Pune usa ChatGPT sobre vídeo de CCTV para cazar a clientes que no pagan: el problema es la etiqueta de «moroso»

Por Urban Acres · 25 de octubre de 2026.

Algunos restaurantes de Pune (India) están usando IA para algo más que la seguridad: comprobar si un cliente ha pagado. Según Punekar News, que habló con propietarios, un local de Parvati Paytha sube grabaciones de su CCTV (circuito cerrado de televisión) a ChatGPT. Quiere identificar a una persona sospechosa de no pagar y generar una imagen más nítida de ese «defaulter» (moroso). Otro propietario dijo que apenas lo ha usado porque sus clientes son honrados, pero que podría servir para saber quién ha pagado en las horas punta.

La evidencia es limitada y conviene dimensionarla. Se basa en testimonios de unos pocos dueños. El artículo, publicado por el think tank Urban Acres a partir de ese reportaje, no indica cuántos negocios lo hacen. Tampoco aporta datos sobre la precisión del método ni dice que la policía o las autoridades municipales lo respalden. Los propios comentarios sugieren que se está explorando, no que sea un sistema de cobro verificado.

Tampoco se sabe qué pasa con las imágenes. El material no aclara cuánto tiempo se conservan, quién accede a ellas ni si se avisa a los clientes. Tampoco aclara si se borran al resolver la disputa ni si alguien señalado como moroso puede rebatirlo. Se menciona la ley india de protección de datos personales (Digital Personal Data Protection Act, 2023) y sus reglas de 2025, pero sin analizar cómo se aplican a este caso. Por eso no se puede decir que la práctica incumpla o cumpla la norma.

Nuestra lectura: lo relevante no es la novedad técnica, sino la rebaja de barreras. Un restaurante no necesita montar una red de vigilancia ni un departamento tecnológico. Le basta con las cámaras que ya tiene y un servicio de IA de uso general. Eso democratiza la herramienta, pero también la lleva a lugares donde nadie ha pensado en la gobernanza. En general, la vigilancia comercial suele crecer así: por experimentos pequeños que se vuelven rutina antes de que existan reglas.

El riesgo central es que una observación incierta se convierta en una etiqueta reputacional. Un restaurante abarrotado produce vistas tapadas, grabaciones incompletas y confusiones. Alguien puede irse mientras otro de su grupo paga, o abonar por vía digital después de levantarse. Una imagen mejorada por IA no es una prueba de impago, y generar una cara «más clara» puede dar una falsa sensación de certeza. Si esa imagen circulara entre el personal o entre locales, una discusión por una cuenta podría convertirse en un registro permanente sobre una persona. El material no dice que eso haya ocurrido en Pune. Pero es el escenario que justifica vigilar la práctica desde ahora.

Hay además un cambio de propósito. Una cámara instalada para disuadir robos pasa a investigar una cuenta sin pagar. Y la diferencia entre ser grabado y ser evaluado por un algoritmo es justo la que el cliente no percibe: la cámara se ve, el análisis con IA no.

Este es un caso pequeño de un patrón de corto plazo que conviene tomar en serio: la IA barata amplía la capacidad de vigilar mucho antes que la capacidad de rendir cuentas. A largo plazo, estas mismas herramientas pueden hacer los servicios más eficientes y justos. Pero solo si se acompañan de lo básico: aviso claro a los clientes, finalidad definida, plazos de conservación, registro de accesos y un modo real de impugnar un error.

Lo que hay que seguir: si más establecimientos adoptan el método, si explican cómo tratan las imágenes y si reguladores o proveedores de IA publican orientaciones para el uso comercial de estas herramientas.