Seevia
Seevia desarrolla y comercializa soluciones tecnológicas con foco en la aplicación de Inteligencia Artificial y Sistemas de Percepción, en tres líneas de negocio: Seevia Auto (enfocada en el sector automoción y de movilidad conectada y autónoma), Seevia City (enfocada en el desarrollo del concepto Smart City en ciudades y grandes infraestructuras) y Seevia Industry (enfocada en procesos de inspección, automatización y virtualización desarrollando el concepto de industria 4.0.).
Aplican su know-how tecnológico en el desarrollo de productos escalables propios que puedan ser vendidos mediante licencias de uso o mediante servicios profesionales.
Datos de la empresa
Año de fundación
2023
NIF/CIF
B56226707
Certificaciones
Nº de Empleados
7
Public Readiness (Tracción pública)
Valor total de contratos adjudicados (último año)
€
Clientes públicos destacados
Ayuntamiento de Madrid,, Ayuntamiento de Zaragoza, Mercamadrid.
Vendor Trust (Solvencia económica)
Facturación (último año)
€
Inversión levantada acumulada
€
Contrato mayor valor en los últimos 3 años
€
Inversores
Universidad Carlos III de Madrid (UC3M).
Ecosistema
Premios
- Inteligencia Artificial y Tecnologías Avanzadas 2024 - Por el proyecto “Seevia City – Smart Waste Management Platform”
Aceleradoras
Datos de la empresa
Detección inteligente de residuos y optimización de la recogida urbana
Problema
- Planificación ineficiente basada en rutas fijas: la recogida se organiza con horarios predefinidos sin considerar el nivel real de llenado, generando desplazamientos innecesarios y desbordes en zonas de alta demanda.
- Detección tardía y reactiva de incidencias: la identificación de problemas depende de llamadas ciudadanas o de la observación manual, provocando retrasos y falta de registro sistemático.
- Falta de visibilidad sobre puntos críticos: las administraciones no disponen de una visión estructurada de dónde y cuándo se acumulan residuos fuera de contenedor.
- Déficit de datos integrados para la toma de decisiones: la ausencia de mapas y datos en tiempo real dificulta coordinar de forma eficiente a concesionarias y servicios municipales.
- Impacto en costes, sostenibilidad y percepción del servicio: esta falta de optimización genera mayores costes operativos, impacto ambiental innecesario y una percepción negativa por parte de la ciudadanía.
Solución
- Detección automática de residuos y contenedores: permitió utilizar modelos de deep learning para identificar en tiempo real contenedores desbordados y residuos fuera de los puntos de depósito a partir de imágenes urbanas.
- Alertas georreferenciadas en tiempo real: facilitó el envío automático de avisos con posición exacta, tipo de incidencia y nivel de criticidad a un centro de control.
- Panel de control para servicios de limpieza: permitió supervisar mediante cuadros de mando con mapas de calor, histórico de incidencias e indicadores de saturación para priorizar intervenciones.
- Integración con rutas y recursos de recogida: permitió conectar las alertas con sistemas de planificación y flota para reordenar rutas y optimizar recursos según la demanda real.
- Cumplimiento de privacidad por diseño: garantizó el cumplimiento de RGPD mediante técnicas de anonimización impulsadas por IA que evitan la identificación de personas y vehículos.
- Arquitectura escalable y reutilizable: permitió desplegar la solución sobre infraestructuras existentes e integrar dispositivos IoT adicionales, ampliando su uso a otros servicios urbanos.

Visión artificial + LiDAR + analítica avanzada en tiempo real
Problema
- Saturación de accesos en horas punta: la operativa diaria generaba colas descoordinadas que se extendían a otras vías internas, provocando retrasos en cascada.
- Gestión del tráfico basada en información fragmentada: la supervisión se realizaba mediante observación manual, sin sistemas que permitieran seguir automáticamente los recorridos de los vehículos.
- Falta de visibilidad sobre patrones de uso: no existían herramientas para entender cómo se utilizaba el espacio ni identificar con precisión los puntos críticos.
- Imposibilidad de detectar cuellos de botella reales: la ausencia de datos georreferenciados impedía saber qué viales, rotondas o zonas de espera concentraban los problemas.
- Toma de decisiones con datos incompletos: la planificación de la movilidad interna se basaba en información parcial, sin capacidad de reacción en tiempo real ante picos o incidencias.
- Impacto operativo y económico: se generaban tiempos muertos en accesos y zonas de carga/descarga, mayor desgaste de infraestructuras y aumento de costes sin claridad sobre prioridades de actuación.
Solución
- Trazabilidad vehicular automatizada: permitió identificar, seguir y analizar en tiempo real el recorrido de cada vehículo desde su entrada hasta su salida, sin necesidad de sensores a bordo.
- Sensores distribuidos en accesos y puntos críticos: facilitó la captura continua de datos mediante cámaras y LiDAR, detectando colas, maniobras irregulares, ocupaciones indebidas y densidad por carril o zona.
- Clasificación avanzada de vehículos y mercancías: automatizó la detección de matrículas y la lectura de códigos BIC/IMO, diferenciando tipos de vehículo y flujos de transporte.
- Analítica en tiempo real y modelos predictivos: permitió generar indicadores sobre tiempos de permanencia, longitud de colas y patrones históricos, anticipando episodios de congestión y proponiendo rutas alternativas.
- Panel operativo unificado para gestores: permitió visualizar la operativa mediante dashboards con mapas de calor, alertas, histogramas de uso de carriles y trazabilidad completa.
- Recomendaciones dinámicas para usuarios: permitió ofrecer a transportistas y operadores sugerencias de acceso, rutas alternativas y zonas de estacionamiento, reduciendo tiempos de espera.
- Arquitectura por fases y baja intrusión: facilitó un despliegue gradual reutilizando infraestructuras existentes e integrándose con sistemas de cobro, logística y seguridad.

