Cinco pibes armaron en 33 horas un sistema con IA para la basura: qué tiene que pasar para que llegue a tu barrio

Cinco estudiantes de cuatro universidades argentinas que no se conocían entre sí se encerraron a trabajar durante 33 horas corridas y salieron con un sistema que usa datos e inteligencia artificial para que los camiones de la basura no pasen de más ni de menos. El proyecto se llama GIRAR y ganó el desafío ambiental del FIUBATON 2026, el hackathon que se hizo en la Facultad de Ingeniería de la UBA.

Los creadores ya presentaron un prototipo interactivo. Ahora quieren sentarse con una empresa de recolección para probarlo en las calles de la Ciudad de Buenos Aires y ver cómo responde con la basura real, la de todos los días.

Quiénes están detrás de GIRAR

El equipo lo integran Enrique Ramón Cardozo y Joaquín Gatica, de Ingeniería Química en la UBA; Stéfano Cavallo, de Negocios Digitales en la Universidad de San Andrés; Luca Maffi, de Administración en la UADE; y Luca Gerschel, de Administración en la Universidad Católica Argentina. Tienen entre 20 y 23 años y se conocieron al arrancar la competencia. Para cuatro de ellos era su primer hackathon.

“Elegimos este desafío porque vivimos en esta ciudad y nos encanta cuidarla. Y vimos una gran oportunidad en desarrollar una solución para que la recolección sea más eficiente, pensando tanto en los vecinos como en los turistas”, le contó Cavallo a TN Tecno.

Cómo pretende ordenar los recorridos

El problema que atacaron es conocido por cualquiera que haya visto un contenedor desbordado: los camiones cumplen rutas fijas, pero la basura que genera cada barrio cambia todo el tiempo. Una lluvia, un recital, la actividad gastronómica o simplemente el movimiento de gente pueden hacer que algunos puntos se llenen mucho antes de lo previsto.

GIRAR —Gestión Inteligente y Responsable del Ambiente y los Residuos— toma información pública sobre dónde están los contenedores, por dónde pasan los camiones y otras variables de la ciudad para estimar dónde se va a acumular más basura. Con esas estimaciones calcula recorridos más eficientes, para que los vehículos lleguen primero a los lugares que más lo necesitan.

El diseño tiene dos patas conectadas entre sí. Por un lado, un centro de control para los operadores del servicio, con mapas de calor, alertas por posibles desbordes y rutas sugeridas para cada camión. Por el otro, una herramienta para las cuadrillas en la calle: los operarios reciben su recorrido y en cada punto contestan tres preguntas para confirmar si la realidad coincide con lo que el sistema había previsto.

Ese ida y vuelta es clave, porque permite actualizar los datos y ajustar las decisiones siguientes. De hecho, sumar los reportes de los recolectores fue uno de los mayores desafíos del desarrollo. Al principio pensaban trabajar solo con registros históricos, hasta que entendieron que necesitaban información fresca para responder a los cambios de todos los días.

Los mentores de Lovelytics, la empresa de datos e inteligencia artificial que propuso el desafío ambiental, los ayudaron a destrabar esa dificultad. Así rescataron una idea que habían descartado y la convirtieron en el sistema de reportes de los operarios.

Qué herramientas usaron para construirlo

Para armar el prototipo usaron Python y asistentes de inteligencia artificial como Gemini y GitHub Copilot, que los ayudaron a escribir código y resolver problemas de programación. También trabajaron con Pydeck para las visualizaciones geográficas y Streamlit para la interfaz, y recurrieron a la IA para procesar y ordenar datos que les llegaron en planillas de Excel.

El resultado es un simulador visual interactivo que muestra cómo se conectarían el centro de control logístico y los reportes de los trabajadores. La incorporación de modelos de aprendizaje automático para anticipar la demanda con información dinámica queda para la etapa de implementación, cuando la plataforma pueda alimentarse con datos actualizados y probarse en condiciones reales.

De una hoja de papel a un proyecto ganador

Antes de llegar a GIRAR, el equipo barajó varias alternativas. Arrancaron trabajando 30 minutos cada uno por su cuenta y después pusieron las propuestas sobre la mesa, discutieron ventajas y dificultades y armaron un orden de prioridades para quedarse con la más viable.

“Una de nuestras primeras ideas fue replicar lo que se hace en Barcelona: colocar sensores para medir el peso en los contenedores y el flujo de agua en las bocas de tormenta. Pero enseguida chocamos con la realidad local y nos dimos cuenta de que era inviable. Los costos son prohibitivos, la logística para cubrir toda la ciudad era demasiado compleja y, además, teníamos en contra del diseño mismo de los tacones y varios factores de índole social”, recordó Cavallo.

Gatica sumó otra que tampoco prosperó: “También imaginamos camiones con extensiones que pudieran colocar contenedores adicionales donde hubiera un pico de demanda, pero esa idea la descartamos por sus implicancias técnicas y económicas”.

La que más les costó abandonar fue una aplicación con recompensas. “La que más nos costó soltar era una aplicación donde los porteños ganaban puntos al juntar residuos y demostrarlo con fotos o videos, y los canjeaban por premios en locales adheridos. Llegamos a desarrollar un prototipo simple, pero entendimos que dependíamos al 100% de la motivación de los usuarios, y sin esa motivación no hay aplicación”, explicó Gerschel.

“Ninguna fue fácil de descartar”, confesó Maffi. “Los coordinadores de FIUBA nos ayudaron a relevar los puntos a favor y en contra de cada una, y esos métodos fueron clave para elegir con criterio”.

Cardozo contó qué los terminó de convencer: “Lo que nos llevó a GIRAR fue entender algo importante, no necesitábamos modificar la infraestructura ni depender de los usuarios. Podíamos construir una solución superadora que optimizara los recursos que las concesionarias ya tienen, para mantener la ciudad limpia sin aumentar el gasto en infraestructura”.

Cómo se repartieron el trabajo y cuánto durmieron

Con la propuesta definida, cada uno se hizo cargo de lo suyo. Maffi trabajó en el modelo comercial, Cavallo preparó la presentación para el jurado y Gerschel diseñó la lógica de los recorridos y el circuito de información. Cardozo evaluó la factibilidad técnica y Gatica asumió el desarrollo del prototipo.

Las horas fueron intensas y el descanso quedó para cuando sobraba algo de tiempo. “Comenzamos a las 13.00 y nos quedamos trabajando hasta las seis de la mañana del otro día. Tratábamos de dormir cuando teníamos un rato. Incluso, a la noche, Enrique se durmió sentado”, recordaron entre todos.

“Lo que más destaco es el trabajo interdisciplinario. Desde la ingeniería buscábamos que la solución fuera técnicamente posible, y los chicos de negocios aportaron cómo hacerla viable y cómo comunicarla. Las 33 horas te obligan a ponerte de acuerdo y a enfocarte en una solución que realmente se necesite”, destacó Gatica.

El próximo paso: probarlo en la calle

Terminado el hackathon, los cinco quieren seguir con GIRAR. La meta inmediata es conseguir el respaldo de una concesionaria del servicio de higiene urbana y hacer una prueba piloto en un sector de la Ciudad para medir cómo responde la herramienta frente a las necesidades reales de recolección.

“Nuestro principal desafío es llegar a los clientes, que son el gobierno o las empresas concesionarias. Necesitamos un buen contacto y un poco de impacto para aparecer en el mapa”, explicó Maffi.

Durante la competencia, Patricio Moreno, presidente de Lovelytics LATAM e integrante del jurado, los alentó a continuar el proyecto más allá del ámbito universitario. El equipo también cree que la herramienta puede adaptarse a otras ciudades argentinas con problemas de gestión de residuos.

“GIRAR es escalable y no tiene por qué quedarse en Buenos Aires. Se puede llevar a cualquier ciudad, desde Mar del Plata hasta Bariloche o San Miguel de Tucumán”, concluyó Gerschel.

Por ahora, GIRAR es un prototipo que todavía necesita validación en condiciones reales. La apuesta de sus creadores es demostrar que, con información sobre lo que pasa en las calles y herramientas de inteligencia artificial, se puede planificar mejor la recolección sin grandes inversiones en infraestructura.