Denoise: IA chilena predice riesgo algal a 30 días

Denoise: ciencia de datos aplicada al mar del sur de Chile

900 toneladas de salmón muertas en dos centros de cultivo en Magallanes. Ese es el tamaño del problema que una startup de la Región de Los Lagos intenta anticipar con datos satelitales, modelos oceanográficos e inteligencia artificial. No es un ejercicio académico: en una industria donde un evento de mortalidad se lleva por delante meses de producción, ganar semanas de aviso cambia por completo la ecuación financiera de una operación.

Denoise participó en la Cross-Industry Hackatón 2026, una jornada de diez horas celebrada el 20 de octubre en Puerto Montt que reunió a desarrolladores, startups y equipos técnicos para atacar desafíos de la salmonicultura y otras industrias con analítica predictiva y automatización. Allí presentó su trabajo en torno a Stratos, su sistema de evaluación de riesgo de floraciones algales nocivas (FAN).

¿Qué es Stratos y cómo funciona?

Stratos integra información satelital, ambiental y oceanográfica para estimar dónde y cuándo puede aparecer una floración algal nociva. Según ha informado la propia startup, sus evaluaciones experimentales han mostrado capacidad para identificar zonas de mayor riesgo con hasta 30 días de anticipación.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El sistema se alimenta de fuentes satelitales y de registros oceanográficos provenientes de boyas instaladas en zonas del sur de Chile. Entre las variables que analiza están la radiación solar, el viento, la temperatura, la salinidad y los cambios en las condiciones del océano. El objetivo no es solo predecir: es entender cómo interactúan esos factores para aportar antecedentes que ayuden a evaluar escenarios de riesgo.

La diferencia con un modelo meteorológico tradicional está en la escala. Stratos conecta fenómenos climáticos globales —como El Niño y el modo anular del sur— con condiciones locales. Esos fenómenos pueden relacionarse con períodos de menor precipitación y nubosidad, lo que incide en la acumulación de nieve y en el aporte de agua dulce de los ríos al mar. Ese aporte, a su vez, influye en la estratificación de la columna de agua: capas con distinta salinidad que, al cambiar, alteran la distribución de nutrientes y las condiciones para el desarrollo de microalgas.

El caso Taraba 7 y 8: qué muestran los datos hacia atrás

El ejercicio más concreto que el equipo compartió es un análisis retrospectivo sobre los centros Taraba 7 y 8, en Magallanes, donde se registró un evento de mortalidad que superó las 900 toneladas de salmón.

Al revisar la evolución de las condiciones ambientales durante las semanas previas, Denoise observó un aumento de la clorofila y de la radiación solar, junto con una disminución de los vientos. También identificó variaciones en los niveles de oxígeno que, según explicó el equipo, pueden relacionarse con la actividad de las microalgas.

El valor de este tipo de análisis está en el método, no en la conclusión. El equipo no atribuye el episodio a una única causa: explora cómo se comportaron distintas variables antes del evento y usa ese patrón para calibrar el sistema. Es la lógica del post-mortem aplicada a datos ambientales, y es exactamente lo que un equipo técnico debería hacer antes de prometer predicciones.

¿Por qué la salmonicultura necesita analítica predictiva?

La magnitud del sector explica el interés. Según SalmonChile, la asociación que reúne a las principales empresas productoras y proveedoras, la industria aporta el 2% del PIB chileno y es el segundo sector exportador del país, después de la minería (dato recogido por Mongabay y publicado por Ecoticias).

Ese peso convive con una exposición ambiental difícil de gestionar. En 2021, un evento de "marea café" dejó más de 5.000 toneladas de salmones muertos y amenazó ecosistemas marinos en la Patagonia, según el mismo reporte. Y en 2023, la Superintendencia del Medio Ambiente inició más de 35 procesos sancionatorios a empresas del rubro por sus centros de cultivo en el mar, de acuerdo con cifras de la Fundación Terram citadas en ese artículo.

Para un productor, el riesgo no es solo la pérdida de biomasa. Es la combinación de pérdida directa, presión regulatoria y daño reputacional en un mercado que exporta a decenas de países. Ahí es donde una herramienta que entregue información accionable con semanas de margen deja de ser un experimento y se vuelve infraestructura.

Explicabilidad: la diferencia entre un modelo útil y una caja negra

"Yo diría que la principal diferenciación son nuestros modelos de caja abierta y toda la explicabilidad del ecosistema que modelamos", señaló Manuel Díaz Mancilla, científico de datos y CEO de Denoise.

Esa decisión de diseño importa más de lo que parece. En industrias reguladas, un modelo que solo entrega un número —"riesgo alto"— es difícil de defender ante un cliente, un auditor o una autoridad. Un modelo que muestra qué variables se movieron y en qué dirección permite discutir decisiones: adelantar una cosecha, mover biomasa, ajustar la alimentación, reforzar monitoreo.

El equipo es transparente sobre los límites. Reconoce que predecir una floración algal nociva es complejo por la naturaleza cambiante del ecosistema y por la intermitencia de algunos registros oceanográficos. Por eso el foco no está solo en anticipar el bloom, sino en prepararse.

"Más allá de anticipar un bloom como tal, el principal foco para nosotros es poder prepararnos. Si tenemos la posibilidad de compartir esta información y que se tomen acciones concretas, sería muy valioso", explicó Erica Alan, ingeniera civil en biotecnología y CBO de Denoise.

SalmonHealth y ProtInsight: el portafolio más allá del riesgo algal

Denoise no se limita al riesgo ambiental. Su trabajo se extiende a la visión computacional, la bioinformática y el desarrollo de software.

SalmonHealth es una plataforma que integra análisis visual, modelos predictivos e inteligencia artificial generativa para apoyar la evaluación sanitaria y el seguimiento de peces. Sus desarrollos de visión computacional buscan analizar imágenes y videos, identificar regiones anatómicas de los salmones y estudiar cambios de movimiento y comportamiento: señales tempranas de estrés o enfermedad que un muestreo manual detecta tarde.

El portafolio incluye además ProtInsight, orientado al análisis de proteínas mediante herramientas de bioinformática, junto con soluciones para la optimización de procesos y el análisis de información productiva. La apuesta es transformar datos e imágenes en antecedentes útiles para decidir, tanto en acuicultura como en biotecnología.

¿Qué significa esto para tu startup?

El caso de Denoise deja lecciones aplicables más allá de la acuicultura, sobre todo si vendes software a industrias tradicionales.

Vende explicabilidad, no solo precisión. Si tu modelo toma decisiones que afectan dinero o cumplimiento normativo, el cliente necesita entender el por qué. Un modelo de caja abierta es más fácil de vender, de auditar y de defender internamente ante un comité.
Empieza con un caso retrospectivo. Antes de prometer predicción, reconstruye un evento pasado con tus datos y muestra qué habrías visto. Es la prueba de concepto más barata y convincente que existe para un cliente industrial.
Busca datos que nadie más tiene. Denoise combina fuentes satelitales con boyas oceanográficas del sur de Chile. La ventaja competitiva no está en el algoritmo, está en la combinación de fuentes y en el conocimiento del territorio.
Abre la puerta a la co-creación. El equipo ha comenzado a establecer vínculos con centros de investigación y especialistas, y trabaja con innovación abierta. En sectores donde el conocimiento científico está repartido, asociarse con quien tiene los datos o el expertise es más rápido que contratarlo.

Conclusión

Denoise ilustra algo que se repite en el ecosistema hispanohablante: startups pequeñas, con base regional y equipos técnicos, atacando problemas industriales de alto valor con datos que ya existen pero nadie cruza. El análisis de los centros Taraba 7 y 8 no resuelve el problema de las floraciones algales, pero demuestra una capacidad concreta: convertir variables ambientales dispersas en información que un productor puede usar para prepararse.

Para un founder, la pregunta relevante no es si la IA puede predecir un fenómeno natural complejo. Es si tu producto puede reducir la incertidumbre lo suficiente como para que alguien tome una decisión distinta. Ese es el umbral que separa una demo de un negocio.