Rescatan a tres excursionistas en el monte Shasta tras seguir un plan de comida y agua calculado por Gemini

Por Zendoric · 6 de septiembre de 2026.

Tres hombres jóvenes salieron a las 3:00 de la madrugada para ascender el monte Shasta, en California, con un plan de ruta diseñado con ayuda de Gemini, el chatbot de Google. La norma no escrita de la montaña dice que si no se ha alcanzado la cumbre a mediodía hay que dar la vuelta. Ellos llegaron a las 19:00, siete horas tarde, según recoge TechCrunch citando un informe de la oficina del sheriff del condado de Siskiyou reproducido por el Chicago Tribune. Intentaron bajar de noche, llamaron al propio sheriff pidiendo indicaciones y acabaron pasando la noche a la intemperie en el cañón de Mud Creek, antes de ser rescatados por la mañana por guardabosques del Servicio Forestal y voluntarios.

El dato que convierte esto en algo más que un accidente de montaña habitual es la causa que señala la propia oficina del sheriff: los excursionistas "fueron aconsejados por Gemini para llevar mucha menos comida y agua de la que su grupo necesitaba", especialmente cuando la ascensión prevista de ocho horas se convirtió en una odisea de varios días. El comunicado oficial remata con una advertencia explícita: llamar siempre a la estación de guardabosques local antes de una ruta y "nunca depender únicamente de la IA" para planificar un viaje. TechCrunch, con prudencia, matiza que no está probado que Gemini cargue con toda la responsabilidad del error de cálculo de los propios excursionistas: la decisión de seguir subiendo siete horas después del límite recomendado fue humana.

Como contexto del sector, este no es un fallo exótico de la IA generativa: es su fallo más documentado. Los grandes modelos de lenguaje no consultan una base de datos verificada de raciones de supervivencia o de condiciones del terreno en el monte Shasta; generan la respuesta estadísticamente más plausible a partir de patrones de texto, y la presentan con el mismo tono de autoridad tanto si el dato es sólido como si es una estimación genérica mal calibrada para el caso concreto. Es el mismo mecanismo detrás de las citas legales inventadas que han sancionado abogados en distintos países o de los consejos médicos genéricos que ignoran matices clínicos: el chatbot no sabe que no sabe, y no tiene forma de comunicarlo cuando el usuario le pide una cifra.

Nuestra lectura es que el problema aquí no es la inteligencia del modelo, sino su falta de anclaje (lo que en la industria se llama "grounding": conectar la respuesta a fuentes verificadas y actualizadas, en vez de generarla solo desde el patrón de lenguaje) para decisiones donde el error tiene consecuencias físicas irreversibles. Un asistente agéntico bien diseñado para este caso de uso no debería "opinar" sobre raciones de comida a partir de texto genérico de internet: debería consultar guías oficiales del Servicio Forestal, datos meteorológicos en tiempo real y perfiles de elevación reales, y avisar activamente cuando la petición del usuario cae fuera de su margen de certeza. Ese salto —de chatbot conversacional a herramienta conectada a fuentes autorizadas y consciente de sus límites— es exactamente la frontera en la que están trabajando ahora mismo Google, OpenAI y Anthropic con sus productos agénticos, y probablemente convierta este tipo de sucesos en algo cada vez más raro.

Mientras tanto, el caso funciona como recordatorio barato de una lección cara: la IA generativa de propósito general es un extraordinario compañero de brainstorming y un pésimo sustituto de un ranger con experiencia real en la montaña. La abundancia que promete la IA a largo plazo —más información, más capacidad de planificación, más acceso a conocimiento experto para cualquiera— solo se cumple si el diseño de los productos deja claro, con la misma contundencia que el sheriff de Siskiyou, dónde termina el consejo útil y dónde empieza la conjetura elocuente.