Tema 25 – Perfilación criminal: tipologías de la perfilación criminal

Recurso descargable

1. Introducción

Toda técnica de perfilación criminal descansa, en último término, sobre una premisa de orden tipológico: la de que los delincuentes no son una masa homogénea e indistinguible, sino que presentan patrones conductuales, psicológicos y demográficos diferenciados que permiten agruparlos en categorías con valor predictivo e investigador. Sin tipologías, la perfilación carece de sustento: sería imposible inferir características del autor a partir de la escena del crimen si no existiera evidencia previa de que ciertos tipos de escenas se asocian sistemáticamente con ciertos tipos de autores.

Este tema examina la evolución del pensamiento tipológico en perfilación criminal desde sus orígenes en el modelo dicotómico del FBI hasta las aproximaciones computacionales y estadísticas más avanzadas del siglo XXI. El recorrido no es meramente histórico: cada modelo tipológico lleva consigo implicaciones metodológicas y prácticas que el criminólogo en ejercicio debe conocer para utilizarlos con rigor y con conciencia de sus límites.

El tema se estructura en cuatro grandes bloques. El primero analiza en profundidad el modelo organizado/desorganizado del FBI, su evolución interna y las criticas empíricas que ha recibido en la investigación más reciente. El segundo examina el perfil geográfico, desde sus fundamentos matemáticos hasta sus aplicaciones contemporáneas con Big Data. El tercero aborda la irrupción de la inteligencia artificial y el machine learning como nuevos paradigmas en la construcción de tipologías criminales. El cuarto reflexiona sobre los límites, los riesgos y el marco ético en el que todas estas herramientas deben operar.

2. El modelo tipológico del FBI

2.1. La génesis del modelo: las entrevistas de la BSU (1979-1983)

Para entender el modelo tipológico del FBI es imprescindible conocer el contexto de su producción. Entre 1979 y 1983, los agentes de la Behavioral Science Unit -entre ellos Robert Ressler, John Douglas y Ann Burgess- llevaron a cabo entrevistas semiestructuradas con 36 asesinos en serie condenados en prisiones federales de Estados Unidos. El objetivo declarado era doble: identificar si existían diferencias sistemáticas en el modo en que distintos tipos de asesinos cometían sus crímenes, y determinar si esas diferencias podían ser detectadas en la escena del crimen para orientar investigaciones futuras.

Las condiciones metodológicas de este estudio fundacional son objeto de crítica sistemática en la literatura reciente, pero conviene comprenderlas en su contexto histórico. En los años setenta no existían bases de datos criminales informatizadas, no había precedente de investigación empírica sistemática sobre asesinos en serie, y los agentes de la BSU operaban sin un marco teórico previo que guiara su recolección de datos. Lo que hicieron fue, fundamentalmente, inducir un esquema clasificatorio a partir de la acumulación de experiencia: entrevistaban a un asesino, identificaban las constantes de su comportamiento, y las comparaban con las de los asesinos ya entrevistados. Era investigación cualitativa en sentido estricto, aunque sus autores la presentaran con frecuencia con un lenguaje de mayor precisión cuantitativa del que sus datos justificaban.

El resultado fue una taxonomía binaria: el asesino organizado y el asesino desorganizado. Esta dicotomía, publicada formalmente en el FBI Law Enforcement Bulletin en 1985 y desarrollada en el libro Sexual Homicide: Patterns and Motives de Ressler, Burgess y Douglas (1988), se convirtió rápidamente en el referente mundial de la perfilación criminal y sigue siendo el modelo mas conocido y citado de la disciplina, a pesar de las revisiones críticas que ha recibido.

2.2. Contenido del modelo: características del delincuente organizado y desorganizado

El modelo propone que el delincuente organizado es aquel cuya conducta delictiva refleja planificación, control y deliberación. Su perfil demográfico y psicológico típico -según el modelo- incluye inteligencia media o superior a la media, competencia social, historia laboral relativamente estable, capacidad para establecer relaciones de pareja y un estado de ánimo controlado en el periodo previo al delito. En la escena del crimen, el delincuente organizado deja huellas de su planificación: selecciono a la victima de forma no aleatoria, uso vínculos o medios de control, se llevó el arma, elimino evidencias y, con frecuencia, traslado el cuerpo desde el lugar de la muerte hasta el lugar del hallazgo.

El delincuente desorganizado, por el contrario, exhibe en la escena los rastros de una conducta impulsiva y descontrolada. Su perfil típico incluye inteligencia inferior a la media, inadaptación social severa, historia de fracaso escolar y laboral, ausencia de relaciones de pareja estables y un estado de agitación elevado en el momento del delito. La escena refleja esta desorganización: la víctima fue atacada de forma oportunista o con criterios de selección muy difusos, el arma fue hallada in situ, el cuerpo no fue trasladado y no hay indicios de esfuerzos por eliminar evidencias. El delincuente desorganizado tiende además a residir en la proximidad inmediata de la escena del crimen, porque su escaso dominio social le impide operar a distancia.

Tabla 1

Características diferenciales del modelo organizado/desorganizado del FBI.

Dimension de analisis	ORGANIZADO	DESORGANIZADO
Planificación previa	Sistemática; preparación del material	Ausente o mínima; actuación impulsiva
Selección de victima	Deliberada; objetivo especifico	Aleatoria u oportunista
Control en la escena	Elevado; dominio de la situación	Escaso; escena caótica
Uso del arma	Portada y retirada tras el crimen	Hallada en la escena; de oportunidad
Traslado del cuerpo	Frecuente; separación escena/hallazgo	Raro; cuerpo en lugar del ataque
Medidas contra-forenses	Frecuentes (limpieza, guantes, etc.)	Ausentes o muy escasas
Relación victima-agresor	Generalmente extraña	Puede ser conocida o próxima
Distancia domicilio-escena	Variable; capacidad de desplazamiento	Generalmente corta
Inteligencia estimada	Media a alta	Baja a media
Competencia social	Adecuada; puede simular normalidad	Deteriorada; percibido como extraño
Situación laboral	Empleo estable o semicalificado	Desempleo o empleos marginales
Estado previo al delito	Controlado; animo estable	Agitado; estado de estrés elevado

Nota. Fuente: Ressler, Burgess y Douglas (1988), actualizado con Petherick y Brooks (2022).

2.3. La categoría mixta: entre la dicotomía y la realidad

Los propios creadores del modelo reconocieron, ya en las publicaciones originales, que la mayoría de los delincuentes reales no encajan de forma pura en ninguno de los dos tipos ideales. La categoría mixta fue introducida como solución pragmática: el delincuente mixto exhibe características de ambos tipos, bien porque su nivel de organización varía entre episodios, bien porque dentro de un mismo episodio combina conductas planificadas e impulsivas.

Esta concesión práctica, sin embargo, tiene un coste epistemológico considerable. Si la mayoría de los casos reales caen en la categoría mixta, la utilidad predictiva de la dicotomía se reduce drásticamente: una clasificación que no discrimina entre la mayor parte de los casos de su universo de aplicación tiene un valor heurístico muy limitado. Esta tensión entre la elegancia teórica de la dicotomía y la complejidad empírica de la realidad es el punto de partida de las críticas que la investigación posterior ha desarrollado con creciente sistematicidad.

2.4. Critica empírica contemporánea: el modelo a la luz de la investigación reciente

La crítica más influyente al modelo organizado/desorganizado proviene del propio campo de la perfilación académica. Canter, Alison, Alison y Wentink (2004) realizaron el análisis empírico más citado sobre la cuestión: aplicaron técnicas de escalamiento multidimensional a cien asesinatos cometidos por cien asesinos en serie estadounidenses, buscando la estructura subyacente de las relaciones entre conductas delictivas. Sus resultados fueron inequívocos: no encontraron dos subgrupos discretos correspondientes a los tipos organizado y desorganizado. En su lugar, hallaron un continuo en el que las características supuestamente organizadas son comunes a la gran mayoría de los crímenes seriales -lo que significa que no discriminan entre tipos-, mientras que las características desorganizadas son raras e irregulares, sin formar un patrón coherente.

Petherick y Brooks (2022), en su propuesta de modelo integrado de practica publicada en Psychiatry, Psychology, and Law, sistematizaron las limitaciones del modelo en cinco dimensiones. La primera es la limitación muestral: los 36 sujetos de las entrevistas originales son varones, blancos, estadounidenses y autores de crímenes sexuales en su práctica totalidad, lo que hace imposible generalizar las conclusiones a otras poblaciones o tipos de delito. La segunda es la limitación metodológica: el proceso inductivo utilizado -inferir tipos a partir de la experiencia acumulada sin hipótesis previas formalizadas ni códigos de análisis estandarizados- no cumple los criterios mínimos de la investigación empírica replicable. La tercera es la ausencia de validación predictiva: nunca se publicó un estudio que demostrara que la clasificación de una escena como organizada o desorganizada permite predecir con precisión las características del autor real. La cuarta es la rigidez tipológica: la dicotomía no captura la variabilidad intra-individual del delincuente, cuyo nivel de organización puede cambiar significativamente entre episodios en función de factores situacionales. La quinta, quizás la más preocupante desde el punto de vista de su uso en los tribunales, es que la dicotomía sigue siendo utilizada como base de peritajes en procesos penales a pesar de la escasez de evidencia empírica que la respalde.

CASO PRÁCTICO – El caso del Estrangulador de Boston (1962-1964): los límites del modelo dicotómico

Entre junio de 1962 y enero de 1964, trece mujeres fueron estranguladas en Boston en circunstancias que generaron una de las primeras grandes controversias tipológicas en la historia de la perfilación. Los peritos llamados a elaborar un perfil del autor discreparon radicalmente: algunos lo describieron como organizado y socialmente competente; otros como un individuo emocionalmente perturbado y desorganizado. La discrepancia no era superficial: reflejaba la imposibilidad de encajar los crímenes en uno de los dos tipos ideales, porque el autor -identificado finalmente como Albert DeSalvo- exhibía en distintos episodios características de ambas categorías. Había episodios de selección deliberada y control de la escena, y otros de impulsividad y escaso control. El caso ilustra con precisión una de las criticas centrales al modelo: que la variabilidad intra-individual del delincuente no puede ser capturada por una tipología binaria estática.

Morton, Tillman y Gaines (2014), en la actualización del modelo por el propio FBI, reconocieron explícitamente las limitaciones de la dicotomía y propusieron un marco más flexible basado en un continuo de organización en lugar de en dos categorías discretas. Esta actualización, sin embargo, no ha tenido el impacto practico que su publicación por parte de la propia agencia que creo el modelo original podría sugerir: la dicotomía organizada/desorganizado sigue dominando la formación policial y los peritajes criminológicos en muchos países.

Nota académica: La persistencia del modelo dicotómico del FBI en la práctica forense, a pesar de sus limitaciones empíricas documentadas, es un fenómeno que merece reflexión critica. Responde, al menos en parte, a su simplicidad operativa: es más fácil entrenar a un investigador para clasificar una escena en una de dos categorías que para aplicar técnicas estadísticas multivariantes. Pero la facilidad de uso no puede ser el criterio decisivo cuando el resultado se utiliza en procesos penales con consecuencias sobre la libertad de las personas.

3. La psicología investigativa: Tipologías desde la evidencia empírica

3.1. El modelo de Canter: consistencia conductual y análisis estadístico

La psicología investigativa, desarrollada por David Canter a partir de su trabajo pionero en el caso del Violador de la vía férrea (John Duffy, 1985), representa la respuesta académica al modelo inductivo del FBI. Su punto de partida epistemológico es radicalmente diferente: en lugar de partir de la experiencia acumulada de investigadores para inducir tipologías, propone partir de bases de datos de comportamientos delictivos documentados para derivar, mediante métodos estadísticos, la estructura subyacente de los patrones criminales.

El concepto nuclear del modelo es la consistencia conductual, que descansa sobre dos hipótesis complementarias. La primera, denominada hipótesis de la consistencia, sostiene que cada delincuente muestra, en sus distintos episodios delictivos, un patrón de comportamiento que le es característico y que refleja sus características psicológicas y sociales relativamente estables. La segunda, denominada hipótesis de la correspondencia, sostiene que ese patrón conductual en la escena del crimen se corresponde sistemáticamente con características del delincuente en su vida cotidiana: su forma de relacionarse con otros, su nivel de competencia social, su historia de victimización, sus intereses y rutinas.

Si ambas hipótesis son ciertas -y la investigación empírica ofrece apoyo parcial pero no universal para las dos-, entonces es posible inferir características del delincuente a partir del análisis estadístico de su comportamiento en la escena. Este es el núcleo de la perfilación académica: no una inferencia intuitiva del experto, sino una estimación probabilística derivada de la comparación sistemática del caso analizado con una base de datos de casos conocidos.

3.2. Las tipologías de Canter: el modelo de los cinco factores

A diferencia del FBI, que propone dos tipos globales, Canter y sus colaboradores han desarrollado a lo largo de dos décadas tipologías específicas para distintos tipos de delito -violación, homicidio, incendio provocado, robo- en lugar de un modelo único de aplicación universal. En el ámbito de la violación, el estudio más influyente es el publicado por Canter y Heritage en 1990, que aplico análisis factorial a las conductas registradas en 66 casos de violación y encontró cinco factores que describen dimensiones independientes del comportamiento del agresor: sexualidad, violencia, impersonalidad, criminalidad y intimidad.

Estos cinco factores no son tipos mutuamente excluyentes, sino dimensiones que pueden combinarse de formas diversas en cada agresor concreto. Esta diferencia es metodológicamente crucial: en lugar de encajar al delincuente en una de dos cajas, el modelo de Canter permite describir su perfil conductual como un vector en un espacio multidimensional, con mayor capacidad para capturar la complejidad y la variabilidad individual.

Tabla 2

Modelo de cinco factores de Canter y Heritage (1990) para la tipología del agresor sexual.

Factor	Conductas asociadas	Implicación para el perfil
Sexualidad	Actividad sexual especifica, fetichismo, humillación sexual	Sugiere motivación primariamente sexual; posibles fantasías previas elaboradas
Violencia	Agresión física extrema, mutilación, sadismo instrumental	Apunta a historial de violencia; posible comorbilidad con psicopatía
Impersonalidad	Ausencia de comunicación, victima como objeto, evitación del contacto visual	Delincuente socialmente aislado; dificultades severas de relación interpersonal
Criminalidad	Uso de armas, robo durante el ataque, experiencia delictiva previa	Perfil de delincuente versátil; probable historial de antecedentes penales previos
Intimidad	Uso del nombre de la víctima, preguntas personales, simulación de relación	Delincuente que conoce a la víctima o la selecciona por su similitud con personas de su entorno

Nota. Fuente: Canter y Heritage (1990); Canter (2000).

3.3. Análisis de evidencia conductual (BEA): la aportación de Turvey

Paralelo al modelo de Canter, el criminólogo estadounidense Brent Turvey desarrollo a partir de la década de 1990 el enfoque del Análisis de Evidencia Conductual (Behavioral Evidence Analysis, BEA), que representa una tercera vía entre el inductivismo del FBI y el estadismo académico de la psicología investigativa. El BEA es un método deductivo: parte de las evidencias físicas específicas de un caso concreto para inferir, caso por caso, las características del autor, sin recurrir a bases de datos previas ni a tipologías preestablecidas.

Para Turvey, cada caso es único y debe ser tratado como tal. El perfilador BEA examina en detalle la escena, las evidencias forenses, la victimología y el modus operandi para construir una narrativa conductual especifica del autor de ese delito concreto. Este enfoque evita los sesgos de generalización propios de los modelos tipológicos, pero tiene el inconveniente de ser intensivo en tiempo y de requerir un nivel de formación muy elevado para ser aplicado con rigor.

4. El perfil geográfico: Matemática, big data y análisis espacial

4.1. Fundamentos matemáticos del perfil geográfico

El perfil geográfico es una técnica que utiliza la distribución espacial de los lugares vinculados a los delitos -escenas del crimen, lugares de contacto con la víctima, lugares de hallazgo del cuerpo- para estimar la zona de anclaje del delincuente, esto es, el área geográfica que probablemente alberga su domicilio habitual o su lugar de trabajo. Su fundamento matemático descansa sobre el principio del decaimiento de distancia: la probabilidad de que un delincuente cometa un delito disminuye a medida que aumenta la distancia desde su zona de anclaje, siguiendo una función matemática que puede ser estimada a partir de datos empíricos.

El modelo clásico, desarrollado por el criminólogo canadiense Kim Rossmo en su tesis doctoral de 1995 y posteriormente implementado en el sistema informático Rigel, utiliza una función de probabilidad que asigna a cada punto del espacio geográfico una puntuación de probabilidad de ser la zona de anclaje del delincuente. La superposición de estas probabilidades para todos los delitos de la serie genera un mapa de calor en el que las zonas de mayor probabilidad son las que se perfilan como candidatas para la ubicación del domicilio o del lugar de trabajo del autor.

El modelo de Rossmo incorpora además el concepto de zona de tampion o buffer zone: una área alrededor de la zona de anclaje en la que el delincuente tiende a no cometer delitos para evitar ser reconocido por vecinos o conocidos. Esta zona de exclusión tiene un radio variable que depende del tipo de delito y de las características del barrio, y su inclusión en el modelo mejora significativamente la precisión de las estimaciones.

4.2. Validación empírica del perfil geográfico

La validación empírica del perfil geográfico ha sido uno de los campos más activos de la investigación criminológica en las dos últimas décadas. Los estudios de validación miden típicamente la precisión del modelo en términos de la proporción del área total de búsqueda que debe ser examinada para encontrar la zona de anclaje real del delincuente. Los mejores modelos actuales consiguen localizar la zona de anclaje dentro del 5-10% del área total de búsqueda en muestras de crímenes violentos seriales.

Sin embargo, la validación empírica ha revelado también limitaciones importantes. La precisión del modelo decrece significativamente cuando el número de delitos en la serie es reducido -por debajo de cinco episodios, los modelos pierden potencia predictiva-, cuando el delincuente cambia de zona de anclaje entre episodios -algo documentado en agresores con múltiples domicilios o en fase de huida-, y cuando el área de estudio presenta características geográficas o demográficas muy diferentes de las de los datos de entrenamiento del modelo.

4.3. Big Data y análisis espacial: la nueva geografía criminal

La disponibilidad masiva de datos geolocalizados en la era digital ha transformado radicalmente las posibilidades del perfil geográfico. Las fuentes de datos que hoy puede utilizar un analista criminal incluyen, entre otras, los registros históricos de llamadas telefónicas geolocalizadas, las publicaciones en redes sociales con metadatos de ubicación, los registros de transacciones bancarias, los datos de transporte público, las imágenes de videovigilancia con reconocimiento facial y de matrículas, y los registros de presencia en redes wifi públicas.

La integración de estas fuentes en modelos de análisis espacial permite reconstruir con una granularidad sin precedentes los patrones de movimiento y las rutinas espaciales de individuos de interés para la investigación. Dau, Dewinter, Witlox y colaboradores (2023) demostraron en un estudio publicado en el European Journal of Criminology que el análisis de grandes volúmenes de datos de movilidad urbana permite revelar patrones temporales en la distribución de los crímenes que los métodos estadísticos clásicos no pueden detectar, abriendo nuevas posibilidades para el análisis geográfico del comportamiento delictivo.

El Risk Terrain Modeling (RTM) es una de las técnicas más prometedoras de este nuevo paisaje. A diferencia del perfil geográfico clásico -que se limita a los datos de los delitos de la serie- el RTM integra múltiples capas de información espacial: densidad demográfica, usos del suelo, presencia de infraestructuras de transporte, distribución de establecimientos de ocio nocturno, niveles de iluminación publica, y cualquier otro factor ambiental que investigaciones previas hayan asociado con el riesgo de delito. Kronkvist, Borg, Boldt y Gerell (2025), en un estudio pionero publicado en Applied Spatial Analysis and Policy, aplicaron RTM en tres ciudades suecas de tamaño diferente e incorporaron datos de registros administrativos y del mapa abierto OpenStreetMap, demostrando que el modelo es capaz de predecir la distribución espacial de los crímenes violentos con una precisión significativamente superior a los modelos basados únicamente en los antecedentes históricos de delitos.

CASO PRÁCTICO – El Estrangulador en Serie de Vancouver: perfil geográfico y captura de Robert Pickton

El caso de Robert Pickton, granjero canadiense condenado en 2007 por el asesinato de seis mujeres -se sospecha que pudo matar a decenas más- es uno de los ejemplos más citados tanto de las posibilidades como de los límites del perfil geográfico. Las víctimas, mayoritariamente mujeres en situación de vulnerabilidad del barrio Downtown Eastside de Vancouver, desaparecían con regularidad desde finales de los años noventa. Los analistas geográficos identificaron tempranamente el área de Vancouver Oriental como la zona de mayor probabilidad de ubicación del agresor. La granja de Pickton, situada en Port Coquitlam -a unos 30 kilómetros del Downtown Eastside- quedo inicialmente fuera del radio de búsqueda prioritaria, en parte porque el modelo no había incorporado datos sobre el uso de vehículo del agresor ni sobre la logística de captación de víctimas en una zona específica de oferta de prostitución. La investigación posterior confirmo que Pickton utilizaba su vehículo para captar a las víctimas en el Downtown Eastside y trasladarlas a su granja, un patrón de movilidad que el modelo geográfico básico no había contemplado. El caso ilustra la necesidad de combinar el perfil geográfico con análisis de movilidad y victimología detallada.

5. Inteligencia artificial y machine learning en la construcción de tipologías

5.1. El salto paradigmático: de la tipología artesanal al modelo computacional

La introducción de técnicas de inteligencia artificial y machine learning en la perfilación criminal representa el mayor cambio de paradigma metodológico en la historia de la disciplina desde que la psicología investigativa de Canter introdujo el análisis estadístico en la década de 1990. La diferencia no es solo de escala -aunque la diferencia de escala es enorme-, sino de naturaleza: los algoritmos de machine learning no aplican tipologías predefinidas, sino que las construyen de forma inductiva a partir de los datos, identificando agrupaciones y patrones que un analista humano nunca podría detectar en volúmenes de datos de la magnitud actual.

Mandalapu, Elluri, Vyas y Roy (2023) publicaron en IEEE Access la revisión sistemática más completa disponible sobre el uso de machine learning y deep learning en predicción de crímenes, analizando 150 estudios publicados entre 2000 y 2022. Sus conclusiones son de primera importancia para el criminólogo: los modelos de aprendizaje profundo -en particular las redes neuronales convolucionales y los modelos de atención transformer- superan a los métodos estadísticos clásicos en precisión predictiva cuando disponen de volúmenes de datos suficientes, pero presentan el problema conocido como caja negra: no permiten entender por que el modelo ha generado una predicción concreta, lo que dificulta su validación crítica y su uso en contextos jurídicos donde la explicabilidad es un requisito fundamental.

5.2. Tipos de algoritmos y sus aplicaciones en perfilación

La literatura distingue tres grandes familias de algoritmos con aplicación en perfilación criminal. Los algoritmos de aprendizaje supervisado son entrenados con bases de datos de casos resueltos en los que se conocen tanto las características de la escena del crimen como las del autor. El algoritmo aprende las asociaciones entre unas y otras y puede, ante un caso nuevo, generar una estimación probabilística de las características del autor. Estos algoritmos son los más directamente aplicables a la perfilación clásica -inferir características del delincuente a partir de la escena- pero su rendimiento depende críticamente de la calidad y representatividad de los datos de entrenamiento.

Los algoritmos de aprendizaje no supervisado -como el clustering o los modelos de mezcla gaussiana- no requieren datos etiquetados y son especialmente útiles para identificar tipologías emergentes: grupos de casos con patrones similares que ningún analista humano había identificado previamente como categoría. Esta capacidad de descubrimiento tipológico tiene un potencial enorme en el estudio de delitos emergentes para los que aún no existen tipologías establecidas, como determinadas formas de cibercrimen o de terrorismo hibrido.

Los algoritmos de aprendizaje por refuerzo, todavía en fases tempranas de aplicación en criminología, aprenden de la retroalimentación sobre sus predicciones pasadas y ajustan sus modelos de forma continua. Su aplicación más prometedora en perfilación es la mejora iterativa de los modelos de policía predictiva: el sistema aprende de los errores de predicción pasados para mejorar sus estimaciones futuras, siempre que exista un mecanismo de retroalimentación suficientemente rápido y fiable.

Tabla 3

Tipología de algoritmos de machine learning y sus aplicaciones en perfilación criminal.

Tipo de algoritmo	Ejemplo de tecnica	Aplicacion en perfilacion	Limitacion principal
Aprendizaje supervisado	Random Forest, SVM, redes neuronales	Inferencia de características del autor desde la escena	Requiere datos etiquetados de calidad; riesgo de sesgo en datos históricos
Aprendizaje no supervisado	K-means, clustering jerárquico, LDA	Identificación de tipologías emergentes; agrupación de casos	Dificultad de interpretación; tipologías pueden carecer de sentido criminológico
Aprendizaje profundo	CNN, LSTM, Transformers	Análisis de imágenes de escena, texto de interrogatorios, patrones de movilidad	Caja negra; exige grandes volúmenes de datos; poca explicabilidad
Aprendizaje por refuerzo	Q-learning, redes de política	Mejora iterativa de modelos predictivos	Dificultad de definir función de recompensa ética; riesgo de sesgo acumulativo
Modelos probabilísticos	Redes bayesianas, modelos ocultos de Markov	Estimación de probabilidad de autoría; análisis de secuencias criminales	Requieren especificación previa de estructura del modelo

Nota. uente: elaboración propia a partir de Mandalapu et al. (2023) y Abrams y Grassi (2024).

5.3. La cuestión de la explicabilidad: XAI y el derecho a saber

Uno de los problemas más serios que plantea el uso de algoritmos de aprendizaje profundo en contextos forenses y judiciales es su opacidad. Un algoritmo que genera la predicción de que el autor de un homicidio es probablemente varón, de entre 28 y 35 años, con residencia en un radio de 3 kilómetros de la escena no puede, en la mayoría de los casos, explicar en términos inteligibles por que ha llegado a esa conclusión. Esta opacidad es incompatible con los principios fundamentales del derecho penal: la presunción de inocencia, el derecho a conocer y rebatir las pruebas de cargo, y la exigencia de motivación de las decisiones judiciales.

Garrett y Rudin (2023), en un artículo publicado en las Proceedings of the National Academy of Sciences que ha tenido una influencia considerable en el debate, propusieron el concepto de algoritmos forenses interpretables como requisito mínimo para el uso de IA en contextos jurídicos. Su argumento es que cualquier algoritmo utilizado en el proceso penal debe ser capaz de explicar en términos comprensibles para un jurado o un tribunal las razones de sus predicciones, lo que implica preferir modelos mas simples y explicables sobre modelos mas precisos pero opacos.

La inteligencia artificial explicable (XAI, por sus siglas en inglés) es el campo de investigación que aborda este problema. Técnicas como LIME (Local Interpretable Model-agnostic Explanations) o SHAP (SHapley Additive exPlanations) permiten aproximar explicaciones locales del comportamiento de modelos de caja negra, identificando que variables han tenido mayor peso en una predicción concreta. Su adopción en el campo de la perfilación criminal es todavía incipiente pero creciente, y es previsible que se convierta en un requisito estándar para la admisión de evidencias basadas en IA en los tribunales de los países con sistemas jurídicos avanzados.

6. Policía predictiva basada en IA: Posibilidades, límites y marco ético

6.1. Definición y modalidades de la policía predictiva

La policía predictiva puede definirse como el uso de análisis estadísticos y algoritmos computacionales para anticipar donde, cuando y, en sus versiones más avanzadas, quien podría protagonizar un incidente criminal, con el objetivo de orientar preventivamente la asignación de recursos policiales. La distinción entre sus modalidades es fundamental para entender tanto sus posibilidades como sus riesgos.

La predicción orientada al lugar -place-based predictive policing- es la modalidad más desarrollada y empíricamente validada. Parte del principio bien documentado en criminología ambiental de que los crímenes no se distribuyen aleatoriamente en el espacio, sino que se concentran en hotspots: áreas geográficas relativamente pequeñas que concentran una proporción desproporcionada de los incidentes. Los modelos predictivos orientados al lugar estiman la probabilidad de incidencia en distintas zonas para distintos periodos temporales, permitiendo a las patrullas policiales concentrar su presencia en las zonas de mayor riesgo en los momentos de mayor probabilidad.

La predicción orientada al individuo -person-based predictive policing- es metodológicamente más compleja y ética y jurídicamente más problemática. Consiste en asignar a individuos concretos una puntuación de riesgo de protagonizar un incidente criminal futuro -como víctima, como autor, o como ambos- para orientar intervenciones preventivas individualizadas. Esta modalidad es la que plantea los interrogantes más serios sobre presunción de inocencia y discriminación.

Tabla 4

Modalidades de policía predictiva basada en IA

Modalidad	Objeto de predicción	Ejemplos de sistemas	Nivel de validación empirica	Nivel de controversia ética
Orientada al lugar	Hotspots espaciotemporales	PredPol (EEUU), Precobs (Alemania)	Alto	Moderado
Orientada al delito	Tipo y probabilidad de delito por zona	HunchLab (EEUU), Coplink (EEUU)	Medio-alto	Moderado
Orientada al individuo	Puntuación de riesgo individual	COMPAS (EEUU), PSA (EEUU)	Controvertido	Muy alto
Orientada a la red	Redes de criminalidad organizada y terrorismo	Palantir (EEUU/UK), i2 Analyst Notebook	Limitado y reservado	Alto

Nota. elaboración propia. Fuente: EUCPN (2021)

6.2. Evidencia empírica sobre la efectividad de la policía predictiva

La Red Europea de Prevención del Crimen (EUCPN, 2021) público el informe de mayor alcance disponible sobre la implantación real de sistemas de policía predictiva en Europa, documentando casos en Francia, Estonia, Bélgica, Alemania y Países Bajos. El informe revela una imagen matizada: los sistemas orientados al lugar han mostrado reducciones estadísticamente significativas de determinados tipos de delito en las áreas de despliegue, pero con efectos de desplazamiento geográfico -el delito no se elimina, sino que se traslada a zonas adyacentes- que reducen el impacto neto sobre la criminalidad total.

El caso de Francia es ilustrativo de las posibilidades y de los límites. El sistema implantado en varias regiones francesas genera mapas de probabilidad de incidencia basados en históricos de denuncias, estadísticas de crímenes y geolocalización de incidentes anteriores, con actualización dinámica que incorpora incluso variables meteorológicas. Los resultados en términos de reorientación de patrullas han sido positivos según las autoridades francesas, pero la ausencia de evaluaciones independientes rigurosas -con grupos de control y metodología experimental- impide extraer conclusiones definitivas sobre la efectividad neta del sistema.

Estonia representa el caso de mayor ambición: su sistema integra datos de crímenes anteriores, cruces fronterizos, fallecimientos no naturales y documentación de inmigrantes para generar predicciones multicriterio. La sofisticación del sistema es notable, pero su evaluación publica es prácticamente inexistente, lo que hace imposible valorar su efectividad real o los posibles sesgos que pueda incorporar.

CASO PRACTICO – PredPol en Los Angeles (2011-2020): éxito anunciado y abandono

El sistema PredPol, implantado por el Departamento de Policía de Los Ángeles en 2011, fue durante años el ejemplo más citado de policía predictiva exitosa. El sistema generaba, dos veces por turno, mapas con cajas de 150×150 metros que indicaban las zonas de mayor probabilidad de delito, orientando las patrullas hacia esas áreas. Los defensores del sistema alegaban reducciones del 20% en determinadas categorías de delito en las zonas de despliegue. Los críticos, sin embargo, documentaron que el sistema generaba un círculo de retroalimentación perversa: como las patrullas se concentraban en las zonas predichas, allí se registraban más detenciones, lo que alimentaba el modelo con mas datos de esas zonas, que a su vez generaba más predicciones de delito en las mismas zonas, independientemente de si el delito había aumentado o disminuido realmente. Un informe del Stop LAPD Spying Coalition (2021) documento además que las zonas predichas coincidían sistemáticamente con barrios de población mayoritariamente negra y latina, reproduciendo y amplificando los sesgos de las practicas policiales históricas. El LAPD abandono PredPol en 2020. El caso es hoy el ejemplo canónico del sesgo de retroalimentación en policía predictiva.

6.3. El problema del sesgo algorítmico: evidencia y consecuencias

El sesgo algorítmico en los sistemas de policía predictiva es uno de los problemas más documentados y serios de la aplicación de la IA en el ámbito de la seguridad pública. Su mecanismo es el siguiente: los datos de entrenamiento de los modelos predictivos reflejan las practicas policiales históricas, que en muchos países han implicado una vigilancia desproporcionada de determinados grupos demográficos -en particular, comunidades racializadas y barrios- con alta concentración de pobreza. Los modelos aprenden esos patrones sesgados y los proyectan hacia el futuro, generando predicciones que concentran la atención policial en los mismos grupos, con independencia de si su probabilidad real de cometer delitos es mayor o menor que la de otros grupos menos vigilados históricamente.

Ferrara (2024) denomino a este fenómeno el efecto mariposa en los sistemas de IA: errores iniciales en los datos de entrenamiento, aparentemente pequeños, pueden amplificarse de forma no lineal en las predicciones finales, generando resultados muy alejados de la realidad que el modelo pretende describir. En el contexto de la policía predictiva, este efecto no es solo un problema de precisión estadística: tiene consecuencias directas sobre los derechos fundamentales de las personas que viven en las zonas o pertenecen a los grupos sistemáticamente sobrepredichos como de alto riesgo.

Campedelli (2022), en su revisión del estado del machine learning en criminología, concluyo que el campo se encuentra en una encrucijada: las herramientas tecnológicas disponibles ofrecen posibilidades genuinamente transformadoras, pero su uso sin un marco regulatorio adecuado y sin mecanismos de supervisión independiente puede causar danos sistémicos de difícil reparación. Su llamada a una criminología computacional critica -que combine la competencia técnica con la conciencia de las implicaciones sociales y políticas de los modelos- es un punto de referencia ineludible para cualquier profesional que trabaje en este campo.

6.4. El marco regulatorio: la Ley Europea de Inteligencia Artificial y sus implicaciones

La Union Europea aprobó en 2024 el Reglamento de Inteligencia Artificial (AI Act), el marco jurídico más ambicioso hasta la fecha para regular el uso de sistemas de IA en sectores de alto riesgo. El Reglamento clasifica los sistemas de IA según su nivel de riesgo y establece prohibiciones absolutas para los considerados de riesgo inaceptable, entre los que se incluyen los sistemas de puntuación social por parte de poderes públicos y los sistemas de identificación biométrica en tiempo real en espacios públicos, salvo excepciones tasadas.

Para los sistemas de policía predictiva -clasificados generalmente como de alto riesgo-, el Reglamento establece requisitos de transparencia, supervisión humana, calidad de los datos de entrenamiento y rendición de cuentas que, si se aplican con rigor, podrían mitigar algunos de los problemas de sesgo y opacidad descritos en los epígrafes anteriores. Sin embargo, los mecanismos de supervisión independiente y las sanciones por incumplimiento son objeto de debate en la comunidad jurídica y se considera que su efectividad dependerá en gran medida de la voluntad política de los Estados miembros para implementarlos.

Nota académica: El AI Act europeo establece que los sistemas de IA de alto riesgo utilizados por las autoridades policiales deben documentar su lógica de funcionamiento, sus limitaciones y los tipos de individuos o grupos que podrían verse afectados de manera desproporcionada. Esta obligación de documentación, si se aplica de forma rigurosa, es el principal mecanismo de control del sesgo algorítmico en policía predictiva en el marco europeo.

7. Síntesis comparativa: Los modelos tipológicos en perspectiva

A lo largo de los epígrafes anteriores hemos examinado cuatro grandes paradigmas tipológicos en perfilación criminal: el modelo dicotómico del FBI, la psicología investigativa de Canter, el análisis de evidencia conductual de Turvey y los modelos computacionales basados en machine learning. Cada uno responde a una concepción diferente de lo que significa conocer al delincuente y de como ese conocimiento puede utilizarse en la investigación criminal.

Tabla 5

Comparativa de los modelos tipológicos en perfilación criminal.

Criterio	FBI (dicotómico)	Psic. Investigativa	BEA (Turvey)	Machine Learning
Base epistemológica	Inductiva; experiencia acumulada	Hipotético-deductiva; estadística	Deductiva; caso a caso	Inductiva computacional; datos masivos
Tipo de tipología	Binaria (organizado/desorganizado)	Dimensional (multifactorial)	Ninguna; perfiles individuales	Emergente; identificada por el algoritmo
Validación empírica	Débil; muestra limitada	Media-alta; múltiples estudios	Difícilmente validable	Variable; depende de los datos
Aplicabilidad practica	Alta; simple y rápida	Media; requiere formación estadística	Baja; muy intensiva en tiempo	Alta con infraestructura; limitada sin ella
Explicabilidad jurídica	Alta; conceptos intuitivos	Media; requiere traducción estadística	Alta; razonamiento explicito	Baja (modelos complejos) o media (XAI)
Riesgo de sesgo	Moderado (sesgo de confirmación)	Bajo-moderado	Bajo	Alto (sesgo de datos históricos)
Ámbito de aplicación	Crímenes violentos seriales	Delitos seriales con patrón claro	Cualquier delito con evidencias	Delitos con datos suficientes

Nota: Elaboración propia a partir de Petherick y Brooks (2022), Mandalapu et al. (2023) y Campedelli (2022).

La lectura de esta tabla comparativa no debe conducir a la conclusión de que un modelo es superior a los demás en términos absolutos. Cada modelo tiene sus fortalezas y sus limitaciones, y la elección entre ellos depende del contexto de aplicación: el tipo de delito, los datos disponibles, los recursos del equipo investigador y los requisitos del sistema jurídico en el que se opera. La tendencia dominante en la investigación más reciente apunta hacia modelos integrados que combinan el análisis cualitativo de la escena -donde la experiencia del perfilador sigue siendo insustituible- con herramientas estadísticas y computacionales que amplifican sus capacidades sin reemplazar su juicio crítico.

8. Conclusiones: Tipologías en evolución permanente

Las tipologías en perfilación criminal no son verdades eternas: son instrumentos conceptuales construidos en un momento histórico determinado para responder a necesidades investigadoras concretas. El modelo organizado/desorganizado del FBI fue una respuesta creativa -y en su tiempo pionera- a la necesidad de sistematizar la experiencia acumulada en la investigación de asesinos en serie. La psicología investigativa fue una respuesta académica a las limitaciones empíricas de ese modelo. Los modelos de machine learning son la respuesta tecnológica a la explosión de datos que caracteriza el siglo XXI.

El criminólogo del Siglo XXI no puede permitirse ser un partidario dogmático de ninguno de estos modelos. Debe conocerlos todos con profundidad suficiente para entender sus fundamentos, sus posibilidades y sus límites; debe ser capaz de seleccionar el más adecuado para cada situación concreta; y debe mantener siempre una actitud crítica hacia los resultados que generan, sin olvidar que todos ellos son aproximaciones probabilísticas a una realidad humana que nunca puede ser reducida completamente a ninguna categoría ni a ningún algoritmo.

El reto más urgente que tiene ante sí la perfilación tipológica en la actualidad no es tecnológico, sino ético y regulatorio. Las herramientas de IA para la construcción de tipologías y la predicción criminal existen y funcionan con una eficacia notable en determinados contextos. Lo que no existe todavía, en la mayor parte de los países, es un marco regulatorio suficientemente solido para garantizar que esas herramientas se utilizan con transparencia, con rendición de cuentas y con pleno respeto a los derechos fundamentales de los ciudadanos. Llenar ese vacío es una tarea en la que los criminólogos tienen una responsabilidad particular: son los profesionales mejor situados para tender el puente entre la competencia técnica de los ingenieros de IA y la conciencia de las consecuencias sociales y jurídicas del uso de esas técnicas en el ámbito de la seguridad pública.

9. Referencias Bibliográficas

Abrams, G., & Grassi, G. (2024). Artificial Intelligence is Revolutionizing Criminal Profiling and Investigation. Journal of Forensic Medicine, 9, 355. https://doi.org/10.37421/2472-1026.2024.9.355

Campedelli, G. M. (2022). Machine Learning for Criminology and Crime Research: At the Crossroads. International Annals of Criminology, 60(1), 1-22. https://doi.org/10.1017/cri.2022.15

Dau, P. M., Dewinter, M., Witlox, F., Beken, T. V., & Vandeviver, C. (2023). Simple Indicators of Crime and Police: How Big Data Can Be Used to Reveal Temporal Patterns. European Journal of Criminology, 20(3), 1146-1163. https://doi.org/10.1177/14773708211044492

EUCPN (2021). Artificial Intelligence and Predictive Policing: Risks and Challenges. European Crime Prevention Network. https://eucpn.org

Ferrara, E. (2024). The Butterfly Effect in Artificial Intelligence Systems: Implications for AI Bias and Fairness. Machine Learning with Applications, 15, 100525. https://doi.org/10.1016/j.mlwa.2024.100525

Garrett, B., & Rudin, C. (2023). Interpretable Algorithmic Forensics. Proceedings of the National Academy of Sciences, 120. https://doi.org/10.1073/pnas.2301842120

Kronkvist, K., Borg, A., Boldt, M., & Gerell, M. (2025). Predicting Public Violent Crime Using Register and OpenStreetMap Data: A Risk Terrain Modeling Approach Across Three Cities of Varying Size. Applied Spatial Analysis and Policy, 18(1), 9. https://doi.org/10.1007/s12061-024-09588-y

Mandalapu, V., Elluri, L., Vyas, P., & Roy, N. (2023). Crime Prediction Using Machine Learning and Deep Learning: A Systematic Review and Future Directions. IEEE Access, 11, 60153-60170. https://doi.org/10.1109/ACCESS.2023.3285048

Oatley, G. C. (2022). Themes in Data Mining, Big Data, and Crime Analytics. WIREs: Data Mining and Knowledge Discovery, 12(2), e1432. https://doi.org/10.1002/widm.1432

Petherick, W., & Brooks, N. (2022). Reframing Criminal Profiling: A Guide for Integrated Practice. Psychiatry, Psychology, and Law, 29(3), 431-455. https://doi.org/10.1080/13218719.2021.1917011

Peoples, S. (2024). International Methods of Offender Profile Construction, Standardization, and Effective Criminal Investigative Processes. Tesis doctoral, Walden University. https://scholarworks.waldenu.edu

Sengonul, E., Samet, R., Abu Al-Haija, Q., Alqahtani, A., Alturki, B., & Alsulami, A. A. (2023). An Analysis of Artificial Intelligence Techniques in Surveillance Video Anomaly Detection: A Comprehensive Survey. Applied Sciences, 13(8), 4956. https://doi.org/10.3390/app13084956

Canter, D. V., Alison, L. J., Alison, E., & Wentink, N. (2004). The Organized/Disorganized Typology of Serial Murder: Myth or Model? Psychology, Public Policy, and Law, 10(3), 293-320.

Canter, D. V., & Heritage, R. (1990). A Multivariate Model of Sexual Offence Behaviour. The Journal of Forensic Psychiatry, 1(2), 185-212.

Morton, R. J., Tillman, J. M., & Gaines, S. J. (2014). Serial Murder: Pathways for Investigations. Federal Bureau of Investigation.

Ressler, R. K., Burgess, A. W., & Douglas, J. E. (1988). Sexual Homicide: Patterns and Motives. Lexington Books.

Rossmo, D. K. (1995). Geographic Profiling. Tesis doctoral, Simon Fraser University.

Turvey, B. E. (2011). Criminal Profiling: An Introduction to Behavioral Evidence Analysis (4.a ed.). Academic Press.

Union Europea (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo por el que se establecen normas armonizadas en materia de inteligencia artificial (Ley de IA). Diario Oficial de la Union Europea.

Recurso descargable