Idioma / Language: Español · English
Llega el otoño, y con él las cestas, las aplicaciones de visión artificial y una pregunta que los tribunales europeos van a tener que resolver muy pronto: cuando la pantalla dice «comestible» y el hígado dice lo contrario, ¿a quién se le pide cuentas?
Un hombre de Ohio encontró en 2022 un grupo de setas en su propio jardín. Sacó el teléfono, hizo una foto, la aplicación le devolvió un nombre y una etiqueta tranquilizadora, y se las comió. Acabó en urgencias con una intoxicación por Amanita, probablemente Amanita bisporigera, el ángel destructor oriental. Lo que declaró después al Cleveland Plain Dealer resume mejor que cualquier estudio el problema del que trata este artículo: «Creo que si no hubiera tenido el teléfono, no las habría cogido. Sé que no lo habría hecho. No me cabe ninguna duda» (Claypool, 2024).
La escena se repite cada otoño en España, en Francia, en Italia y en cualquier país con tradición micológica. La recolección de setas es una afición masiva, la temporada arranca con las primeras lluvias de septiembre, y en la mochila del aficionado hay ahora una herramienta que hace veinte años no existía: un clasificador de imágenes capaz de proponer una especie en dos segundos a partir de una fotografía tomada con el móvil. Conviene saber qué hay dentro de esa herramienta, cuánto acierta realmente y, sobre todo, cómo se reparte la responsabilidad cuando la cena termina en un trasplante hepático. Esa última pregunta ha dejado de ser teórica: el 9 de diciembre de 2026, dentro de tres meses, entra en aplicación en toda la Unión Europea una directiva que considera el programa informático un producto más a efectos de responsabilidad por daños.
Lo que hay dentro de una aplicación que «ve» setas
Conviene distinguir dos familias de herramientas, porque el régimen técnico y el jurídico no son el mismo.
La primera familia son las herramientas sin aprendizaje automático: claves dicotómicas digitalizadas, atlas fotográficos, bases de datos de especies y aplicaciones de consulta. Funcionan como un libro con buscador: el usuario observa el ejemplar, responde a preguntas sucesivas (color de las láminas, presencia de anillo, forma del pie, reacción al corte) y el programa va estrechando el abanico. Aquí el sistema no decide nada; se limita a ordenar información escrita por micólogos y a exigir del usuario la observación correcta de cada carácter. Un ejemplo hospitalario de esta lógica es MicoApp, desarrollada en Cataluña para urgencias, que no identifica setas a partir de imágenes: parte del cuadro clínico del paciente y del tiempo de latencia para orientar hacia el síndrome tóxico probable, incluidas las intoxicaciones mixtas (Ventura Pedret, Solé Llop, Queraltó Compañó y March-Amengual, 2020).
La segunda familia es la que ha cambiado el paisaje: los clasificadores de imágenes. El cauce de procesamiento es siempre parecido. La fotografía se normaliza a un tamaño fijo y se somete a transformaciones de color y recorte; un extractor de características —una red neuronal convolucional del tipo EfficientNet o ResNet, o cada vez más un transformador de visión como ViT o Swin— la convierte en un vector numérico de varios cientos de dimensiones; y un clasificador final compara ese vector con las miles de clases que aprendió durante el entrenamiento y devuelve una lista ordenada de candidatos con una puntuación asociada.
El tamaño del problema es lo que lo hace difícil. El conjunto de datos de referencia en el ámbito académico, Danish Fungi 2020, reúne 295.938 imágenes de 1.604 especies, todas ellas validadas por expertos (Picek, Šulc, Matas, Heilmann-Clausen, Jeppesen, Læssøe y Frøslev, 2021). Sobre ese material, un transformador de visión alcanza un 80,45 % de acierto y un F1 macro de 0,743, con una reducción del error del 9 % respecto a las redes convolucionales. Cuando al vector de imagen se le añaden metadatos —hábitat, sustrato y mes de la observación—, la exactitud sube 2,95 puntos porcentuales más, lo que equivale a recortar el error otro 15 %. Esa es la mejor cifra disponible en condiciones de laboratorio, con imágenes limpias y etiquetas verificadas.
Hay un tercer modelo, intermedio y bastante más sensato, que merece mención propia. El Atlas de Hongos de Dinamarca (Svampeatlas) incorpora desde 2019 un sistema de reconocimiento llamado FungiVision, pero lo acopla a una comunidad de más de 3.900 voluntarios y a un cuerpo de expertos que valida cada observación antes de darla por buena. Ese acoplamiento de máquina y persona alcanza cerca del 93 % de precisión en las identificaciones aprobadas, muy por encima del 69,28 % que lograba el modelo automático por sí solo en la competición asociada, y multiplicó por cuatro el número de ciudadanos que aportan datos entre 2018 y 2020 (Picek, Šulc, Matas, Heilmann-Clausen, Jeppesen y Lind, 2022). El propio Atlas advierte a sus usuarios de que el reconocimiento automático nunca llega a ser completamente preciso y de que no deben fiarse de la sugerencia si su intención es comerse el hallazgo.
El acierto medido: tres estudios y una lectura incómoda
El trabajo que abrió el debate en la literatura clínica lo firmaron Hodgson, McKenzie, May y Greene, y se publicó en Clinical Toxicology en 2023. El diseño es sencillo y muy pertinente desde el punto de vista forense: se tomaron las fotografías digitales de 78 ejemplares que habían llegado durante dos años al Centro de Información Toxicológica de Victoria (Australia) y al Real Jardín Botánico de Victoria —es decir, ejemplares reales de casos reales, fotografiados por ciudadanos, no material de catálogo— y se sometieron a tres aplicaciones populares: Picture Mushroom, Mushroom Identificator e iNaturalist.
Los resultados fueron los siguientes. Picture Mushroom identificó correctamente el 49 % de los ejemplares; Mushroom Identificator e iNaturalist, el 35 % cada una. Restringiendo el análisis a las especies venenosas, los porcentajes fueron del 44 %, el 30 % y el 40 % respectivamente. Para Amanita phalloides en concreto, la más letal de todas, Mushroom Identificator fue la más certera con un 67 %, seguida de Picture Mushroom con un 60 % y de iNaturalist con un 27 %. Y aquí llega el dato que debería presidir cualquier lectura de esas cifras: hubo tres ocasiones en las que una Amanita phalloides fue identificada como una especie segura, dos por Picture Mushroom y una por iNaturalist. La conclusión de los autores es literal y prudente: estas aplicaciones pueden llegar a ser herramientas útiles para toxicólogos clínicos y para el público, pero hoy no son lo bastante fiables como para descartar por sí solas la exposición a una seta potencialmente venenosa.
El segundo trabajo es mucho más reciente y amplía el foco. Kuznetsov, Xia, Kuznetsov, King y Ljubisavljevic publicaron en febrero de 2026 en npj Science of Food una evaluación de doce herramientas de identificación basadas en imagen —seis aplicaciones móviles y seis servicios web o de escritorio, incluidos Google Lens, Copilot y Yandex— frente a 103 fotografías de cerca de 60 especies de 40 géneros, tomadas a lo largo de quince años en condiciones de campo reales. Tres investigadores independientes puntuaron cada respuesta en una escala de cuatro niveles según si la especie correcta aparecía, y en qué posición.
La conclusión de los autores es tajante: incluso la herramienta con mejor rendimiento falló en cerca del 15 % de los casos, y la peor de todas proporcionó información incorrecta en más del 90 % de las pruebas. Ninguna de las doce ofreció de forma consistente una respuesta única y correcta. El trabajo desgrana además dónde se rompe el sistema, y ese desglose es lo más valioso para un perito: oclusión parcial del ejemplar por la vegetación (un Leccinum aurantiacum semioculto no lo acertó ninguna de las doce herramientas), camuflaje sobre el sustrato, iluminación artificial, ejemplares ya limpios o cocinados, morfologías atípicas, varias especies en el mismo encuadre, y estadios juveniles. Este último punto merece subrayarse: una Amanita muscaria madura, con su sombrero rojo y sus verrugas blancas, la clasificaron correctamente en primera posición diez de las doce herramientas; la misma especie en estadio de botón, solo tres.
El tercer bloque de evidencia procede del mundo de la competición científica. FungiCLEF, organizado dentro de LifeCLEF, lleva desde 2022 midiendo el estado del arte sobre el conjunto danés ampliado con datos de la aplicación CzechFungi. En la edición de 2024, con siete equipos participantes y límites estrictos de capacidad de cálculo para que las soluciones fueran realistas en un teléfono, el mejor resultado en clasificación abierta fue una pérdida de 0,240, es decir, alrededor de un 76 % de aciertos con la obligación añadida de marcar como «desconocida» cualquier especie ausente del entrenamiento (Picek, Šulc y Matas, 2024). Ese matiz, el reconocimiento de conjunto abierto, es determinante: el mundo real contiene miles de especies que el modelo nunca vio, y un clasificador ingenuo siempre devolverá la etiqueta más parecida de su catálogo, por lejana que sea.
Public Citizen, la organización estadounidense de defensa del consumidor, resumió en 2024 la paradoja de fondo en un informe que conviene leer entero. Que estas aplicaciones acierten en torno a la mitad de los ejemplares silvestres resulta notable para cualquier criterio humano; pocos recolectores experimentados identifican a esa velocidad sin consultar bibliografía. Y justo ahí está el peligro: para un principiante que no sabe que debe desconfiar, un acierto de uno de cada dos, entregado siempre con el mismo aplomo, produce una sensación de fiabilidad que la herramienta no merece. Un recolector humano con experiencia matiza, duda en voz alta y sugiere comprobaciones adicionales; una aplicación devuelve un nombre. Peor aún, una aplicación que respondiera con vaguedad o con un «no lo sé» sería percibida por el usuario como defectuosa, cuando sería la respuesta correcta (Claypool, 2024).
El número que importa está en la otra casilla
Aquí conviene detenerse en un punto metodológico que la divulgación suele saltarse y que cualquier informe pericial debería dejar claro desde la primera página: la exactitud media de un clasificador es una métrica inadecuada para este problema.
Piénsese en una matriz de confusión de dos casillas útiles. Un falso positivo consiste en marcar como venenosa una seta comestible; el coste de ese error es una cena que se queda en el bosque. Un falso negativo consiste en marcar como comestible una seta venenosa; el coste de ese error puede ser un trasplante hepático o un funeral. Son errores del mismo signo estadístico y de consecuencias incomparables, de modo que sumarlos en un único porcentaje de acierto destruye la única información relevante.
Los organizadores de FungiCLEF lo formalizaron con una honestidad que merece reconocimiento. En la segunda prueba de la competición, la función de coste asigna 1 punto a confundir una comestible con una venenosa y 100 puntos a confundir una venenosa con una comestible (Picek, Šulc y Matas, 2024). Cien a uno. El mejor equipo de esa prueba alcanzó un coste medio de 0,072 por observación en esa escala, y el equipo ganador de la clasificación general incorporó explícitamente un mecanismo de reordenación por toxicidad que impide proponer una especie comestible cuando existe una probabilidad apreciable de que la muestra sea tóxica. Es exactamente el tipo de diseño que un perito esperaría encontrar en una herramienta destinada al público, y que en la mayoría de las aplicaciones comerciales sencillamente no está.
A esa asimetría se suma un segundo problema, el de la prevalencia. Una herramienta que acierte el 95 % de las veces sigue equivocándose una de cada veinte, y si el usuario la consulta cien veces a lo largo de un otoño, la probabilidad de encontrarse al menos un error grave deja de ser anecdótica. La estadística de una decisión repetida no se parece a la de una decisión única, y el recolector aficionado toma decenas de decisiones cada temporada.
Lo que ninguna cámara puede fotografiar
El techo de estas herramientas no es un problema de potencia de cálculo ni de tamaño del conjunto de entrenamiento. Es un problema de información disponible en el soporte. Buena parte de los caracteres que un micólogo utiliza para llegar a la especie no está, ni puede estar, en una fotografía del sombrero.
La esporada —depositar el sombrero sobre papel durante varias horas para recoger las esporas y observar su color en masa— es una de las pruebas de campo decisivas, y así la recogen los propios protocolos de investigación de brotes: el informe de los CDC sobre el brote de California de 2025-2026 cita expresamente la identificación por un micólogo y «otras pruebas de campo, por ejemplo esporadas» como método de trabajo (Brandecker et al., 2026). El examen microscópico de esporas, basidios y cistidios exige un microscopio y una preparación. Las reacciones químicas con hidróxido potásico o con reactivo de Melzer revelan caracteres invisibles a simple vista. El olor y, en manos expertas, el sabor, discriminan especies que la vista confunde. El hábitat y el sustrato —bajo qué árbol, sobre qué madera, en qué suelo— son a menudo tan informativos como la morfología, y son justamente los metadatos que, cuando el sistema los incorpora, mejoran su rendimiento casi tres puntos.
Y hay un detalle anatómico que resume el problema entero. En las Amanita mortales, la volva —el resto membranoso del velo universal que envuelve la base del pie— es uno de los caracteres diagnósticos principales. Suele quedar enterrada. Un recolector que corte la seta a ras de suelo, en lugar de extraerla entera, se lleva a casa el ejemplar sin su rasgo más delator, y la fotografía que le hace a continuación carece de la información que habría permitido identificarla. Ninguna red neuronal puede recuperar un dato que no llegó al sensor.
A todo esto se añade el sesgo geográfico y temporal del entrenamiento. Los conjuntos de datos públicos están dominados por observaciones europeas, con Dinamarca sobrerrepresentada por razones históricas, y las especies con poca presencia en el conjunto se reconocen mal o no se reconocen en absoluto. El estudio de 2026 documenta el efecto en ambos sentidos: la aplicación china acertaba con especies orientales que las europeas ignoraban y fallaba con el Boletus edulis; Yandex no reconocía la Craterellus tubaeformis. Un aficionado que use en Galicia una herramienta entrenada mayoritariamente en Norteamérica está haciendo una consulta fuera del dominio de validez del modelo, y ni la aplicación se lo dirá ni él tiene forma de saberlo.
Quién responde por el código
Hasta ahora, el desarrollador de una aplicación de identificación descansaba sobre dos almohadas jurídicas bastante cómodas. La primera, que la normativa europea de responsabilidad por productos defectuosos, la vieja Directiva 85/374/CEE, se refería a bienes muebles corporales, y encajar un programa informático en esa definición exigía acrobacias interpretativas. La segunda, un descargo de responsabilidad en las condiciones de uso: la fórmula habitual advierte de que la identificación es orientativa, de que el usuario asume toda la responsabilidad y de que el titular no responde de intoxicación alguna.
Las dos almohadas se han ahuecado.
La Directiva (UE) 2024/2853, de 23 de octubre de 2024, deroga la de 1985 y define el producto, en su artículo 4.1, como «cualquier bien mueble, aun cuando esté incorporado a otro bien mueble o a un bien inmueble o interconectado con estos», e incluye expresamente «la electricidad, los archivos de fabricación digital, las materias primas y los programas informáticos». El software es, desde esa norma, un producto a todos los efectos de la responsabilidad objetiva. Los Estados miembros deben haberla transpuesto a más tardar el 9 de diciembre de 2026, y se aplica a los productos introducidos en el mercado o puestos en servicio después de esa fecha.
El resto del articulado está escrito, con evidente intención, pensando en sistemas que aprenden. El artículo 7 considera defectuoso el producto que «no ofrezca la seguridad que una persona tiene derecho a esperar», y entre las circunstancias a valorar enumera la presentación, el etiquetado y las instrucciones, el uso razonablemente previsible, los requisitos de seguridad pertinentes, las necesidades del grupo de usuarios al que se destina y —esto es lo llamativo— «la capacidad de aprendizaje o nuevas características tras la introducción en el mercado». Un clasificador que se reentrena con las fotografías que le envían los usuarios queda cubierto por esa previsión.
La exoneración por riesgo de desarrollo del artículo 11.e), que permite al fabricante librarse cuando el estado de los conocimientos científicos y técnicos no permitía detectar el defecto, viene además recortada por su apartado 2: no hay exoneración cuando el carácter defectuoso se deba a un servicio conexo, a los programas informáticos y sus actualizaciones, a la falta de actualizaciones necesarias para mantener la seguridad, o a una modificación sustancial, siempre que esos elementos estén bajo control del fabricante.
En cuanto a la prueba, el artículo 10 mantiene sobre el perjudicado la carga de acreditar el defecto, el daño y el nexo causal, pero introduce presunciones que alteran el equilibrio de fuerzas: se presume el defecto si el demandado no exhibe las pruebas que se le requieren, si se acredita el incumplimiento de requisitos obligatorios de seguridad o si se demuestra un mal funcionamiento manifiesto durante un uso razonablemente previsible; y se presume el nexo causal cuando el daño es del tipo normalmente compatible con ese defecto. Hay incluso una presunción específica para los casos en que la complejidad técnica o científica cause al demandante dificultades excesivas de prueba, pensada precisamente para los sistemas algorítmicos opacos.
Los daños resarcibles del artículo 6 incluyen la muerte y las lesiones corporales, con mención expresa de los daños a la salud psicológica médicamente reconocidos. Y el artículo 15 cierra la puerta al descargo de responsabilidad genérico: los Estados miembros deben garantizar que la responsabilidad del operador económico no se limite ni se excluya por una disposición contractual. En el ordenamiento español esa protección ya venía reforzada por el régimen de cláusulas abusivas del texto refundido de la Ley General para la Defensa de los Consumidores y Usuarios, que reputa nulas las que limiten la responsabilidad por daños a la vida o la integridad física.
Conviene ser honesto sobre el alcance de todo esto, porque no equivale a una responsabilidad automática. Un descargo de responsabilidad claro, visible y repetido sigue siendo relevante: forma parte de la «presentación del producto» y de las «instrucciones» que el artículo 7 manda valorar, e influye en lo que un usuario tiene derecho a esperar. La diferencia está en que hoy opera como un elemento más dentro de un juicio de conjunto, lejos de la eficacia de escudo absoluto que se le venía atribuyendo, y en ese juicio pesan igualmente la publicidad, el diseño de la interfaz y la manera en que se presenta el resultado. Una aplicación que anuncie precisión «del 99 %» en la ficha de la tienda de aplicaciones, muestre el nombre de la especie en letra grande con una etiqueta de comestibilidad y esconda la advertencia en la página doce de las condiciones de uso está construyendo, ella misma, la expectativa de seguridad que después incumple.
El Reglamento (UE) 2024/1689 de Inteligencia Artificial añade poco por esta vía, y conviene decirlo sin adornos. Una aplicación de identificación de especies no encaja en ninguna de las categorías de alto riesgo de su anexo III, de modo que queda en el escalón de riesgo mínimo, sujeta apenas a obligaciones de transparencia y a códigos de conducta voluntarios. Public Citizen reclamaba en 2024 justo lo contrario: que los usos de alto riesgo —y distinguir una seta comestible de una tóxica lo es— se sometan a pruebas previas a su comercialización que establezcan tasas de error bien definidas, y que esas tasas se comuniquen al usuario antes de que la utilice. Esa exigencia hoy no existe en el Derecho de la Unión.
Quién responde por la cesta
Del otro lado de la pantalla está la persona que recoge, cocina y sirve. Su situación jurídica cambia por completo según qué haga con el resultado de su paseo, y conviene separar los tres supuestos.
Quien recolecta para sí mismo. El Real Decreto 30/2009, que fija las condiciones sanitarias para la comercialización de setas para uso alimentario, excluye de su ámbito, en el artículo 1.3.a), la producción primaria para uso doméstico privado. Quien recoge y se come lo suyo queda, por tanto, fuera de esa regulación sanitaria. Lo que no queda fuera es la normativa autonómica de recolección, que cambia de un territorio a otro y conviene mirar antes de salir de casa. En Castilla y León, el Decreto 31/2017 separa los montes acotados de los que no lo están: en un acotado, la recolección tiene siempre la consideración de aprovechamiento regulado y exige permiso, y los permisos de orientación recreativa habilitan como máximo para cinco kilogramos diarios (artículos 17.1 y 19.3); fuera de los acotados cabe el aprovechamiento episódico de carácter recreativo sin permiso, con un tope de tres kilogramos y con las trufas expresamente excluidas (artículo 13.5). Otras comunidades regulan de otra manera, y los espacios protegidos tienen sus propias reglas.
Quien recolecta y da de comer a otros. Aquí aparece el Derecho penal. Si una persona recoge setas, las identifica con una aplicación, no realiza ninguna comprobación adicional y se las sirve a su familia o a sus invitados, y alguno de ellos muere, estamos ante un posible homicidio por imprudencia del artículo 142 del Código Penal, castigado con prisión de uno a cuatro años en su modalidad grave y con prisión de tres meses a dieciocho meses o multa en la modalidad menos grave. Si hay lesiones y no muerte, el tipo aplicable es el artículo 152, con idéntica distinción entre imprudencia grave y menos grave. A ello se suma la responsabilidad civil derivada del delito y, en su defecto, la del artículo 1902 del Código Civil.
La cuestión interesante —y hoy abierta— es qué efecto tiene haber consultado la aplicación sobre el juicio de imprudencia. Caben dos lecturas, y ambas se sostienen. Una, exculpatoria: el sujeto no fue indiferente, se molestó en comprobar, empleó el medio que tenía a mano y confió en él de buena fe, lo que apunta a imprudencia menos grave o incluso a caso fortuito. Otra, agravatoria: precisamente porque las advertencias de esas herramientas son explícitas y públicas, y porque cualquier adulto informado sabe que una fotografía no basta para descartar una Amanita, confiar la vida de un tercero a un clasificador de imágenes revela una infracción notable del deber objetivo de cuidado. Mi impresión, que conviene tomar como lo que es, es que la segunda lectura ganará terreno a medida que la evidencia sobre la falibilidad de estas aplicaciones se consolide y se haga notoria: el deber de cuidado se mide por lo que un ciudadano medio diligente debía saber en el momento del hecho, y lo que se debe saber sobre estas herramientas en 2026 ya no es lo que se sabía en 2015.
Quien vende. Aquí el rigor se dispara. El artículo 3.3 del Real Decreto 30/2009 prohíbe la venta y comercialización para consumo humano de todas las especies reconocidas como venenosas o tóxicas y de las sospechosas de serlo; el anexo lista las autorizadas en fresco, las de cultivo, las que exigen tratamiento previo y las prohibidas. El artículo 5 impone al operador asegurar la correcta identificación de las setas y mantener un programa de formación micológica del personal y un sistema de control de lotes por especie con su identificación botánica. Comercializar una especie del listado prohibido es infracción muy grave. Y por encima de todo ello está el artículo 363 del Código Penal, que castiga con prisión de uno a cuatro años, multa e inhabilitación a los productores, distribuidores o comerciantes que pongan en peligro la salud de los consumidores ofreciendo en el mercado productos alimentarios nocivos. Un restaurador que compre setas a un recolector sin trazabilidad, o que las identifique con el móvil, está fuera del marco legal antes incluso de que alguien enferme.
El expediente que se abre cuando ya es tarde
Cuando la identificación falla y el caso llega al hospital o al juzgado, entran en juego dos líneas periciales que hoy conviene tratar juntas.
La primera es la clásica, toxicológico-micológica. En España, el laboratorio del Instituto Nacional de Toxicología y Ciencias Forenses es el centro técnico de referencia en esta materia, y sus líneas de trabajo combinan el análisis macroscópico y microscópico del material, el diagnóstico molecular de la especie mediante el estudio de las regiones ITS-1 e ITS-2 del ADN ribosomal y el análisis de toxinas por cromatografía en capa fina de alta resolución (Illana-Esteban, 2013). Cuando no se han conservado ejemplares —el caso más frecuente, porque nadie guarda restos de una cena que sentó mal—, hay que buscar esporas y restos fúngicos en el contenido gástrico y en las heces, que es donde la especie deja su firma morfológica.
La determinación de amatoxinas tiene sus propias ventanas temporales, y llegar tarde a ellas arruina la prueba. Según la revisión de Ventura y colaboradores (2015), la α-amanitina es detectable en plasma desde los treinta minutos y hasta las 36-48 horas, y en orina desde los noventa o ciento veinte minutos y hasta unos cuatro días; la dosis letal se sitúa en torno a 0,1 mg por kilogramo de peso corporal, una cantidad que un solo ejemplar adulto de Amanita phalloides supera con holgura. El Hospital Clínic de Barcelona, que mantiene el único laboratorio del Estado que determina amatoxinas en orina las veinticuatro horas del día, señalaba en octubre de 2025 que ha analizado más de 450 muestras en los últimos diez años con 50 positivos, aproximadamente uno de cada diez casos sospechosos, y que la determinación dentro de las primeras 72 horas es la que permite confirmar el diagnóstico. En la autopsia, el examen histopatológico revela las alteraciones típicas en hígado y riñón (Illana-Esteban, 2013).
La escala de lo que está en juego la ilustra el episodio más reciente bien documentado. Entre el 18 de noviembre de 2025 y el 17 de marzo de 2026, el norte de California registró 39 intoxicaciones sospechosas por amatoxinas: 32 pacientes se recuperaron, 3 necesitaron trasplante hepático y 4 fallecieron. Es el mayor brote de intoxicación hepatotóxica por setas de la historia de California y el mayor de Estados Unidos en varias décadas, y los pacientes hablaban al menos seis idiomas además del inglés, un detalle nada menor cuando se piensa en quién usa estas aplicaciones y con qué material de apoyo cuenta (Brandecker et al., 2026). Los CDC recuerdan en ese mismo informe que no existe un tratamiento normalizado ni ninguna terapia aprobada por la FDA, y que el dato clínico que debe encender la alarma es el retraso: dolor abdominal, náuseas, vómitos y diarrea que aparecen más de seis horas después de la ingesta.
La segunda línea pericial es la que esta revista lleva tiempo defendiendo: la evidencia digital. El teléfono del recolector es hoy una fuente de prueba de primer orden en cualquier investigación por intoxicación, dolosa o imprudente. Contiene las fotografías con sus metadatos EXIF, con fecha, hora y coordenadas; el historial de consultas a la aplicación, que en muchos sistemas queda además registrado en el servidor del prestador; las búsquedas en internet; y la traza de localización del terminal.
El proceso seguido contra Erin Patterson en Australia por la comida de 2023 mostró hasta dónde llega ese rastro. Según la prueba practicada, un perito en informática forense de la policía de Victoria declaró sobre los datos hallados en los discos de un ordenador intervenido en el domicilio de la acusada, que incluían el acceso al mapa de avistamientos de Amanita phalloides de iNaturalist —la misma plataforma de ciencia ciudadana que participa en los estudios de precisión citados más arriba— y el geoetiquetado de una localización de avistamiento publicada por otro usuario. La acusación sostuvo que los registros de telefonía situaban a la acusada en las localidades de Loch y Outtrim poco después de que se publicaran allí sendos avistamientos, extremo que la defensa combatió cuestionando la precisión de los datos de las antenas. El detalle relevante para este artículo es que una herramienta de identificación colaborativa funcionó, a la vez, como instrumento de la acción y como fuente de prueba de ella. Cualquier perito que trabaje en este terreno debería incluir en su lista de comprobación la aplicación micológica instalada, sus registros locales y la información que el prestador conserva en sus servidores, con las garantías del artículo 588 sexies de la Ley de Enjuiciamiento Criminal cuando la fuente sea el dispositivo del investigado.
Lo que el otoño exige a cada uno
Nada de lo anterior es un alegato contra estas herramientas. Son útiles, han acercado la micología a mucha gente, alimentan proyectos de biodiversidad de enorme valor y, en el modelo danés, han demostrado que el acoplamiento entre un clasificador y una red de expertos humanos rinde mucho más que cualquiera de los dos por separado. El problema aparece cuando una sugerencia estadística se convierte, sin escalón intermedio, en una decisión irreversible sobre lo que alguien se lleva a la boca.
Al desarrollador, el marco que entra en vigor el 9 de diciembre de 2026 le pide algo concreto y perfectamente exigible: medir y publicar la tasa de error de su sistema, desglosada para las especies tóxicas; diseñar la interfaz para que la incertidumbre se vea antes que el nombre; incorporar la reordenación por toxicidad que las competiciones científicas ya practican; declarar el ámbito geográfico de validez del modelo; y dejar de presentar como servicio de comestibilidad lo que es un ejercicio de reconocimiento de patrones.
Al recolector le pide una regla que no ha cambiado en trescientos años y que ninguna aplicación deroga: la seta se extrae entera, se consulta con quien sabe, y la duda se resuelve dejándola en el bosque. Y una advertencia adicional, mucho más reciente: quien sirve a otros lo que ha identificado con el móvil está asumiendo, además del riesgo sanitario, un riesgo penal que muy probablemente no ha calculado.
La Amanita phalloides no ha cambiado de aspecto en los últimos cinco años. Lo que ha cambiado es la confianza con que se la mira.
The Pocket Mycologist: What Mushroom Identification Software Actually Gets Right, and Who Answers When It Gets It Wrong
Autumn is here, and with it the baskets, the computer-vision apps, and a question European courts will soon have to settle: when the screen says «edible» and the liver says otherwise, who is held to account?
In 2022, a man in Ohio found a cluster of mushrooms in his own back garden. He took out his phone, snapped a photo, the app returned a name and a reassuring label, and he ate them. He ended up in the emergency department with Amanita poisoning, probably Amanita bisporigera, the eastern destroying angel. What he later told the Cleveland Plain Dealer sums up this article’s subject better than any study: «I think if I wouldn’t have had my phone, I wouldn’t have picked them. I know I wouldn’t have. There’s no question in my mind» (Claypool, 2024).
The scene repeats every autumn in Spain, France, Italy and any country with a foraging tradition. Mushroom picking is a mass pastime, the season starts with the first September rains, and the amateur’s rucksack now holds a tool that did not exist twenty years ago: an image classifier able to propose a species in two seconds from a photograph taken on a mobile phone. It is worth knowing what sits inside that tool, how often it is actually right and, above all, how responsibility is divided when dinner ends in a liver transplant. That last question has stopped being theoretical: on 9 December 2026, three months from now, a directive that treats software as just another product for liability purposes becomes applicable across the European Union.
What is inside an app that «sees» mushrooms
Two families of tools need to be distinguished, because their technical and legal regimes differ.
The first family comprises tools without machine learning: digitised dichotomous keys, photographic atlases, species databases and reference apps. They work like a book with a search function: the user examines the specimen, answers successive questions (gill colour, presence of a ring, stem shape, reaction when cut) and the program narrows the field. The system decides nothing; it simply organises information written by mycologists and relies on the user observing each character correctly. A clinical example of this logic is MicoApp, developed in Catalonia for emergency departments, which does not identify mushrooms from images: it starts from the patient’s clinical picture and latency period to point towards the likely toxic syndrome, mixed poisonings included (Ventura Pedret, Solé Llop, Queraltó Compañó & March-Amengual, 2020).
The second family is the one that changed the landscape: image classifiers. The processing pipeline is always similar. The photograph is normalised to a fixed size and subjected to colour and crop transformations; a feature extractor —a convolutional neural network such as EfficientNet or ResNet, and increasingly a vision transformer such as ViT or Swin— turns it into a numerical vector of several hundred dimensions; and a final classifier compares that vector against the thousands of classes learned during training, returning a ranked list of candidates with an associated score.
The scale of the problem is what makes it hard. The academic reference dataset, Danish Fungi 2020, gathers 295,938 images of 1,604 species, all expert-validated (Picek, Šulc, Matas, Heilmann-Clausen, Jeppesen, Læssøe & Frøslev, 2021). On that material a vision transformer reaches 80.45 % accuracy and a macro F1 of 0.743, cutting CNN error by 9 %. When metadata —habitat, substrate and month of observation— are added to the image vector, accuracy rises a further 2.95 percentage points, trimming error by another 15 %. That is the best figure available under laboratory conditions, with clean images and verified labels.
There is a third, intermediate and considerably more sensible model that deserves its own mention. The Atlas of Danish Fungi (Svampeatlas) has since 2019 run a recognition system called FungiVision, but couples it to a community of more than 3,900 volunteers and a body of experts who validate every observation before it is accepted. That machine-plus-human coupling reaches close to 93 % accuracy on approved identifications, well above the 69.28 % the automatic model achieved on its own in the associated competition, and quadrupled the number of contributing citizens between 2018 and 2020 (Picek, Šulc, Matas, Heilmann-Clausen, Jeppesen & Lind, 2022). The Atlas itself warns users that automatic recognition is never completely precise and that they should not rely on the suggestion if they intend to eat their find.
Measured accuracy: three studies and an uncomfortable reading
The work that opened the debate in the clinical literature was authored by Hodgson, McKenzie, May and Greene, and published in Clinical Toxicology in 2023. The design is simple and highly pertinent from a forensic standpoint: digital photographs of 78 specimens received over two years by the Victorian Poisons Information Centre and the Royal Botanic Gardens Victoria —real specimens from real cases, photographed by members of the public, not catalogue material— were submitted to three popular apps: Picture Mushroom, Mushroom Identificator and iNaturalist.
The results were as follows. Picture Mushroom correctly identified 49 % of specimens; Mushroom Identificator and iNaturalist, 35 % each. Restricting the analysis to poisonous species, the figures were 44 %, 30 % and 40 % respectively. For Amanita phalloides specifically, the deadliest of all, Mushroom Identificator was the most accurate at 67 %, followed by Picture Mushroom at 60 % and iNaturalist at 27 %. And here comes the finding that should govern any reading of those numbers: on three occasions an Amanita phalloides was identified as a safe species, twice by Picture Mushroom and once by iNaturalist. The authors’ conclusion is literal and prudent: these applications may become useful tools for clinical toxicologists and the public, but at present they are not reliable enough to rule out exposure to a potentially poisonous mushroom on their own.
The second study is far more recent and widens the focus. Kuznetsov, Xia, Kuznetsov, King and Ljubisavljevic published in February 2026 in npj Science of Food an evaluation of twelve image-based identification tools —six mobile apps and six web or desktop services, including Google Lens, Copilot and Yandex— against 103 photographs of nearly 60 species across 40 genera, taken over fifteen years under real field conditions. Three independent researchers scored each answer on a four-point scale according to whether the correct species appeared, and in what position.
The authors’ conclusion is blunt: even the best-performing tool failed in almost 15 % of cases, and the worst gave incorrect information in more than 90 % of tests. None of the twelve consistently delivered a single, correct answer. The study also breaks down where the system fails, and that breakdown is the most valuable part for an expert witness: partial occlusion by vegetation (a half-hidden Leccinum aurantiacum was missed by all twelve tools), camouflage against the substrate, artificial lighting, cleaned or cooked specimens, atypical morphologies, several species in one frame, and juvenile stages. That last point deserves emphasis: a mature Amanita muscaria, with its red cap and white warts, was ranked first correctly by ten of the twelve tools; the same species at the button stage, by only three.
The third strand of evidence comes from scientific competition. FungiCLEF, run within LifeCLEF, has since 2022 measured the state of the art on the Danish dataset extended with data from the CzechFungi app. In the 2024 edition, with seven participating teams and strict computational limits so that solutions would be realistic on a phone, the best open-set classification result was a loss of 0.240, that is, roughly 76 % correct with the added obligation of labelling as «unknown» any species absent from training (Picek, Šulc & Matas, 2024). That nuance, open-set recognition, is decisive: the real world contains thousands of species the model never saw, and a naive classifier will always return the closest label in its catalogue, however remote.
Public Citizen, the US consumer advocacy organisation, captured the underlying paradox in a 2024 report worth reading in full. That these apps get roughly half of wild specimens right is remarkable by any human standard; few experienced foragers identify at that speed without consulting references. And that is precisely where the danger lies: for a beginner who does not know to be sceptical, one hit in two, delivered always with the same assurance, creates a sense of reliability the tool has not earned. An experienced human forager qualifies, hesitates aloud and suggests further checks; an app returns a name. Worse still, an app answering vaguely or with «I don’t know» would be perceived by users as malfunctioning, when that would be the correct response (Claypool, 2024).
The number that matters is in the other cell
A methodological point deserves attention here, one that popular coverage usually skips and that any expert report should make plain on its first page: a classifier’s average accuracy is an inadequate metric for this problem.
Consider a confusion matrix with two useful cells. A false positive means flagging an edible mushroom as poisonous; the cost of that error is a dinner left in the woods. A false negative means flagging a poisonous mushroom as edible; the cost of that error may be a liver transplant or a funeral. They are errors of the same statistical sign with incomparable consequences, so adding them into a single accuracy percentage destroys the only relevant information.
The FungiCLEF organisers formalised this with commendable honesty. In the competition’s second track, the cost function assigns 1 point to mistaking an edible species for a poisonous one and 100 points to mistaking a poisonous species for an edible one (Picek, Šulc & Matas, 2024). One hundred to one. The best team in that track achieved a mean cost of 0.072 per observation on that scale, and the overall winner explicitly built in a toxicity re-ranking mechanism preventing an edible species from being proposed when there is an appreciable chance the sample is toxic. That is exactly the kind of design an expert would expect in a tool aimed at the public, and which most commercial apps simply lack.
Layered on that asymmetry is a second problem, prevalence. A tool right 95 % of the time is still wrong one time in twenty, and if a user consults it a hundred times over an autumn, the probability of meeting at least one serious error stops being anecdotal. The statistics of a repeated decision do not resemble those of a single one, and the amateur forager makes dozens of decisions each season.
What no camera can photograph
The ceiling on these tools is not a matter of computing power or training-set size. It is a matter of information available in the medium. Many of the characters a mycologist uses to reach species level are not, and cannot be, in a photograph of the cap.
The spore print —resting the cap on paper for several hours to collect spores and observe their colour in mass— is one of the decisive field tests, and outbreak investigation protocols say so: the CDC report on the 2025-2026 California outbreak expressly cites identification by a mycologist and «other field tests (e.g., spore prints)» as working method (Brandecker et al., 2026). Microscopic examination of spores, basidia and cystidia requires a microscope and a mount. Chemical reactions with potassium hydroxide or Melzer’s reagent reveal characters invisible to the naked eye. Smell and, in expert hands, taste discriminate between species the eye confuses. Habitat and substrate —under which tree, on what wood, in what soil— are often as informative as morphology, and are precisely the metadata that, when incorporated, improve performance by almost three points.
And one anatomical detail sums up the whole problem. In deadly Amanita species, the volva —the membranous remnant of the universal veil wrapping the stem base— is a principal diagnostic character. It usually stays buried. A forager who cuts the mushroom at ground level instead of lifting it whole takes home a specimen stripped of its most telling feature, and the photograph taken next lacks the information that would have identified it. No neural network can recover data that never reached the sensor.
To all this add the geographical and temporal bias of training. Public datasets are dominated by European observations, with Denmark over-represented for historical reasons, and species thinly represented in the set are recognised poorly or not at all. The 2026 study documents the effect in both directions: the Chinese app succeeded with Asian species the European ones ignored and failed on Boletus edulis; Yandex did not recognise Craterellus tubaeformis. An amateur using in Galicia a tool trained mainly in North America is querying outside the model’s domain of validity, and neither will the app say so nor has the user any way of knowing.
Who answers for the code
Until now, the developer of an identification app rested on two fairly comfortable legal cushions. First, that the European regime on liability for defective products, the old Directive 85/374/EEC, referred to movable tangible goods, and fitting software into that definition required interpretive acrobatics. Second, a disclaimer in the terms of use: the standard formula warns that identification is indicative only, that the user assumes all responsibility, and that the provider answers for no poisoning whatsoever.
Both cushions have been flattened.
Directive (EU) 2024/2853 of 23 October 2024 repeals the 1985 instrument and defines a product, in Article 4(1), as «all movables, even if integrated into, or inter-connected with, another movable or an immovable», expressly including «electricity, digital manufacturing files, raw materials and software». Under that rule software is a product for all purposes of strict liability. Member States must transpose it by 9 December 2026 at the latest, and it applies to products placed on the market or put into service after that date.
The remaining provisions are plainly written with learning systems in mind. Article 7 deems defective a product that «does not provide the safety which a person is entitled to expect», and among the circumstances to be weighed it lists presentation, labelling and instructions, reasonably foreseeable use, relevant safety requirements, the needs of the intended user group and —this is the striking one— «the effect on the product of its ability to continue to learn or acquire new features after it is placed on the market». A classifier retrained on user-submitted photographs falls squarely within that provision.
The development-risk defence in Article 11(e), which lets a manufacturer escape where the objective state of scientific and technical knowledge did not allow the defect to be discovered, is further cut back by paragraph 2: there is no exemption where defectiveness is due to a related service, to software including updates or upgrades, to the absence of software updates necessary to maintain safety, or to a substantial modification, provided those elements are within the manufacturer’s control.
On evidence, Article 10 keeps on the claimant the burden of proving defectiveness, damage and causal link, but introduces presumptions that shift the balance of power: defectiveness is presumed where the defendant fails to disclose the evidence required of it, where the claimant proves non-compliance with mandatory safety requirements, or where an obvious malfunction during reasonably foreseeable use is demonstrated; and the causal link is presumed where the damage is of a kind typically consistent with the defect in question. There is even a specific presumption for cases where technical or scientific complexity causes the claimant excessive difficulties of proof, designed precisely for opaque algorithmic systems.
The recoverable damage in Article 6 covers death and personal injury, with express mention of medically recognised harm to psychological health. And Article 15 closes the door on the blanket disclaimer: Member States must ensure that an economic operator’s liability is not limited or excluded by a contractual provision. In Spanish law that protection was already reinforced by the unfair-terms regime of the consolidated Consumer Protection Act, which voids terms limiting liability for harm to life or physical integrity.
Honesty about the scope of all this is due, because it does not amount to automatic liability. A clear, prominent and repeated disclaimer remains relevant: it forms part of the «presentation of the product» and the «instructions» that Article 7 requires to be weighed, and it shapes what a user is entitled to expect. The difference is that it now operates as one element within an overall assessment, far from the absolute shield it was long taken to be, and that assessment weighs advertising, interface design and the way the result is displayed just as heavily. An app advertising «99 % accuracy» on its store listing, showing the species name in large type with an edibility tag, and burying the warning on page twelve of the terms is itself building the expectation of safety it later disappoints.
The EU Artificial Intelligence Act, Regulation (EU) 2024/1689, adds little here, and that should be said plainly. A species identification app fits none of the high-risk categories of its Annex III, so it sits at the minimal-risk tier, subject only to transparency obligations and voluntary codes of conduct. Public Citizen argued in 2024 for the opposite: that high-risk uses —and telling an edible mushroom from a toxic one is one— should undergo pre-release testing establishing well-defined error rates, disclosed to users before they rely on the tool. That requirement does not exist in EU law today.
Who answers for the basket
On the other side of the screen stands the person who picks, cooks and serves. Their legal position changes entirely depending on what they do with the outcome of their walk, and three scenarios should be kept apart.
Picking for oneself. Spanish Royal Decree 30/2009, setting the health conditions for marketing mushrooms for food use, excludes from its scope, in Article 1(3)(a), primary production for private domestic use. Whoever picks and eats their own harvest therefore falls outside that health regime. What does not fall outside is regional harvesting law, which varies from territory to territory and is worth checking before setting out. In Castilla y León, Decree 31/2017 separates enclosed woodland from open woodland: within an enclosure, picking always counts as regulated exploitation and requires a permit, and recreational permits allow a maximum of five kilograms per day (Articles 17.1 and 19.3); outside enclosures, occasional recreational picking needs no permit, subject to a three-kilogram ceiling and with truffles expressly excluded (Article 13.5). Other regions regulate differently, and protected areas have rules of their own.
Picking and feeding others. Here criminal law enters. If someone picks mushrooms, identifies them with an app, performs no further check, serves them to family or guests, and one of them dies, we face a possible homicide by negligence under Article 142 of the Spanish Criminal Code, punishable by one to four years’ imprisonment in its gross form and three to eighteen months’ imprisonment or a fine in the less serious form. Where there is injury rather than death, Article 152 applies, with the same distinction between gross and less serious negligence. Civil liability arising from the offence follows, and failing that, liability under Article 1902 of the Civil Code.
The interesting —and currently open— question is what effect consulting the app has on the negligence assessment. Two readings are available, and both hold. One exculpatory: the person was not indifferent, took the trouble to check, used the means at hand and trusted it in good faith, pointing towards less serious negligence or even accident. One aggravating: precisely because these tools’ warnings are explicit and public, and because any informed adult knows a photograph cannot rule out an Amanita, entrusting a third party’s life to an image classifier reveals a marked breach of the objective duty of care. My own impression, to be taken for what it is, is that the second reading will gain ground as evidence of these apps’ fallibility consolidates and becomes notorious: the duty of care is measured by what a reasonably diligent citizen ought to have known at the time, and what ought to be known about these tools in 2026 is not what was known in 2015.
Selling. Here the standard rises sharply. Article 3(3) of Royal Decree 30/2009 prohibits the sale and marketing for human consumption of all species recognised as poisonous or toxic and of those suspected of being so; the annex lists those authorised fresh, those from cultivation, those requiring prior treatment and those banned outright. Article 5 requires the operator to ensure correct identification of the mushrooms and to maintain a continuing mycological training programme for staff and a batch control system by species with botanical identification. Marketing a banned species is a very serious infringement. Above all this stands Article 363 of the Criminal Code, punishing producers, distributors or traders who endanger consumers’ health by offering harmful foodstuffs on the market with one to four years’ imprisonment, a fine and disqualification. A restaurateur buying mushrooms from a forager without traceability, or identifying them with a phone, is outside the legal framework before anyone even falls ill.
The file that opens when it is already too late
When identification fails and the case reaches hospital or court, two lines of expert work come into play, and today they are best handled together.
The first is the classical toxicological-mycological line. In Spain, the laboratory of the National Institute of Toxicology and Forensic Sciences is the technical reference centre in this field, and its lines of work combine macroscopic and microscopic analysis of the material, molecular identification of the species through the ITS-1 and ITS-2 regions of ribosomal DNA, and toxin analysis by high-performance thin-layer chromatography (Illana-Esteban, 2013). Where no specimens have been kept —the commonest situation, since nobody saves leftovers from a dinner that went wrong— spores and fungal remains in gastric contents and faeces must be sought, for that is where the species leaves its morphological signature.
Determining amatoxins has its own time windows, and missing them ruins the evidence. According to the review by Ventura and colleagues (2015), α-amanitin is detectable in plasma from thirty minutes up to 36-48 hours, and in urine from ninety to a hundred and twenty minutes up to about four days; the lethal dose is around 0.1 mg per kilogram of body weight, an amount a single mature Amanita phalloides comfortably exceeds. Hospital Clínic in Barcelona, which runs Spain’s only laboratory determining urinary amatoxins around the clock, reported in October 2025 that it had analysed more than 450 samples over the past ten years with 50 positives, roughly one in ten suspected cases, and that testing within the first 72 hours is what confirms the diagnosis. At autopsy, histopathological examination reveals the characteristic liver and kidney changes (Illana-Esteban, 2013).
The scale of what is at stake is illustrated by the most recent well-documented episode. Between 18 November 2025 and 17 March 2026, northern California recorded 39 suspected amatoxin poisonings: 32 patients recovered, 3 required liver transplants and 4 died. It is the largest mushroom-associated hepatotoxic poisoning outbreak in California’s history and the largest in the United States in several decades, and the patients spoke at least six languages besides English, no small detail when considering who uses these apps and what support material they have (Brandecker et al., 2026). The CDC recall in that same report that no standardised treatment regimen and no FDA-approved therapy exist, and that the clinical clue that should raise the alarm is delay: abdominal pain, nausea, vomiting and diarrhoea appearing more than six hours after ingestion.
The second line of expert work is one this journal has long championed: digital evidence. The forager’s phone is today a first-order source of evidence in any poisoning investigation, whether intentional or negligent. It holds the photographs with their EXIF metadata, including date, time and coordinates; the history of queries to the app, which in many systems is also logged on the provider’s server; internet searches; and the device’s location trail.
The Australian proceedings against Erin Patterson over the 2023 lunch showed how far that trail runs. On the evidence led, a digital forensics expert from Victoria Police testified about data found on the drives of a computer seized at the accused’s home, which included access to the iNaturalist map of Amanita phalloides sightings —the same citizen-science platform that features in the accuracy studies cited above— and the geotagging of a sighting location posted by another user. The prosecution argued that telephone records placed the accused in the towns of Loch and Outtrim shortly after sightings were posted there, a point the defence contested by challenging the precision of cell-tower data. The detail that matters for this article is that a collaborative identification tool operated simultaneously as an instrument of the act and as evidence of it. Any expert working in this field should add to their checklist the mycological app installed, its local logs and the information the provider retains on its servers, with the safeguards of Article 588 sexies of the Spanish Criminal Procedure Act where the source is the suspect’s own device.
What autumn asks of each of us
None of the above is a case against these tools. They are useful, they have brought mycology to many people, they feed biodiversity projects of enormous value and, in the Danish model, they have shown that coupling a classifier to a network of human experts yields far more than either alone. The trouble begins when a statistical suggestion becomes, with no intermediate step, an irreversible decision about what someone puts in their mouth.
Of developers, the framework taking effect on 9 December 2026 asks something concrete and perfectly achievable: measure and publish the error rate of the system, broken down for toxic species; design the interface so uncertainty is seen before the name; build in the toxicity re-ranking that scientific competitions already practise; declare the model’s geographical domain of validity; and stop presenting as an edibility service what is an exercise in pattern recognition.
Of foragers it asks a rule unchanged in three hundred years, which no app repeals: lift the mushroom whole, ask someone who knows, and settle doubt by leaving it in the woods. And one much more recent warning: whoever serves others what they identified with a phone is taking on, besides the health risk, a criminal risk they have almost certainly not reckoned.
Amanita phalloides has not changed its appearance in the last five years. What has changed is the confidence with which it is looked at.
Bibliografía
ABC News. (2025, 1 de julio). The evidence laid before the jury in Erin Patterson’s murder trial. Australian Broadcasting Corporation. https://www.abc.net.au/news/2025-07-01/erin-patterson-mushroom-murder-trial-evidence/105425902
Brandecker, K. J., Hayman, C., LeSaint, K. T., Vohra, R., Choudhury, A., Marder, M. E., Bartlett, R., Barreau, T., & Smollin, C. G. (2026). Amanita species mushroom poisonings — Northern California, November 2025–March 2026. Morbidity and Mortality Weekly Report, 75(20), 258–263. https://doi.org/10.15585/mmwr.mm7520a2
Claypool, R. (2024). Mushrooming risk: Unreliable A.I. tools generate mushroom misinformation. Public Citizen. https://www.citizen.org/article/mushroom-risk-ai-app-misinformation/
Decreto 31/2017, de 5 de octubre, por el que se regula el Recurso Micológico Silvestre en Castilla y León. Boletín Oficial de Castilla y León, 194, de 9 de octubre de 2017. https://bocyl.jcyl.es/html/2017/10/09/html/BOCYL-D-09102017-1.do
Directiva (UE) 2024/2853 del Parlamento Europeo y del Consejo, de 23 de octubre de 2024, sobre responsabilidad por los daños causados por productos defectuosos y por la que se deroga la Directiva 85/374/CEE. Diario Oficial de la Unión Europea, L, 18 de noviembre de 2024. https://eur-lex.europa.eu/eli/dir/2024/2853/oj
Hodgson, S. E., McKenzie, C., May, T. W., & Greene, S. L. (2023). A comparison of the accuracy of mushroom identification applications using digital photographs. Clinical Toxicology, 61(3), 166–172. https://doi.org/10.1080/15563650.2022.2162917
Hospital Clínic de Barcelona. (2025, 21 de octubre). Uno de cada diez casos analizados en el Clínic por sospecha de intoxicación por setas da positivo. https://www.clinicbarcelona.org/noticias/uno-de-cada-diez-casos-analizados-en-el-clinic-por-sospecha-de-intoxicacion-por-setas-da-positivo
Illana-Esteban, C. (2013). Micología forense. Boletín de la Sociedad Micológica de Madrid, 37, 229–244.
Kuznetsov, N. V., Xia, Y., Kuznetsov, S., King, F. C., & Ljubisavljevic, M. (2026). AI-mediated risks and real-life challenges in mushroom foraging. npj Science of Food, 10, 121. https://doi.org/10.1038/s41538-026-00752-4
Ley Orgánica 10/1995, de 23 de noviembre, del Código Penal. Boletín Oficial del Estado, 281, de 24 de noviembre de 1995. https://www.boe.es/buscar/act.php?id=BOE-A-1995-25444
Picek, L., Šulc, M., & Matas, J. (2024). Overview of FungiCLEF 2024: Revisiting fungi species recognition beyond 0-1 cost. CEUR Workshop Proceedings, 3740, paper 185. https://ceur-ws.org/Vol-3740/paper-185.pdf
Picek, L., Šulc, M., Matas, J., Heilmann-Clausen, J., Jeppesen, T. S., & Lind, E. (2022). Automatic fungi recognition: Deep learning meets mycology. Sensors, 22(2), 633. https://doi.org/10.3390/s22020633
Picek, L., Šulc, M., Matas, J., Heilmann-Clausen, J., Jeppesen, T. S., Læssøe, T., & Frøslev, T. (2021). Danish Fungi 2020 — Not just another image recognition dataset [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2103.10107
Real Decreto 30/2009, de 16 de enero, por el que se establecen las condiciones sanitarias para la comercialización de setas para uso alimentario. Boletín Oficial del Estado, 20, de 23 de enero de 2009. https://www.boe.es/buscar/act.php?id=BOE-A-2009-1110
Real Decreto Legislativo 1/2007, de 16 de noviembre, por el que se aprueba el texto refundido de la Ley General para la Defensa de los Consumidores y Usuarios y otras leyes complementarias. Boletín Oficial del Estado, 287, de 30 de noviembre de 2007. https://www.boe.es/buscar/act.php?id=BOE-A-2007-20555
Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea, L, 12 de julio de 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Ventura, S., Ruiz, C., Durán, E., Mosquera, M., Bandrés, F., & Campos, F. (2015). Amanitinas. Revista del Laboratorio Clínico, 8(3), 109–126. https://doi.org/10.1016/j.labcli.2015.05.001
Ventura Pedret, S., Solé Llop, E., Queraltó Compañó, J. M., & March-Amengual, J.-M. (2020). Una aplicación App para micetismos en urgencias. Advances in Laboratory Medicine, 1(3), 20200013. https://doi.org/10.1515/almed-2020-0013
Créditos de las imágenes
Fotografía de Amanita phalloides: George Chernilevsky, dominio público, vía Wikimedia Commons.
Fotografía de la esporada: Brandon Antonio Segura Torres y Priscilla Vieto Bonilla, CC BY-SA 4.0, vía Wikimedia Commons.
Esquemas 1 a 6: elaboración propia de Actum Forense Press a partir de las fuentes citadas en cada pie.
Deja una respuesta