¿Puede la IA ayudar al sector textil de la segunda mano a demostrar su valor?

“Cuando una industria no tiene cifras, las cifras de otros se convierten en pruebas por defecto”. Con esta advertencia, Chris McLellan resume el problema del sector textil de segunda mano: recolectores, clasificadores y exportadores generan cada día albaranes, facturas y declaraciones de exportación, pero esa información sigue dispersa y no se traduce en datos que demuestren su aportación. McLellan abordó este reto en su ponencia “Closing the Data Gap: The Case for Data Collaboration in the Age of AI & EPR”, en la Convención Anual Smart 2026 de Montreal. En una entrevista con FashionUnited, explica cómo la inteligencia artificial (IA) podría ayudar a las empresas independientes a reunir esas pruebas y por qué, para lograrlo, la confianza importa más que la tecnología.

“Si multiplicas eso en toda una industria, la evidencia existe, solo que está dispersa”, ha afirmado. La consecuencia, según argumenta, es un sector cuya contribución económica y medioambiental resulta difícil de presentar de forma convincente cuando los responsables políticos piden cifras.

Según él, la IA podría ayudar a cerrar esa brecha extrayendo información consensuada de los documentos que las empresas ya generan, como albaranes de báscula, facturas, listas de empaque de contenedores y declaraciones de exportación.McLellan propone facilitar el uso colectivo del papeleo existente. Una empresa podría subir un PDF o fotografiar un documento para que una aplicación extraiga detalles concretos como el peso, la calidad, el origen y el destino. El sistema podría estandarizar formatos y convertir unidades, ayudando a que los registros de diferentes operadores sean comparables.

Para demostrar este enfoque, McLellan ha creado un prototipo básico para su presentación en Smart. Con la ayuda de la IA, según ha explicado, le ha llevado menos de una hora y no ha costado prácticamente nada. Esto demuestra un posible punto de partida, más que un sistema de información plenamente operativo para todo el sector.

Se muestra partidario de empezar con un proceso visible en el que las empresas revisen y aprueben la información extraída antes de enviarla. Con el tiempo, unos agentes de IA más autónomos podrían reducir aún más la carga de trabajo, pero su adopción requeriría una mayor confianza en el sistema.

En mayo, la conferencia anual de Textile ETP celebrada esta vez reunió a más de un centenar de profesionales de la industria textil europea en torno a una misma idea: los datos se han convertido en la nueva materia prima estratégica del sector. Bajo el lema share and conquer (compartir para avanzar), los ponentes coincidieron en que solo una industria capaz de intercambiar información de forma estructurada podrá construir un modelo competitivo y sostenible.

La confianza antes que la tecnología

El obstáculo más difícil es persuadir a los competidores para que participen. La información sobre volúmenes, compradores, calidades y precios es comercialmente sensible, y los propietarios de los negocios tienen dudas legítimas sobre quién podría acceder a ella.

“A los propietarios les preocupa, de forma muy razonable, que los datos compartidos puedan ser vistos por la competencia, utilizados en su contra o que simplemente escapen a su control”, ha señalado McLellan.

El enfoque que propone comienza por minimizar la información recopilada, eliminando los datos identificativos en origen y permitiendo a los participantes decidir qué proyectos pueden respaldar con sus datos. Una empresa podría permitir que su información sirva para defender políticas públicas sin aceptar su uso en estudios comparativos del sector.

McLellan ha descrito esto como una “Declaración de Derechos para los Propietarios de Datos”. Los colaboradores también deberían poder retirar su información, argumenta, al tiempo que se reducen al mínimo las copias para que el control siga siendo real. En su opinión, el organizador natural sería una asociación o entidad sin ánimo de lucro, pero la participación debería basarse en una gobernanza clara y no solo en la reputación institucional. Aboga por unos estatutos por escrito, una supervisión independiente y normas que impidan que las grandes empresas dominen el proceso.

Esta lógica conecta con los espacios de datos europeos que Dena Arabsolgar, de Syxis Innovation Hub, presentó en Ámsterdam, una arquitectura en la que cada organización conserva sus propios sistemas y bases de información, mientras una red de conectores permite el intercambio seguro y gobernado sin concentrar los datos en un único lugar. La clave, según explicó, está en compartir la información correcta, al nivel de complejidad correcto y en un entorno controlado. La Comisión Europea destinó 336 millones de euros al despliegue de estos espacios entre 2021 y 2024, con otros 100 millones previstos para fases posteriores.

McLellan observa una urgencia especial en torno a la responsabilidad ampliada del productor (RAP, o EPR por sus siglas en inglés) y las decisiones que afectan a las exportaciones textiles. Su argumento es que las empresas necesitan pruebas de sus actividades si quieren que estas se reflejen adecuadamente en los debates sobre políticas y financiación.

“Quién recibe el dinero de los programas de RAP es una cuestión económica. Si los mercados de exportación permanecen abiertos es una cuestión de demanda”, ha declarado. “El destino del dinero para infraestructuras depende de los volúmenes que la gente crea que existen”.

La colaboración en materia de datos no resolvería las presiones comerciales subyacentes del sector. McLellan reconoce los costes de envío, las limitaciones de infraestructura, la contaminación y la demanda del mercado como barreras sustanciales. “Los datos por sí solos no clasifican ni una sola bala de ropa”, ha dicho. Su propósito es fortalecer la participación de la industria en las decisiones sobre esos problemas.

La IA también necesita supervisión

El uso de la IA para generar pruebas de cara a la regulación conlleva riesgos. McLellan advierte de que los sistemas pueden interpretar mal los documentos, confundir unidades o inventar información que falta. Un error repetido en varios envíos podría socavar la confianza en todo el conjunto de datos.

Por ello, pide que cada entrada de datos pueda rastrearse hasta un documento original en poder de la empresa colaboradora. La aprobación humana antes del envío y los controles para detectar anomalías proporcionarían garantías adicionales.

Sin embargo, existe otro riesgo: dejar al sector mal documentado mientras los sistemas de IA median cada vez más en cómo la gente se informa sobre él. A McLellan le preocupa que estudios limitados adquieran una influencia desproporcionada cuando no se dispone de pruebas más amplias.

“Cuando una industria no tiene cifras, las cifras de otros se convierten en pruebas por defecto”, ha asegurado.

Su propuesta aboga por la visibilidad colectiva sin renunciar al control individual. La IA podría facilitar la recopilación de pruebas, pero las empresas necesitan una razón para contribuir y la seguridad de que hacerlo no las comprometerá.