Modelos fundacionales y copilotos: cómo la IA está redibujando los SIG en 2026

En los últimos dieciocho meses la inteligencia artificial dejó de ser una técnica más dentro del SIG y empezó a cambiar la estructura misma del trabajo geoespacial. No hablamos de promesas: hablamos de modelos publicados con fecha, licencia y benchmark, y de asistentes que ya operan dentro de ArcGIS Pro y QGIS. Esta nota resume lo que está pasando en dos frentes —modelos fundacionales y copilotos de lenguaje natural—, con las cifras verificables y también con los límites documentados.

Si busca casos de uso aplicados en Colombia, ya los cubrimos en IA aplicada a SIG: casos reales. Aquí el foco es la transformación de fondo de la industria.

Primer frente: los modelos fundacionales geoespaciales

Un modelo fundacional se preentrena una sola vez sobre volúmenes masivos de imágenes satelitales y luego se ajusta (fine-tuning) para tareas específicas con relativamente pocos datos etiquetados. Tres lanzamientos marcan el estado del arte:

Prithvi-EO-2.0 (NASA + IBM, diciembre 2024)

Entrenado con 4,2 millones de series temporales globales del archivo Harmonized Landsat-Sentinel (HLS) de la NASA a 30 m de resolución, Prithvi-EO-2.0 superó a su predecesor en 8% en el benchmark GEO-Bench (75,6% promedio en su lanzamiento, por encima de otros seis modelos fundacionales de la época). Fue diseñado con expertos de dominio para respuesta a desastres, mapeo de coberturas y cultivos, y monitoreo de ecosistemas. Lo más relevante para una entidad o consultoría: es Apache 2.0, gratuito, disponible en Hugging Face con el toolkit de fine-tuning TerraTorch de IBM.

AlphaEarth Foundations y los Satellite Embeddings (Google DeepMind)

Google DeepMind y Earth Engine publicaron el dataset Satellite Embedding: cada píxel de 10 m de la superficie terrestre del planeta, representado como un vector de 64 dimensiones que condensa un año de observaciones de Landsat, Sentinel-1 (radar), Sentinel-2 (óptico) y LiDAR. El catálogo de Earth Engine cubre 2017–2024; el archivo oficial en Google Cloud Storage incluye también 2025. Los datos usan licencia CC-BY 4.0, pero el bucket GCS funciona bajo modalidad provider pays desde julio de 2026.

El cambio conceptual es enorme: la documentación oficial indica que los embeddings están diseñados para clasificación, clustering y detección de cambios, y que comparar dos años se reduce a calcular el producto punto entre vectores. Es decir, mapear cobertura o detectar cambio a escala nacional ya no exige entrenar una red profunda por proyecto: exige álgebra lineal sobre características precalculadas, más criterio para validar.

Major TOM (ESA Φ-lab + CloudFerro, enero 2025)

La agencia espacial europea tomó el camino de los datos: Major TOM incluye la mayor colección de imágenes Sentinel-2 lista para machine learning publicada hasta comienzos de 2025, y una expansión de más de 169 millones de embeddings precalculados procesando más de 62 TB de datos Copernicus, con cuatro modelos distintos, todo abierto en Hugging Face.

El patrón común de los tres: modelos o datos con acceso público y licencias abiertas. Eso no vuelve gratuita toda la operación: almacenamiento, descarga, cómputo y el uso comercial de plataformas como Earth Engine pueden generar costos. Aun así, la barrera de entrada bajó y la ventaja competitiva se movió hacia la calidad del dato local y la validación en terreno.

Segundo frente: el SIG conversacional

ArcGIS: una docena de asistentes en beta

En octubre de 2025 Esri tenía unos trece asistentes de IA repartidos por la plataforma ArcGIS, todos en beta o preview. En junio de 2026, los asistentes de Survey123, Business Analyst y traducción pasaron a disponibilidad general. El asistente de ArcGIS Pro 3.7 entró en beta abierta para usuarios elegibles el 27 de mayo de 2026: genera código ArcPy, consultas SQL y OpenCypher, y ejecuta acciones compatibles dentro de la aplicación a partir de lenguaje natural.

Un detalle que a nosotros nos importa especialmente: entre las acciones del asistente 3.7 están la gestión de registros de parcel fabric —el modelo de datos catastral de Esri— y la creación y realineación de rutas LRS. La IA conversacional ya está tocando flujos catastrales y de infraestructura, no solo mapas temáticos.

QGIS: GIS Copilot, revisado por pares

En el mundo libre, el plugin GIS Copilot / SpatialAnalysisAgent (Penn State, publicado en el International Journal of Digital Earth, 2025) incrusta un agente LLM en QGIS: descompone la tarea, elige entre ~390 herramientas de QGIS/GDAL compiladas (más de 600 en la versión 1.3 de diciembre 2025), genera y ejecuta código PyQGIS y se autodepura. En la evaluación del paper —110 tareas de análisis espacial, hasta tres intentos— logró alrededor de 92-95% de éxito en tareas básicas, 80-83% en intermedias y 75% en avanzadas.

Los límites, documentados

La misma evaluación revisada por pares que valida a GIS Copilot documenta sus fallas, y son exactamente las que un profesional SIG reconocería:

• Omite reproyecciones salvo que se le pida explícitamente: el agente cruza capas en sistemas de coordenadas distintos sin inmutarse.
• Confunde modelos de datos: asigna entradas vectoriales a herramientas exclusivamente ráster (el caso citado: gdal:proximity).
• Tropieza con las rarezas de formato, como el truncamiento a 10 caracteres de los nombres de campo en shapefile, que rompe joins silenciosamente.

La conclusión no es "la IA no sirve"; es que el criterio geoespacial humano pasó de producir a auditar. Quien no sepa qué es un CRS no va a detectar que el copiloto omitió la reproyección. En Colombia, donde trabajamos en MAGNA-SIRGAS / origen nacional (EPSG:9377), ese tipo de error no es teórico: es la diferencia entre un avalúo defendible y uno impugnado.

Qué significa para Colombia

Aquí la evidencia pública es más cualitativa, y lo decimos con esa honestidad: no hay cifras de adopción verificables para América Latina. Pero las señales institucionales existen: el DNP ha explorado IA para apoyar la actualización del catastro multipropósito, y la infraestructura colombiana de datos espaciales (ICDE) ya discute la inteligencia geoespacial como tendencia para el desarrollo territorial.

Para una entidad pública o una empresa agroindustrial, la lectura práctica es triple:

1. El insumo se volvió mucho más accesible. Embeddings globales anuales a 10 m y con licencia CC-BY cubren Colombia desde 2017; su almacenamiento, descarga o cómputo sí pueden tener costo. Proyectos de monitoreo de deforestación o agricultura con Earth Engine parten hoy de una base que en 2023 habría costado meses de procesamiento.
2. La validación local es el diferencial. Un modelo global no conoce la nubosidad del Chocó ni las coberturas del piedemonte llanero. Verdad de terreno, muestreo bien diseñado y conocimiento del territorio valen más que nunca.
3. El catastro está en la agenda de la IA, desde el parcel fabric de Esri hasta los pilotos institucionales. Para procesos como el catastro multipropósito, la IA priorizará y preclasificará; la decisión jurídica y técnica seguirá siendo humana y auditable.

Nuestra posición

En GeoSAT llevamos 30 años viendo cambiar las herramientas: de la restitución analógica al dron, del servidor local a Earth Engine. La lección de siempre aplica también ahora: la tecnología se adopta, el criterio se construye. Combinamos estos modelos abiertos con datos colombianos reales y validación en terreno, en nuestra plataforma agrícola Geobristol y en los proyectos de nuestros clientes.

Si quiere evaluar dónde los modelos fundacionales o los copilotos SIG pueden acelerar su operación —sin humo y con métricas—, conozca nuestro servicio de IA geoespacial o escríbanos.