Hay decisiones que, aunque se tomen en un comité de inversión, en realidad se juegan en el salón de una casa. En la mesa de la cocina de una familia que ya no puede más. En la conversación difícil —a veces aplazada durante meses— sobre qué hacer cuando la dependencia aparece (o se agrava) y el cuidado en casa deja de ser viable.
Abrir residencias en España no es solo una decisión empresarial: es, literalmente, una decisión social. Y por eso me ilusiona especialmente compartir un proyecto que he tenido la suerte de acompañar: SEED, un algoritmo desarrollado por un grupo de 3 estudiantes de Akademia (Fundación Innovación Bankinter) que ha logrado la máxima puntuación del programa y que, sobre todo, pone una pregunta incómoda encima de la mesa con una respuesta concreta:
¿Dónde deberían ubicarse las próximas 1.000 residencias de mayores en España para no fallar en el intento?
El contexto: envejecimiento acelerado y decisiones que no admiten improvisación
España se enfrenta a uno de los grandes retos de este siglo: el envejecimiento. El propio informe técnico de SEED trabaja con una proyección muy clara: en 2050, más del 30% de la población española superará los 65 años. Eso no es un titular; es una presión real y creciente sobre el sistema de cuidados.
Pero aquí viene lo importante: la necesidad no es homogénea. No envejecemos igual en todas las provincias. No hay la misma capacidad económica en todos los barrios. Ni la misma accesibilidad. Ni la misma oferta existente. Y, aun así, históricamente hemos tomado decisiones de ubicación con demasiada intuición, demasiada costumbre… o demasiada prisa.
En este escenario, SEED aterriza como lo que debería ser normal en 2026: una herramienta práctica para convertir datos en decisiones.
Una idea clave que lo cambia todo: no “vendemos plazas”, vendemos tranquilidad
Hay una frase del informe que me parece de esas que merecen subrayado grueso:
“El público objetivo de una residencia no es solo el residente anciano, sino el sistema familiar completo. No vendemos plazas a personas mayores, vendemos alivio y tranquilidad a familias saturadas.”
Ese enfoque —humano, realista y social— condiciona el algoritmo desde el principio. Porque cuando entiendes quién decide, entiendes qué variables importan. Y, sobre todo, entiendes por qué ubicar mal una residencia no es solo perder rentabilidad: es fallar a familias que ya van al límite.
¿Qué es SEED y por qué es distinto?
SEED significa Socio-Economic and Environmental Distribution, y su ambición es tan sencilla de explicar como compleja de ejecutar:
- Analizar España “al detalle” (no por provincia, sino por microunidades).
- Identificar las zonas con mejor combinación de demanda, viabilidad económicay oportunidad por baja saturación.
- Seleccionar 000 ubicacionesevitando que compitan entre sí por estar demasiado cerca.
¿Con qué “granularidad” trabaja? Con más de 36.000 secciones censales del INE. Es decir: un mapa operativo, barrio a barrio (o incluso más fino), donde cada punto tiene coordenadas, indicadores y una puntuación final.
Y aquí entra lo interesante: SEED no se limita a hacer un ranking. También añade una capa de inteligencia espacial para no caer en el error típico del “top 1.000” que, en la práctica, te coloca demasiadas residencias en zonas que se canibalizan.
La arquitectura: tres pilares y una corrección territorial
El algoritmo se estructura en capas, con pesos definidos. Esto importa porque obliga a priorizar (y priorizar, en cuidados, siempre es incómodo).
1) Demanda residencial (45%)
Esta capa combina tres indicadores:
- F-of-M (Figure of Merit), con peso interno del 65%: una métrica propietaria que mide la idoneidad demográfica respecto a una “pirámide ideal”. Cuanto más idónea la zona, mejor puntuación.
- Índice de Dependencia (grado III), con peso interno del 10%: relevante, pero tratado con cautela por la heterogeneidad territorial de los datos.
- Densidad poblacional, con peso interno del 25%: porque, nos guste o no, la logística y el acceso a recursos hacen que lo urbano (bien elegido) sea más eficiente.
2) Viabilidad económica (40%)
Aquí el algoritmo usa la renta media por hogar como proxy de capacidad de pago, con un objetivo claro: evitar morosidad. Y no lo hace con una normalización simple, sino con una función asimétrica que pone especial énfasis en el entorno de rentas más alineadas con el coste medio de una plaza residencial (en el informe se usa como referencia un coste mensual medio de 2.100 euros).
3) Saturación territorial (15%)
Este factor es de justicia territorial: corrige por el grado de saturación del mercado residencial a nivel provincial, comparando plazas existentes con población de 80+ (población objetivo). Si la provincia está poco cubierta, la puntuación mejora.
Score final
La fórmula se expresa de forma transparente:
SEED = 0,45 · Demanda + 0,40 · Renta + 0,15 · Saturación
Hasta aquí, podríamos tener “un ranking bonito”. Pero SEED no se queda ahí.
El paso que convierte un ranking en una estrategia: evitar la canibalización
Una de las mejores decisiones técnicas del proyecto es añadir un algoritmo de selección espacial con restricciones: un enfoque “greedy” iterativo que va eligiendo ubicaciones por puntuación, pero solo si están a una distancia mínima de las ya seleccionadas.
¿La distancia? No es “a ojo”. Se calcula con la fórmula de Haversine, adecuada para distancias reales sobre la superficie terrestre.
¿Y la distancia mínima es la misma en todas partes? No. Y este es el matiz inteligente:
- Alta densidad (> 5.000 hab/km²): 1,5 km
- Densidad media (1.000–5.000): 2,5 km
- Baja densidad (< 1.000): 5,0 km
Es decir: el algoritmo entiende que el mapa no es uniforme. Que un kilómetro en una ciudad y un kilómetro en una zona rural no significan lo mismo. Y que, aun evitando competir, hay que preservar accesibilidad para trabajadores y familiares.
Resultados: dónde “grita” la oportunidad
El análisis estadístico del informe sitúa como regiones con mayor potencial estratégico a:
- Galicia
- Comunidad Valenciana
- Andalucía
- Cataluña
- Comunidad de Madrid
Y cuando bajas al detalle provincial, aparecen con fuerza A Coruña, Pontevedra, Alicante, Madrid y Barcelona como cabeceras del Top 1.000.
Aquí hay una lectura doble. Por un lado, es coherente: densidad, estructura demográfica, economía, y mercado. Por otro, es un recordatorio: si no planificamos bien, estas zonas seguirán absorbiendo presión asistencial, listas de espera, y decisiones familiares a contrarreloj.
El informe aporta además un ejemplo de microlocalización que me gusta porque aterriza todo: la sección censal 1503003001 (A Coruña) aparece con el mayor score SEED (0,838), con renta alrededor de 74.388 € y un F-of-M de 0,0979, una combinación casi “ideal” dentro del modelo.
Validación: cuando los datos se contrastan con realidad
Aquí es donde muchos proyectos académicos se quedan cortos. SEED no.
- Se reporta una correlación r = 0,882con la distribución real del sector al aislar el factor de saturación, lo que sugiere un ajuste robusto a la lógica operativa del mercado.
- Se menciona una verificación con ocupaciones del 75,4% en ubicaciones top, como señal de que el algoritmo no está recomendando “puntos bonitos en un mapa”, sino zonas plausibles.
¿Es perfecto? No. ¿Y qué proyecto serio lo es? Lo valioso es que el propio informe reconoce límites y vías de mejora: más segmentación de perfiles de residente, diferencias de precios por región, distinción más fina entre oferta pública y privada, y datos más locales para reducir ruido.
Esa honestidad metodológica, en un entorno donde a veces se “vende humo” con facilidad, es oro.
Mi papel: acompañar talento joven para que genere impacto real
Quiero felicitar a los 3 autores de SEED por el trabajo realizado, la rigurosidad en su elaboración, y la novedad en el enfoque social del proyecto. Ellos son: Luis Garbayo (estudiante de Ingeniería Informática de la Universidade de Vigo), Pau Ferrer (estudiante de Negocios Internacionales de la Universidad de Valencia) y Beatriz Giráldez (estudiante de Biología de la Universidade de Vigo).
He colaborado con este equipo como mentor/apoyo en el proceso: ayudando a convertir una idea ambiciosa en un enfoque defendible, a aterrizar variables, a discutir supuestos incómodos (como el equilibrio entre necesidad social y viabilidad económica) y, sobre todo, a mantener la pregunta correcta en el centro.
Porque cuando trabajas en dependencia, el riesgo es construir modelos brillantes… que no sirven para decidir nada. Y aquí la obsesión fue la contraria: hacer una herramienta útil. Que alguien pueda abrir el mapa, ver el ranking, entender el porqué, y tomar decisiones con menos incertidumbre.
Y eso, sinceramente, es lo que más me gusta de SEED: no pretende reemplazar el criterio humano; pretende elevarlo.
Por qué este tipo de proyectos importan (y mucho)
Si algo demuestra SEED es que el futuro de los cuidados no se construye solo con más recursos, sino con mejores decisiones.
- Mejor decisión es anticiparse.
- Mejor decisión es invertir donde hace faltay no solo donde “siempre ha funcionado”.
- Mejor decisión es considerar al mayor, sí, pero también al cuidador, a la familia, al territorio.
- Mejor decisión es planificar con datos sin olvidar que detrás hay vidas.
Ojalá veamos más proyectos así: jóvenes que entienden que la inteligencia artificial no va de impresionar, sino de servir. Y ojalá, también, más colaboración entre quienes están aprendiendo a construir herramientas y quienes llevamos tiempo viendo el problema en primera línea.
Porque, al final, ubicar bien 1.000 residencias no es un ejercicio de optimización. Es una forma de decirle a miles de familias: “os vemos, y no os vamos a dejar solos”.
Jesús Cubero es socio fundador de UMA CARE (Unidades de Memoria Activa), director general de HDS Formación y adjunto al director general de Mensajeros de la Paz.
Si (
No(