Cuando abrís Google Maps para calcular cuánto tardás en llegar a un lugar, cuando el delivery te muestra en tiempo real dónde está el repartidor, cuando una app meteorologica te avisa que va a llover “en tu zona” en los próximos veinte minutos, o cuando Instagram te sugiere etiquetar la ubicación de una foto; en todos esos casos estás usando, sin saberlo, un Sistema de Información Geográfica (SIG).
Un SIG, en su forma más simple, es cualquier herramienta que combina datos con una ubicación en el espacio. Es una base de datos que tiene coordenadas. Eso le permite responder preguntas que mezclan el qué con el dónde: ¿qué negocios hay a menos de 500 metros de acá? ¿Dónde se concentran los accidentes de tránsito en esta ciudad? ¿Qué zonas del país tienen mayor riesgo de sequía este año?
Detrás de esas preguntas hay profesionales (geógrafos, planificadores urbanos, técnicos en SIG) que diseñan los sistemas, organizan la información y definen cómo se analizan los datos. Pero el volumen de información que se genera hoy en el mundo es tan grande que esa tarea ya no puede hacerse solo de manera manual.
Pensemos en algunos ejemplos concretos. Las empresas de logística reciben millones de señales GPS por hora de sus flotas. Las ciudades acumulan datos de sensores de tráfico, cámaras, redes de transporte y consumo energético en tiempo real. Los satélites fotografían la superficie terrestre completa cada pocos días con una resolución que permite distinguir un automóvil desde el espacio. ¿Cómo se procesa todo eso? ¿Cómo se convierte en decisiones útiles (dónde construir una escuela, qué barrio tiene mayor riesgo de inundación, cómo redirigir el tránsito ante un corte de ruta) sin que un equipo de analistas tenga que revisar cada dato a mano? La respuesta está en la inteligencia artificial. Y la disciplina que nació de esa fusión tiene nombre propio: Inteligencia Artificial Geoespacial, o GeoAI.
El mundo contemporáneo produce cantidades enormes de información georreferenciada de maneras que hasta hace poco eran impensables. El problema es que los métodos de análisis geográfico tradicionales no fueron diseñados para procesar esa cantidad de información. Un analista trabajando con un SIG clásico puede hacer consultas muy precisas, pero cada operación tiene que definirla manualmente, paso a paso. Cuando el volumen de datos crece de manera exponencial, ese enfoque se vuelve insuficiente.
Hay otro factor que complica el panorama: la heterogeneidad. Los datos espaciales modernos no vienen en un solo formato prolijo y ordenado. Vienen de fuentes completamente distintas: imágenes satelitales, registros de telefonía móvil, formularios de censos, publicaciones en redes sociales con geolocalización, sensores meteorológicos, y combinarlos requiere un nivel de procesamiento que excede ampliamente los flujos de trabajo tradicionales. Es ante ese desafío que la inteligencia artificial deja de ser una novedad tecnológica y se convierte en una herramienta.
La GeoAI es una disciplina transdisciplinar que combina métodos de machine learning (aprendizaje automático) y deep learning (aprendizaje profundo) para resolver problemas espaciales a gran escala. Una revisión sistemática publicada en 2024 en el International Journal of Applied Earth Observation and Geoinformation, que analizó más de 14.000 artículos científicos, identificó aplicaciones de GeoAI en prácticamente todas las ramas de la geografía humana: urbana, de la salud, del transporte, ambiental, demográfica y cultural (Wang et al., 2024). Uno de los investigadores que más ha contribuido a definir los contornos de esta transformación es Krzysztof Janowicz, profesor de Cartografía y Geoinformación de la Universidad de Viena y de la Universidad de California, Santa Bárbara. Para Janowicz, la GeoAI como subcampo de la ciencia de datos espaciales utiliza los avances en técnicas y culturas de datos para apoyar la creación de información geográfica más inteligente, así como métodos, sistemas y servicios para una variedad de tareas. ¿Qué significa eso en la práctica? Que en lugar de que un analista le diga al sistema “buscá zonas con pendiente mayor a 15 grados y cobertura vegetal menor al 30%”, el sistema puede aprender por sí mismo a identificar patrones de riesgo ambiental analizando miles de casos anteriores. El algoritmo descubre relaciones que quizás ni el experto había notado.
Las aplicaciones de la GeoAI son tan variadas que vale la pena detenerse en algunas de ellas para dimensionar su alcance real. En el campo de la gestión de riesgos, sistemas de GeoAI ya se utilizan para predecir el avance de incendios forestales combinando datos de viento, humedad, temperatura y vegetación en tiempo real. Modelos de aprendizaje profundo entrenados con décadas de imágenes satelitales pueden anticipar con horas de antelación qué sectores tienen mayor probabilidad de verse afectados, permitiendo evacuaciones más eficientes y una asignación más estratégica de los recursos de emergencia. En planificación urbana, algoritmos de GeoAI analizan patrones de movilidad a partir de datos anonimizados de telefonía móvil para identificar zonas con déficit de transporte público, concentración de empleo informal o segregación residencial. Este tipo de análisis ha informado decisiones sobre dónde ampliar redes de transporte o dónde priorizar inversión en equipamiento comunitario en distintas ciudades de América Latina. En el ámbito ambiental, la teledetección combinada con Deep Learning permite monitorear la deforestación casi en tiempo real, detectando cambios en la cobertura vegetal que a ojo humano llevarían semanas de trabajo. El mismo principio aplica al monitoreo de glaciares, humedales, avance de la desertificación o expansión de manchas urbanas sobre suelo agrícola. En salud pública, modelos geoespaciales entrenados con datos epidemiológicos, climáticos y socioeconómicos han sido utilizados para anticipar brotes de dengue, cólera o malaria, identificando los territorios con mayor vulnerabilidad antes de que se produzca el pico de casos. El artículo de 2025 publicado en el Journal of Geophysical Research: Machine Learning and Computation destaca que la GeoAI apoya el monitoreo ambiental y la toma de decisiones mediante el análisis de datos de observación terrestre potenciado por inteligencia artificial.
Para entender el salto conceptual que implica esta transformación, es útil comparar dos generaciones de herramientas. Un SIG tradicional es, en esencia, una base de datos con capacidad cartográfica. Permite almacenar, visualizar y analizar información espacial con gran precisión. Pero el “pensamiento” lo pone siempre el analista: él decide qué preguntar, cómo cruzar las capas de información y cómo interpretar los resultados. Un Sistema de Información Geográfica basado en el Conocimiento (SIGK) da un paso más. Estos sistemas de nueva generación integran algoritmos de aprendizaje automático que pueden descubrir patrones de manera autónoma, aplicar reglas inferidas de la experiencia de expertos y generar predicciones espaciales y temporales. En otras palabras: el sistema no solo responde preguntas, sino que aprende a formularlas.
La GeoAI simbólica y la subsimbólica representan dos enfoques distintos para la resolución de problemas geoespaciales. Una dirección de investigación prometedora consiste en integrar ambos paradigmas para diseñar modelos que combinen las definiciones lógicas y las capacidades de razonamiento de la GeoAI simbólica con la capacidad de aprender de datos geoespaciales masivos para el descubrimiento de conocimiento. En términos más accesibles: los mejores sistemas son los que pueden combinar el razonamiento basado en reglas con el aprendizaje desde los datos, tal como lo haría un experto humano que aplica su conocimiento disciplinar al mismo tiempo que aprende de la experiencia.
Sería ingenuo presentar la GeoAI como una solución sin fricciones. Como toda tecnología poderosa, viene acompañada de problemas que la comunidad académica está debatiendo con creciente urgencia. El primero es el sesgo en los datos. Los algoritmos de aprendizaje automático aprenden de datos históricos, y esos datos reflejan las desigualdades y omisiones del pasado. Si un modelo de predicción de riesgo delictivo se entrena con registros policiales que históricamente sobrerepresentan detenciones en barrios pobres, el algoritmo va a reproducir y amplificar ese sesgo. La geógrafa Renée Sieber, de la Universidad McGill, es una de las voces más consistentes en señalar esta tensión: la inclusión de la IA en los métodos geográficos debe comprometerse con los debates en curso sobre opacidad y transferibilidad de los algoritmos, sesgo algorítmico, geovigilancia y privacidad locacional, así como con la necesidad de una ética de la IA. Para Sieber, no alcanza con que los sistemas funcionen bien técnicamente: es necesario preguntarse quién define qué es “funcionar bien” y en beneficio de quiénes. El segundo desafío es la privacidad. Los datos de telefonía móvil, por ejemplo, permiten reconstruir con notable precisión los movimientos cotidianos de millones de personas. Cuando esa información se usa para planificar transporte público, el beneficio parece claro. Pero los mismos datos podrían usarse para monitorear manifestaciones, identificar a trabajadores informales o rastrear migraciones. La frontera entre gestión territorial y vigilancia es, en muchos casos, técnicamente inexistente: depende de decisiones políticas y éticas que los algoritmos no pueden tomar. El tercer problema, y quizás el más estructural para países como los de América Latina, es el de la soberanía de datos. Solo 32 países albergan centros de datos especializados en IA, la mayoría en el Norte Global, mientras que África y América Latina juntas representan apenas el 3% de la capacidad de cómputo en IA a nivel mundial. Esto significa que gran parte de la infraestructura tecnológica que sostiene la GeoAI está concentrada en pocas empresas y pocos países. Xiao Huang, investigador de la Universidad Emory, advierte que el ascenso de la GeoAI amenaza con profundizar la brecha digital, yendo más allá de las brechas de acceso hacia inequidades fundamentales en soberanía de datos, poder computacional y la alfabetización crítica necesaria para navegar las complejidades de estas tecnologías. Para América Latina, esto plantea una pregunta incómoda: ¿quién decide cómo se analizan nuestros territorios? ¿Con qué datos, entrenados en qué contextos, bajo qué supuestos culturales? Un sistema entrenado predominantemente con datos de ciudades europeas o norteamericanas puede producir resultados que no tienen sentido —o que son directamente engañosos— cuando se aplican a realidades urbanas latinoamericanas. Janowicz lo señala con claridad al mostrar que por falta de datos de entrenamiento por fuera de los Estados Unidos y Europa, la IA generativa tiende actualmente a favorecer representaciones occidentales del mundo.
Ninguno de estos problemas invalida el valor de la GeoAI. Pero sí señalan que la tecnología no es neutral, y que su implementación responsable requiere algo que ningún algoritmo puede proveer: criterio geográfico, pensamiento crítico y conocimiento del contexto territorial. Frente a este escenario, una pregunta recorre las aulas de facultades y tecnicaturas: ¿qué lugar le queda al geógrafo cuando las máquinas pueden procesar millones de datos espaciales en segundos?
La GeoAI es extraordinariamente buena para detectar patrones en grandes volúmenes de datos. Pero identificar un patrón no es lo mismo que comprenderlo. Un algoritmo puede señalar que en determinada zona de una ciudad hay una correlación entre la densidad de árboles y el precio del suelo, pero no puede explicar qué procesos históricos produjeron esa relación, si es deseable perpetuarla o si intervenir sobre ella implicaría reproducir una forma de gentrificación. Esas preguntas requieren formación disciplinar, sensibilidad social y conocimiento del territorio. Requieren a un geógrafo.
Janowicz y Sieber coinciden en que la geografía tiene algo para aportar a la IA que va más allá de los datos: una tradición de pensamiento crítico sobre el espacio, el poder y la representación. Ambos señalan la necesidad de rendir cuentas y de que, en última instancia, la crítica debe estar situada. En otras palabras: no alcanza con detectar que un algoritmo produce resultados sesgados; hay que poder decir por qué desde una comprensión del territorio y de las relaciones sociales que lo producen. El perfil profesional que está emergiendo en este campo no es el del técnico que solo sabe usar software, ni el del programador que desconoce el territorio. Es el de alguien que puede moverse con soltura entre ambos mundos: que entiende qué pregunta tiene sentido hacerle a un sistema de GeoAI, que sabe interpretar sus resultados sin tomarlos como verdad absoluta, y que puede traducirlos en decisiones informadas sobre el espacio que habitamos.
En ese sentido, la formación en tecnicaturas y diplomaturas en geotecnología no está quedando obsoleta frente al avance de la IA: está volviéndose más relevante. Las infraestructuras de datos espaciales (IDE) de nueva generación necesitan técnicos que hablen los dos idiomas: el del territorio y el de los datos. Esa doble competencia es hoy uno de los perfiles más buscados en organismos públicos, empresas de tecnología, consultoras ambientales y centros de investigación. La convergencia entre geografía e inteligencia artificial no es una tendencia del futuro. Desde la detección temprana de desastres naturales hasta la optimización de redes de transporte, el monitoreo de asentamientos informales o la planificación sanitaria en contextos de emergencia, las aplicaciones concretas se multiplican cada año. Para quienes están formándose hoy en el campo de las geotecnologías, este escenario representa una oportunidad que conviene tomar en serio. No porque la inteligencia artificial sea una moda que hay que seguir, sino porque el territorio se ha convertido en uno de los campos de datos más complejos, más valiosos y más urgentes del mundo contemporáneo.
Los mapas siempre fueron una forma de hacer inteligible el mundo. Ahora, por primera vez en la historia, los mapas están aprendiendo a pensar junto con nosotros. La pregunta ya no es si la geografía va a incorporar la inteligencia artificial. La pregunta es quiénes van a ser los geógrafos que sepan usarla con criterio, con responsabilidad y con conocimiento del territorio que está detrás de cada dato.
Referencias
- Huang, X. (2025). Geospatial Artificial Intelligence (GeoAI) Is Widening the Digital Divide. Annals of the American Association of Geographers, 115(9), 2017–2029.
- Janowicz, K. (2023). Philosophical Foundations of GeoAI: Exploring Sustainability, Diversity, and Bias in GeoAI and Spatial Data Science. En S. Gao et al. (Eds.), Handbook of Geospatial Artificial Intelligence. CRC Press.
- Janowicz, K., Gao, S., McKenzie, G., Hu, Y., & Bhaduri, B. (2020). GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. International Journal of Geographical Information Science, 34(4), 625–636.
- Janowicz, K., Sieber, R., & Crampton, J. (2022). GeoAI, counter-AI, and human geography: A conversation. Dialogues in Human Geography, 12(3), 322–329.
- Li, Z. et al. (2025). Artificial Intelligence in Earth Science: A GeoAI Perspective. Journal of Geophysical Research: Machine Learning and Computation.
- Sieber, R. (2022). GeoAI and Its Implications. En International Encyclopedia of Geography. Wiley.
- Wang, S. et al. (2024). Mapping the Landscape and Roadmap of Geospatial Artificial Intelligence (GeoAI) in Quantitative Human Geography: An Extensive Systematic Review. International Journal of Applied Earth Observation and Geoinformation, 128, 103734.
Valentina Fardin es Profesora de Geografía (UNMDP) y actualmente cursando la Diplomatura Universitaria en el Uso de IA y SIG para la Gestión del Territorio en la Universidad Nacional del Nordeste. Es investigadora del grupo GESPyT (CIGSA), colaboradora del Observatorio Geoeconomico de la FH y cuenta con una beca de entrenamiento del Comision de Investigaciones Cientificas de la Provincia de Buenos Aires. Ejerce la docencia en distintos colegios secundarios de Mar del Plata.
