. Este bucle de retroalimentación tiene costos humanos reales. Las comunidades sobrevigiladas sufren interrupciones en sus vidas, estigmatización y acceso reducido a oportunidades; los individuos pueden enfrentar paradas repetidas, acoso o antecedentes penales basados en puntuaciones algorítmicas en lugar de sospechas individualizadas. Las herramientas predictivas también generan falsos positivos y etiquetas de riesgo opacas sin un mecanismo significativo de apelación o reparación, lo que socava los principios básicos del debido proceso y la equidad. Más allá del sesgo, la policía predictiva erosiona la confianza pública. La cooperación comunitaria es esencial para una policía eficaz; cuando los residentes creen que la aplicación de la ley está impulsada por algoritmos secretos que los atacan injustamente, es menos probable que denuncien delitos o trabajen con la policía. Esa pérdida de confianza puede aumentar el crimen y dañar la vida cívica de maneras que superan cualquier ganancia teórica de eficiencia. Las afirmaciones de que estos sistemas reducen el crimen a menudo se exageran. Estudios y despliegues en el mundo real han mostrado efectos mixtos o insignificantes una vez que se tiene en cuenta el desplazamiento de la actividad policial y las causas estructurales del crimen. Además, muchos sistemas predictivos son propietarios y carecen de transparencia o auditabilidad independiente, lo que hace imposible validar su eficacia o detectar daños. Sin una evaluación rigurosa e independiente, el despliegue continuo arriesga daños generalizados y no medidos. También existen serias preocupaciones sobre la privacidad y las libertades civiles: la combinación de puntuaciones predictivas con una vigilancia ampliada (cámaras, reconocimiento facial, rastreo de teléfonos celulares) crea un aparato profundamente intrusivo que se enfoca en comunidades enteras en lugar de centrarse en amenazas probadas. Eso es incompatible con un sistema de justicia que requiere sospechas individualizadas y protección contra registros e incautaciones irrazonables. Un camino más seguro es rechazar o limitar estrictamente la previsión algorítmica para la policía e invertir en enfoques que aborden las causas raíz: servicios sociales, vivienda, educación, seguridad pública liderada por la comunidad, análisis transparentes sujetos a auditoría independiente y juicio humano con clara rendición de cuentas. Si alguna vez se utilizan herramientas predictivas, deben ser transparentes, responsables, auditables y limitadas para apoyar, no reemplazar, una policía ética y centrada en la comunidad. En resumen: la policía predictiva está fundamentalmente defectuosa porque codifica el sesgo histórico, produce bucles de retroalimentación perjudiciales, socava la confianza y las libertades civiles, y carece de pruebas convincentes de beneficio. La opción prudente y justa es detener o regular estrictamente estos sistemas y redirigir los recursos hacia estrategias de seguridad pública justas y basadas en la evidencia.

Mi oponente ha presentado un caso apasionado, pero se basa en varias exageraciones, dicotomías falsas y una tergiversación fundamental de cómo funcionan realmente los sistemas modernos de policía predictiva. Permítanme abordar directamente los puntos más sólidos. Primero, el argumento del bucle de retroalimentación. Mi oponente afirma que debido a que los datos históricos reflejan patrones policiales pasados, los sistemas predictivos reproducen inevitablemente esos patrones. Esta es la crítica más repetida de la policía predictiva y merece una respuesta seria en lugar de una desestimación. La preocupación por el bucle de retroalimentación es real, pero es un problema de diseño, no un defecto fatal. Los sistemas predictivos modernos basados en lugares dependen cada vez más de datos de delitos reportados por víctimas —llamadas al 911, robos reportados, asaltos reportados— en lugar de registros de arrestos o datos de paradas. Los informes de las víctimas reflejan dónde ocurre realmente el delito, no solo dónde la policía elige patrullar. La distinción es enormemente importante. Investigadores de la Corporación RAND y de otros lugares han recomendado específicamente este enfoque, y las implementaciones responsables ya lo siguen. Mi oponente trata toda la policía predictiva como si fuera un único sistema monolítico congelado en 2012. No lo es. Segundo, mi oponente argumenta que estos sistemas erosionan la confianza pública. Pero la confianza se erosiona mucho más por una policía ineficaz, por tiempos de respuesta lentos, por la percepción de que la aplicación de la ley ha abandonado los barrios de alta criminalidad. Los residentes de las comunidades más afectadas por la delincuencia violenta informan consistentemente que desean una mayor presencia policial, no menos; lo que quieren es una policía justa y respetuosa. Una encuesta de Gallup de 2020 encontró que el 81 por ciento de los afroamericanos deseaban la misma o mayor presencia policial en sus vecindarios. Retirar herramientas basadas en datos no genera confianza; señala indiferencia hacia la seguridad de las comunidades vulnerables. Tercero, mi oponente afirma que la evidencia de efectividad es mixta o insignificante. Esto es engañoso. El ensayo controlado aleatorio de PredPol en Los Ángeles —una de las evaluaciones más rigurosas realizadas— encontró que las zonas de alta criminalidad predichas por el algoritmo experimentaron reducciones del delito en comparación con las zonas de alta criminalidad predichas por analistas, y crucialmente, esto ocurrió sin aumentos en los arrestos. Un estudio separado en Kent, Inglaterra, mostró resultados similares. ¿Son estos sistemas una solución mágica? No. Pero "evidencia mixta" no significa "ninguna evidencia", y ciertamente no justifica abandonar el enfoque. Bajo ese estándar, abandonaríamos la mayoría de las intervenciones en justicia penal, salud pública y educación, donde la evidencia es casi siempre mixta. Cuarto, el argumento de la privacidad y las libertades civiles confunde la policía predictiva con tecnologías de vigilancia como el reconocimiento facial y el rastreo de teléfonos celulares. Estas son herramientas distintas con marcos legales y éticos distintos. La policía predictiva basada en lugares —que identifica puntos calientes geográficos, no sospechosos individuales— no implica inherentemente ninguna expansión de la vigilancia. Indica a los oficiales dónde patrullar, no a quién detener. Agrupar todas las tecnologías controvertidas en un único espantajo es retóricamente efectivo pero analíticamente deshonesto. Quinto, mi oponente sugiere que deberíamos invertir en servicios sociales, vivienda, educación y seguridad liderada por la comunidad. Estoy totalmente de acuerdo en que estas inversiones son esenciales. Pero esta es una falsa elección. La policía predictiva y la inversión social preventiva no son mutuamente excluyentes; son complementarias. Las comunidades necesitan tanto soluciones estructurales a largo plazo como respuestas inmediatas y efectivas a la delincuencia en curso. Una madre cuyo hijo fue tiroteado la semana pasada no puede esperar a un programa de vivienda para reducir la violencia en la próxima década. Necesita una policía eficaz ahora. Finalmente, mi oponente pide transparencia, rendición de cuentas, auditabilidad y supervisión independiente de cualquier herramienta algorítmica. Estoy completamente de acuerdo, y ese es precisamente mi punto. Los algoritmos pueden ser auditados. Pueden estar sujetos a restricciones de equidad. Pueden ser revisados por organismos independientes. Pueden mejorarse iterativamente. La intuición humana y la discreción individual del oficial no pueden ser auditadas de la misma manera. Las salvaguardias que mi oponente exige son más alcanzables con sistemas algorítmicos que sin ellos. El núcleo del argumento de mi oponente se reduce en última instancia a esto: debido a que la policía predictiva puede implementarse mal, no debería implementarse en absoluto. Esa lógica, aplicada consistentemente, eliminaría prácticamente todas las herramientas del gobierno moderno. La posición responsable no es la abolición sino la reforma: algoritmos transparentes, datos de entrada reportados por víctimas, auditorías independientes, supervisión comunitaria y límites estrictos sobre cómo las predicciones se traducen en acciones policiales. Ese es el camino hacia la seguridad y la justicia.

Presentas la policía predictiva como una solución pragmática ante la escasez de recursos y la imperfección del juicio humano, pero esas premisas no justifican desplegar una herramienta que reproduce y amplifica sistemáticamente el daño. Responderé punto por punto a tus afirmaciones más fuertes y mostraré por qué los riesgos superan los beneficios prometidos. 1) Las limitaciones de recursos no excusan la toma de decisiones sesgada. Sí, la policía debe priorizar, pero usar modelos entrenados con historiales de arrestos y patrullaje simplemente automatiza decisiones de aplicación de la ley del pasado. Esos registros reflejan a quién se vigiló, no quién cometió delitos. Automatizar ese patrón garantiza una asignación sesgada de recursos en lugar de corregirla. Mejores alternativas —despliegue transparente basado en necesidades, participación comunitaria e inversiones en servicios sociales— abordan la escasez sin consagrar la injusticia en el código. 2) La evidencia de una reducción del delito significativa y escalable es mucho más débil y más discutida de lo que sugieres. El ensayo de PredPol en Los Ángeles se ha promocionado como un éxito, pero análisis posteriores muestran que los efectos fueron limitados, de corta duración y sensibles a la forma en que se midieron los resultados. Muchos despliegues informan desplazamiento del delito, cambios en el comportamiento de denuncia o reducciones del delito registrado que se derivan de una mayor vigilancia más que de disminuciones reales en la victimización. Pequeños efectos disuasorios localizados no justifican sistemas amplios que generan daños generalizados a las libertades civiles. 3) La “objetividad” es una afirmación engañosa. Los algoritmos son tan neutrales como sus entradas y decisiones de diseño. Las entradas clave —registros de arrestos, llamadas al 911, informes de detenciones— están moldeadas por las prácticas policiales y la confianza comunitaria. Diseñar “restricciones de equidad” a menudo requiere decisiones políticas sobre qué daños priorizar y puede introducir nuevas compensaciones (por ejemplo, reducir falsos positivos para un grupo puede aumentarlos para otro). Muchos productos predictivos son propietarios y opacos, lo que impide una auditoría independiente. La objetividad requiere transparencia y posibilidad de impugnación; la mayoría de los sistemas actuales carecen de ambas. 4) La idea de que las comunidades que “más se benefician” de la policía predictiva son las mismas comunidades a las que se dirige ignora la realidad vivida. Los barrios con alta presencia policial con frecuencia son objeto de una vigilancia excesiva, y sus residentes sufren más detenciones, registros y antecedentes penales por infracciones que personas similares en otros lugares evitan. Ese patrón perjudica el empleo, la educación y la participación cívica, resultados que aumentan la vulnerabilidad y la desconfianza a largo plazo. La seguridad pública no se fortalece criminalizando la pobreza y la marginación. 5) Los bucles de retroalimentación y la legitimación de prácticas sesgadas son inherentes, no hipotéticos. Cuando un sistema señala un barrio, aumenta la presencia policial, produciendo más incidentes registrados y arrestos que luego el algoritmo trata como evidencia de mayor riesgo. Ese ciclo afianza las disparidades y es difícil de romper, porque los mismos datos que usarías para corregir el sistema están corrompidos por la actividad policial. Prometer “arreglar los datos” es circular si la policía es quien genera los datos. 6) La privacidad, el debido proceso y la confianza comunitaria son costos concretos y medibles. Los sistemas predictivos a menudo amplían la vigilancia (ubicación de cámaras, detenciones, aplicación dirigida de la ley) y etiquetan a personas y lugares con puntuaciones de riesgo opacas que carecen de mecanismos de impugnación. Erosionar la confianza reduce la cooperación con la policía y socava la seguridad pública a largo plazo, lo cual es contraproducente para el objetivo declarado de estos sistemas. 7) Existen alternativas prácticas y más seguras. Redirige fondos hacia la prevención de la violencia dirigida por la comunidad, vivienda, servicios de salud mental y de consumo de sustancias, intervenciones basadas en evidencia y analítica transparente que informe la política pública (no la focalización automatizada). Cuando la analítica informe la labor policial, exige modelos de código abierto, conjuntos de datos públicos, auditorías independientes, evaluaciones de impacto y límites estrictos al uso con fines de aplicación de la ley. En resumen: la policía predictiva ofrece una ilusión de neutralidad científica mientras consolida la injusticia histórica. Tus propuestas de ajustar modelos, excluir ciertas entradas o añadir restricciones de equidad son insuficientes para superar los problemas estructurales de generación sesgada de datos, bucles de retroalimentación y prácticas opacas de los proveedores. El curso responsable es detener o restringir estrictamente la policía predictiva, exigir plena transparencia y evaluación independiente antes de cualquier uso operativo, y priorizar inversiones que aborden las causas profundas del delito en lugar de automatizar el castigo.

Permítanme concluir resumiendo por qué el caso de la policía predictiva responsable se mantiene, y por qué los argumentos de mi oponente, si bien plantean preocupaciones legítimas, finalmente no justifican el abandono de esta herramienta. A lo largo de este debate, mi oponente ha recurrido a una estrategia retórica consistente: tomar la peor implementación posible de la policía predictiva, tratarla como la única implementación posible y luego abogar por su abolición. Pero así no es como evaluamos ninguna tecnología o política. No abandonamos los diagnósticos médicos porque algunos algoritmos hayan mostrado sesgos raciales; los arreglamos. No abandonamos la predicción meteorológica porque los primeros modelos fueran inexactos; los mejoramos. La pregunta nunca ha sido si la policía predictiva es perfecta hoy. La pregunta es si representa un marco más mejorable, más transparente y más responsable que la alternativa: la discreción humana sin control. Sobre esa cuestión, la evidencia es clara. Primero, mi oponente nunca refutó con éxito el punto central de que toda la policía implica predicción. Cada asignación de patrulla, cada decisión de asignación de recursos es una predicción. La elección no es entre predicción y no predicción; es entre predicción sistemática y auditable y juicio individual opaco. La alternativa preferida de mi oponente —"participación comunitaria" y "despliegue basado en necesidades"— todavía requiere que alguien decida a dónde van los oficiales. Sin herramientas basadas en datos, esas decisiones recaen en los mismos sesgos humanos que mi oponente afirma oponerse. Segundo, mi oponente invocó repetidamente el problema del bucle de retroalimentación, pero nunca abordó adecuadamente la solución que presenté: usar datos de delitos reportados por víctimas en lugar de datos de arrestos. Esta no es una solución hipotética; ya es una práctica estándar en las implementaciones líderes. Los informes de víctimas de llamadas al 911 reflejan dónde ocurre realmente el delito tal como lo experimentan los residentes, no dónde la policía elige patrullar. La respuesta de mi oponente fue afirmar que incluso las llamadas al 911 están moldeadas por las prácticas policiales, pero esto extiende el argumento hasta el punto de la infalsabilidad. Si ninguna fuente de datos es lo suficientemente limpia, entonces mi oponente no está argumentando en contra de la policía predictiva; está argumentando en contra de la posibilidad de conocimiento empírico sobre el delito, lo cual es una posición insostenible para cualquiera que también quiera alternativas "basadas en evidencia". Tercero, en cuanto a la efectividad, mi oponente caracterizó la evidencia como débil y controvertida. Pero la evidencia controvertida no es evidencia ausente. El ensayo controlado aleatorio de Los Ángeles mostró reducciones del delito en puntos calientes predichos por algoritmos sin aumentos en los arrestos, un hallazgo que mi oponente desestimó pero nunca refutó con evidencia contraria de igual rigor. Mi oponente señaló efectos de desplazamiento y preocupaciones de medición, pero estos son desafíos estándar en cualquier evaluación criminológica, no descalificaciones únicas de la policía predictiva. Si aplicáramos el estándar de evidencia de mi oponente de manera consistente, también tendríamos que abandonar los programas de intervención de violencia comunitaria, las iniciativas de justicia restaurativa y la mayoría de los programas de servicios sociales, todos los cuales tienen bases de evidencia igualmente mixtas. Cuarto, mi oponente presentó una falsa elección entre la policía predictiva y la inversión en las causas fundamentales: servicios sociales, vivienda, educación, salud mental. He dicho repetidamente que estas son estrategias complementarias, no competidoras. Las comunidades que enfrentan violencia hoy necesitan tanto inversión estructural a largo plazo como policía inmediata y efectiva. Mi oponente nunca explicó cómo se beneficia una familia en un vecindario de altos índices de criminalidad al retirar las herramientas de asignación de recursos más efectivas disponibles para su departamento de policía local mientras espera años o décadas a que las inversiones iniciales den frutos. Quinto, en cuanto a la transparencia y la rendición de cuentas, mi oponente y yo estamos de acuerdo en el objetivo: cualquier sistema predictivo debe estar abierto a auditoría, sujeto a evaluación independiente, limitado por requisitos de equidad y regido por supervisión comunitaria. Pero aquí está el punto crítico que mi oponente nunca abordó: los sistemas algorítmicos son especialmente adecuados para este tipo de supervisión precisamente porque son formales, explícitos y reproducibles. Se puede auditar un algoritmo. Se puede probar para detectar impactos dispares. Se puede exigir que cumpla con umbrales de equidad específicos. No se puede hacer nada de esto con las corazonadas de un sargento de patrulla individual que decide a dónde enviar a los oficiales esta noche. Mi oponente exige rendición de cuentas pero rechaza la herramienta misma que hace que la rendición de cuentas sea más alcanzable. Finalmente, la posición de mi oponente, llevada a su conclusión lógica, es auto-derrotante. Si detenemos la policía predictiva, los departamentos de policía no dejan de hacer predicciones; simplemente las hacen de manera menos transparente, menos consistente y con menos rendición de cuentas. Las comunidades que mi oponente busca proteger terminan con menos supervisión de las decisiones policiales, no más. Eso no es justicia. Es ceguera voluntaria disfrazada de principio. El camino responsable a seguir no es la abolición sino la reforma: algoritmos transparentes construidos sobre datos reportados por víctimas, auditorías independientes de sesgos, protocolos estrictos que rigen cómo las predicciones se traducen en acciones policiales, supervisión comunitaria significativa y evaluación continua. Este enfoque aprovecha los beneficios genuinos de la asignación de recursos basada en datos al tiempo que aborda las preocupaciones legítimas sobre sesgos y libertades civiles. Mi oponente ofreció pasión y principio, pero ninguna alternativa viable que proteja a las comunidades que enfrentan violencia hoy. La policía predictiva, implementada de manera responsable, hace ambas cosas: promueve la seguridad y la rendición de cuentas simultáneamente. Es por eso que merece un desarrollo continuo, no el abandono.

Cierre: La policía predictiva no es una solución técnica neutral, sino un sistema que codifica la injusticia histórica y la amplifica bajo el pretexto de la eficiencia. Mi oponente nos pide que confiemos en los algoritmos porque prometen objetividad, auditorías y datos de entrada reportados por las víctimas; sin embargo, ninguna de esas salvaguardas elimina el problema fundamental: los datos en los que se basan estos sistemas son producidos por prácticas policiales sesgadas, y los resultados algorítmicos retroalimentan a la misma policía que generó el sesgo. Ese bucle de retroalimentación no es un caso extremo hipotético; concentra predeciblemente la vigilancia, las detenciones y los arrestos en comunidades ya sobrerrepresentadas por la policía, produciendo daños medibles —antecedentes penales, pérdida de empleos, vidas interrumpidas— que degradan la seguridad pública en lugar de mejorarla. Las afirmaciones de reducción probada de la delincuencia se basan en pruebas escasas y controvertidas. Las pequeñas reducciones a corto plazo en incidentes registrados pueden reflejar desplazamientos, cambios en la notificación o una mayor detección, en lugar de verdaderas disminuciones en la victimización. Las herramientas propietarias sin auditoría independiente imposibilitan verificar los beneficios supuestos o cuantificar los daños. Las soluciones de ingeniería prometidas —excluir ciertos datos de entrada, añadir restricciones de equidad o centrarse en los informes de las víctimas— suelen ser políticamente controvertidas, técnicamente limitadas y circulares cuando la propia policía genera los datos que utilizaríamos para “corregir” el modelo. Más allá de la crítica estadística, hay valores cívicos fundamentales en juego: el debido proceso, la transparencia y la confianza comunitaria. Las puntuaciones de riesgo opacas y la selección automatizada socavan las protecciones de sospecha individualizada y no ofrecen una vía viable de apelación. La erosión de la confianza reduce la cooperación con las fuerzas del orden y debilita la seguridad pública a largo plazo, exactamente lo contrario de lo que prometen los defensores. No abogamos por la inacción. Las comunidades necesitan tanto respuestas inmediatas y efectivas a la violencia como inversiones a largo plazo que aborden las causas fundamentales: vivienda, servicios de salud mental y tratamiento de adicciones, educación, empleo y prevención de la violencia liderada por la comunidad. Donde se utilicen análisis, deben ser de código abierto, auditables públicamente, estrictamente limitados a usos de planificación no policiales y desplegados solo después de evaluaciones de impacto independientes. En ausencia de esos límites estrictos, la opción predeterminada debería ser detener —no expandir—. Mi oponente enmarcó la policía predictiva como una herramienta reformable; la realidad es que su mecánica central la hace singularmente propensa a reproducir el sesgo estructural y a infligir daños concentrados en personas marginadas. La conclusión prudente, justa y basada en evidencia es detener o restringir severamente la policía predictiva operativa, exigir total transparencia y evaluación independiente antes de cualquier uso, y redirigir los recursos hacia estrategias de seguridad pública probadas y equitativas que no automaticen la discriminación.