Las cámaras Flock marcaron por error a un probador de coches como conductor de un vehículo con matrícula robada, lo que terminó con su coche rodeado por varios vehículos policiales y una retención de cerca de una hora. El incidente expone las limitaciones prácticas de los sistemas de lectura automática de matrículas y el riesgo de que errores de datos deriven en intervenciones en la calle.
Qué pasó con las cámaras Flock y el aviso falso
Joel Feder, Director de Contenido y Producto de The Drive, circulaba con un Range Rover de préstamo valorado en 155.000 dólares cuando fue interceptado en el aparcamiento de una tienda. Según su relato, cuatro coches policiales lo rodearon y le comunicaron que su matrícula había sido reportada como robada y que la estaban siguiendo gracias a la app y cámaras de Flock AI.
Tras casi una hora de gestiones, la confusión quedó aclarada: la matrícula de Feder era 34 10 DTM, un diseño no estándar de Nueva Jersey para vehículos de fabricante donde el número 10 aparece en una tipografía más pequeña. La matrícula que constaba como robada era 34 03 DTM. El informe policial, sin embargo, sólo consignó “34 DTM”, y el sistema de Flock —al ignorar el dígito pequeño— marcó como potencialmente robados todos los vehículos que coincidieran con el patrón 34 ## DTM.
El resultado: varias unidades policiales de distintos estados recibieron alertas y rastrearon vehículos con matrículas similares. Feder fue el primero que pudo ser interceptado en el lugar donde dejó el coche. Tras comprobar con Jaguar Land Rover que ni el vehículo ni las placas figuraban como robadas, la detención terminó y se le recomendó volver directamente a casa, por el riesgo de que otras fuerzas policiales sigan recibiendo la misma alerta.
Por qué fallan los lectores y qué implica para la seguridad
Lo ocurrido combina dos fallos complementarios: un error de entrada de datos —la placa equivocada fue reportada en un sistema operativo en otro estado— y las limitaciones del reconocimiento óptico cuando se enfrenta a matrículas no estándar. En la práctica, esto significa que un carácter más pequeño o un diseño inusual puede ser omitido por el OCR, y un informe incompleto en el papeleo policial puede propagar una alerta errónea a través de la red de Flock.
Los sistemas de lectura automática de matrículas (LPR/LAPI) funcionan con modelos de reconocimiento y bases de datos que asocian patrones de caracteres a eventos (robos, requisitorias, etc.). Son útiles para localizar vehículos rápidamente, pero su eficacia depende de la calidad de la imagen, el diseño de la matrícula y, sobre todo, de la limpieza de los datos en las bases de datos.
- Errores de OCR: tipografías pequeñas, suciedad, reflejos o soportes no convencionales causan lecturas parciales.
- Errores humanos en la entrada: una matrícula mal transcrita en un informe policial puede convertirse en una alerta masiva.
- Reglas de correlación débiles: si el sistema asocia sólo parte del patrón (por ejemplo “34 DTM”), amplía la coincidencia y aumenta falsos positivos.
En el caso de Feder, la combinación de esos factores provocó que el sistema marcara como sospechosos vehículos en varios estados. Él mismo dijo que otros coches con una placa similar fueron rastreados en Minnesota, aunque no interceptados.
Esto no es un caso aislado en términos de consecuencias públicas. Flock AI ha enfrentado críticas por la gestión de datos y por abusos por parte de agentes que usaron la plataforma para fines personales, incluidas investigaciones no autorizadas sobre parejas. Diversos informes y reacciones ciudadanas han llevado a cancelaciones del servicio en municipios y a debates sobre controles y transparencia.
Lo que Flock no aclara todavía es cómo evita este tipo de encadenamientos de error. En la práctica, la falta de una verificación humana previa a una intervención con riesgo de confrontación aumenta la probabilidad de incidentes más graves. Según el propio Feder, agentes de una jurisdicción le hubieran parado incluso con armas si se hubiera producido la misma intercepción en otra ciudad.
Las preguntas técnicas y legales son evidentes: ¿debe existir un filtro humano antes de comunicar una ubicación y desplegar unidades? ¿Qué estándares mínimos de precisión y auditoría se exigen a las compañías que venden estas herramientas a fuerzas del orden?
Para conductores y medios esto tiene una implicación clara: los sistemas automatizados facilitan la localización de vehículos, pero no son infalibles. Confiar en una alerta de un LPR sin comprobaciones básicas puede terminar en detenciones innecesarias y riesgos personales.
Desde el punto de vista operativo, las soluciones pasan por mejorar dos frentes. Primero, robustecer los modelos OCR para distinguir elementos tipográficos y plantillas provinciales o estatales. Segundo, introducir procedimientos de validación interna que exijan una comprobación adicional cuando el patrón detectado sea parcial o incierto.
Mientras tanto, el episodio sirve como recordatorio de que la seguridad tecnológica no es sólo precisión algorítmica: es también calidad de datos, formación humana y políticas claras sobre uso y responsabilidad. Si las empresas que proveen cámaras y reconocimiento no abordan esas capas, los sistemas seguirán produciendo falsos positivos con consecuencias reales.
El incidente de Feder terminó sin daños mayores, pero deja una pregunta incómoda: ¿es aceptable que decisiones tácticas —parar y rodear a un conductor— se apoyen en sistemas que, por diseño, pueden cometer errores por una cifra mal transcrita o un dígito en tamaño reducido?
