Tres senderistas fueron rescatados esta semana en Mount Shasta, California, después de planificar parte de su ruta con Google Gemini. Según TechCrunch, que cita a la oficina del sheriff del condado de Siskiyou y a medios locales, los excursionistas iniciaron la marcha de madrugada, alcanzaron la cima mucho más tarde de lo recomendable y terminaron descendiendo de noche. Pasaron la noche en Mud Creek Canyon y fueron rescatados al día siguiente por personal del Forest Service y voluntarios.
El detalle que convierte el incidente en noticia tecnológica es la recomendación de preparación. La oficina del sheriff señaló que Gemini les habría aconsejado llevar menos comida y agua de la necesaria para un ascenso que acabó convirtiéndose en una experiencia de varios días. No está claro que el chatbot explique todas las malas decisiones del grupo. Sí muestra, sin embargo, el riesgo de trasladar una respuesta generativa a un entorno donde el error tiene consecuencias físicas.
La IA funciona con una apariencia de seguridad que puede resultar peligrosa cuando el usuario no sabe contrastar la recomendación con una fuente experta. En una pantalla, una respuesta clara se percibe como una instrucción. En una montaña, una instrucción incompleta puede significar frío, deshidratación o una llamada de emergencia.
Google y otros proveedores repiten que sus asistentes pueden cometer errores y que no deben sustituir asesoramiento profesional. El problema es que el diseño de estos productos invita precisamente a delegar. El usuario pregunta de forma natural, recibe un plan ordenado y puede no ver la incertidumbre detrás de la respuesta. En viajes, salud, finanzas o seguridad laboral, esa brecha entre fluidez y fiabilidad se vuelve crítica.
El caso de Mount Shasta también apunta a un problema de contexto local. Una ruta no se evalúa solo por distancia o desnivel. Importan el estado de nieve, la hora de salida, la experiencia del grupo, la previsión meteorológica, la disponibilidad de agua y las recomendaciones actualizadas de guardas o autoridades. Un modelo puede recuperar parte de esa información, pero no siempre distingue entre orientación general y condiciones concretas del día.
Para las empresas que incorporan asistentes de IA, el aprendizaje va más allá del senderismo: cada recomendación operativa debe tener límites, fuentes de autoridad y momentos de escalado humano. Un chatbot de soporte técnico, por ejemplo, no debería improvisar instrucciones sobre una instalación industrial sin comprobar versión, permisos y riesgos. La misma lógica aplica a seguros, logística o atención sanitaria.
La regulación puede avanzar por dos caminos. Uno es exigir avisos más claros en categorías de alto riesgo. Otro, más útil, es obligar a diseñar flujos donde el asistente identifique cuándo no tiene información suficiente y derive a una fuente especializada. En el caso de una ruta de montaña, eso significa recomendar contacto con el ranger station o la autoridad local antes de salir.
El episodio no invalida el uso de IA para planificar viajes. Puede ayudar a ordenar equipamiento, preparar listas o explicar conceptos básicos. Pero debe quedar en la capa de apoyo, no en la decisión final cuando hay variables cambiantes. La comodidad no compensa la falta de verificación.
La próxima etapa de los asistentes no se medirá solo por cuántas tareas resuelven, sino por cuántas veces saben frenar una respuesta convincente pero insuficiente. Esa capacidad, menos vistosa que una demo, será clave para que la IA gane confianza en usos cotidianos con impacto real.
