Cinco estudiantes universitarios sin experiencia previa en hackathons desarrollaron en 33 horas un prototipo funcional de software basado en inteligencia artificial para optimizar la recolección de residuos urbanos en la Ciudad de Buenos Aires. El sistema, denominado GIRAR (Gestión Inteligente y Responsable del Ambiente y los Residuos), genera rutas dinámicas de recolección ajustadas a variables como el día de la semana, condiciones climáticas, eventos masivos y densidad gastronómica por barrio, en lugar de seguir recorridos fijos.

El contexto que motivó el proyecto revela una brecha operativa concreta: Buenos Aires genera aproximadamente 7,000 toneladas de residuos diarios distribuidos en más de 35,000 contenedores a lo largo de 15 comunas. En 2025, las quejas por residuos acumulados fuera de contenedores aumentaron de 19,427 a 141,784, un incremento del 630% dentro de un total de 492,275 interacciones registradas en materia de higiene urbana, según datos abiertos del gobierno porteño. Ese crecimiento exponencial de incidencias evidencia que los modelos de planificación estática no escalan ante la variabilidad real de la demanda.

Arquitectura del sistema

GIRAR opera con dos módulos diferenciados. El primero está orientado a operadores del servicio: ofrece mapas de calor, rutas predictivas y alertas de desborde en zonas de alta actividad. Con una sola acción, el sistema calcula el recorrido más eficiente para cada unidad. El segundo módulo funciona en campo: las cuadrillas reciben su recorrido asignado y registran observaciones en cada parada mediante tres preguntas estructuradas, datos que se retroalimentan al modelo para mejorar su precisión de forma continua.

Desarrollado en Python, el prototipo está diseñado para incorporar modelos de aprendizaje automático a medida que se acumule información operativa real. La arquitectura contempla desde su origen la integración de datos públicos —recorridos de recolección, ubicación de contenedores, oferta gastronómica y variables climáticas— como insumo base para el motor predictivo.

Interdisciplinariedad como ventaja de diseño

El equipo combinó perfiles de Ingeniería Química, Negocios Digitales y Administración de Empresas, provenientes de cuatro universidades distintas. Sus integrantes no se conocían antes del evento. Esa diversidad de formaciones influyó directamente en la arquitectura del producto: el módulo de campo, por ejemplo, responde a una lógica de gestión operativa tanto como a un requerimiento técnico de retroalimentación de datos.

"Lo que más destaco es el trabajo interdisciplinario", señaló uno de los participantes al concluir el evento. La propuesta obtuvo el primer lugar en el FIUBATON, hackathon de ingeniería que en su edición más reciente convocó a 400 inscritos, seleccionó a 150 participantes de 15 universidades y organizó 30 equipos en torno a cinco desafíos simultáneos en 33 horas.

El caso ilustra una tendencia creciente en el desarrollo de soluciones de infraestructura urbana: la combinación de datos abiertos, modelos predictivos livianos y retroalimentación en campo puede producir prototipos funcionales con tiempos de desarrollo radicalmente más cortos que los ciclos tradicionales de contratación pública o desarrollo corporativo. La pregunta que queda abierta es si ese tipo de velocidad puede replicarse en entornos de implementación real, donde la integración con sistemas legados y los procesos de validación institucional suelen ser el principal cuello de botella.