Las habilidades de IA que todo gerente GIS necesita

Publicado el 11 de junio, 2026

La llegada de la Inteligencia Artificial agéntica al ámbito GIS introduce nuevos desafíos de integración, consideraciones presupuestarias y exigencias en la formación de equipos que no existían hace apenas dos años.

Aquí hay cinco habilidades adicionales que todo gerente necesita para operar y hacer crecer su programa GIS en la era de la IA agéntica.

1. Diseñar infraestructura GIS para el uso de agentes

La IA agéntica introduce un importante desafío de diseño para tu infraestructura GIS: tu sistema ahora debe adaptarse no solo a personas, sino también a máquinas (agentes), y estas máquinas carecen del contexto para navegar las particularidades o vacíos en tus datos o herramientas.

Este cambio arquitectónico tiene implicaciones prácticas en varias áreas:

• Preparación de datos: No todos tus conjuntos de datos están listos para ser recibidos por un agente. Algunos tienen problemas de calidad conocidos, mientras que otros contienen advertencias o contexto informal que solo tu equipo entiende. Por ejemplo, en una empresa de ductos, distintos equipos pueden tener capas con un campo llamado “CONDICION”, pero en cada caso el campo tiene un significado diferente: puntuación de inspección, estado operativo o descripción superficial. Un analista humano no se confundiría, pero un agente sí podría hacerlo sin documentación clara y legible por máquina. Necesitas evaluar qué conjuntos de datos están “listos para agentes” y proporcionar instrucciones claras para su uso.
• Metadatos y documentación: Los metadatos siempre han sido importantes, pero existe una diferencia entre los metadatos escritos para un analista GIS que comprende las convenciones, y los metadatos escritos para que un modelo de IA pueda determinar correctamente si una capa es apropiada para una consulta determinada. Esto representa casi una nueva forma de redacción técnica, que implica describir los datos y servicios de manera que guíen el comportamiento de los agentes en lugar de simplemente informar a los usuarios humanos.
• Aprovisionamiento de herramientas y servicios: Cuando un agente se conecta a un entorno GIS, ¿a qué herramientas de geoprocesamiento tiene acceso? ¿A qué capas de datos? ¿A qué servicios? Es como asignar herramientas a un empleado nuevo, pero con consecuencias distintas: un humano pregunta, un agente simplemente usa lo que tiene.
• Conectividad: Los gerentes GIS deben entender cómo los agentes se conectan e interactúan con la infraestructura espacial. Esto incluye aspectos como la exposición de la API y los protocolos mediante los cuales los modelos de lenguaje complejos llaman a los servicios espaciales. No es necesario que lo desarrolles tú mismo, pero sí que tengas los conocimientos suficientes para tomar decisiones informadas. El alcance de lo que un agente puede leer, escribir o ejecutar depende de esta conexión.

2. Decidir qué hacen los agentes y qué hacen las personas

Actualmente, los modelos de lógica descriptiva (MLD) y los agentes que los controlan presentan deficiencias notables en ciertas tareas espaciales. El cálculo preciso de coordenadas, el razonamiento topológico y las proyecciones cartográficas son áreas donde los agentes, si se les permite, generarán respuestas erróneas con total seguridad. Saber dónde es probable que los agentes fallen en el razonamiento espacial constituye una nueva forma de alfabetización técnica para los gestores de los GIS.

Esto es importante porque la división del trabajo entre humanos y agentes es una cuestión de diseño operativo con consecuencias reales. Un error en una dirección implica automatizar flujos de trabajo que requieren criterio humano, lo que puede generar una cascada de errores. Un error en la otra dirección conlleva el riesgo de insertar tantos puntos de control humanos que se termina recreando el antiguo proceso manual con numerosos pasos adicionales.

Para cada flujo de trabajo, es necesario evaluar el coste de un error. ¿Qué tan bien puede un agente manejar el razonamiento espacial implicado? ¿Dónde debería intervenir un humano antes de que el resultado se procese?

Esto se extiende a lo que yo denomino la supervisión de trabajadores no humanos. No es necesario motivar a los agentes ni preocuparse por su desarrollo profesional, pero sí es preciso delimitar su alcance y decidir cuándo confiar en ellos.

3. Gestionar la economía del trabajo mediado por agentes

En un GIS tradicional, los costos suelen ser fijos (licencias, personal, infraestructura). Con IA agéntica, los costos son por consumo, cada consulta, cada análisis, cada resultado conlleva un costo vinculado a los ciclos de procesamiento, las llamadas a la API y los servicios de IA basados ​​en tokens. Estos costos pueden escalar de maneras difíciles de predecir.

Esto crea tres desafíos económicos distintos con los que los gestores de los GIS deben familiarizarse:

• Economía unitaria: ¿Cuánto cuesta realmente un análisis impulsado por un agente y cómo se compara con el costo de un humano realizando el mismo trabajo?
• Gestión de demanda: Cuando el análisis espacial pasa de una espera de dos horas a una respuesta de dos minutos, la demanda en toda la organización puede aumentar considerablemente. Gestionar esto (priorizar, limitar la velocidad, establecer expectativas) representa un nuevo desafío operativo.
• Retorno de la inversión: Si un agente cuesta X al mes, pero libera Y horas de tiempo de analista que se pueden reasignar a tareas estratégicas, ¿cuánto vale esto para ti?

Ejemplo: implementas un agente para mapas de vegetación. Funciona excelente, pero semanas después tus costos en la nube se triplican por no prever el volumen de uso.

4. Asegurar calidad a escala de agentes

Un aspecto particularmente preocupante de la IA que escucho de los gerentes es que los agentes operan a velocidades sin precedentes. ¿Cómo mantener el control de calidad cuando un agente supera la capacidad del equipo? ¿Y cómo evitar la trampa de aprobar tareas sin más solo para quitárselas de encima? Cuando un equipo GIS produce cinco mapas o conjuntos de datos por semana, es posible que pueda mantener el ritmo, pero cuando un agente genera quinientos resultados en el mismo período, el control de calidad se convierte en una disciplina completamente diferente.

Los gerentes GIS deben aprender a diseñar procesos de control de calidad que funcionen a la velocidad y el volumen de los agentes. Un método consiste en pasar de revisar cada resultado a definir tasas de error para diferentes casos de uso y luego muestrear resultados aleatoriamente. Los diferentes casos de uso tendrán, naturalmente, diferentes tasas de error aceptables. Por ejemplo, una consulta de zonificación para un residente podría tolerar una tasa de error diferente a la de un cálculo de retranqueo de infraestructura que informa un permiso de construcción. Este último es más sensible espacialmente y requiere alta precisión. El proceso, sin embargo, sigue siendo el mismo: crear comprobaciones automatizadas que detecten anomalías sin necesidad de que un humano revise cada resultado.

Esto también implica crear registros de auditoría. Cuando un agente genera un resultado espacial, es necesario poder reconstruir lo sucedido. ¿Qué datos consumió? ¿Qué operaciones realizó? ¿Qué decisiones intermedias tomó? ¿Con qué datos se entrenó el modelo? Se necesita que la observabilidad y la trazabilidad estén integradas en el proceso desde el principio.

El control de calidad a escala de agente será cada vez más importante a medida que aumente la adopción de agentes. Es lo que hace que el trabajo espacial basado en agentes sea lo suficientemente fiable como para utilizarlo.

5. Gobernanza de agentes y gestión de riesgos

Algunas preguntas clave que debemos responder son: ¿Quién en tu organización está autorizado a implementar un agente que consuma tus datos y servicios espaciales? ¿Qué proceso de aprobación deben seguir? ¿Qué acciones tienen los agentes? ¿Son consultas de solo lectura o pueden publicar resultados, modificar datos o activar flujos de trabajo? Estas son cuestiones que requieren respuestas claras, y en la mayoría de las organizaciones actuales no se han redactado aún dichas respuestas.

Además, está la cuestión de la responsabilidad. Cuando un agente produce un resultado espacial inexacto, ¿quién es el responsable? ¿El equipo GIS, por haber publicado los datos subyacentes, o la unidad de negocio que lo implementó para atender al cliente?

Estas son preguntas difíciles de responder, pero como gerente GIS, tú sueles ser la persona más indicada para plantearlas, ya que comprendes los posibles problemas con los datos espaciales de una manera que otros no. Si bien necesitarás la opinión de las partes interesadas pertinentes sobre la respuesta, tú actúas como catalizador para impulsar un debate importante en torno a la gobernanza y las políticas relacionadas con los agentes geoespaciales.

Conclusión

Las habilidades originales siguen siendo fundamentales. Como gerente, aún necesitas comprender las capacidades de los GIS, comunicar su valor, gestionar los costos, entender las integraciones, formar equipos, administrar los datos y estar al tanto de la evolución del sector. Si bien estas habilidades no han sido reemplazadas, la IA agéntica añade una nueva capa de complejidad que exige nuevas habilidades. Estas habilidades no eran relevantes antes, pero en los próximos años serán esenciales. Si empiezas a desarrollarlas ahora, no solo te adaptarás al cambio en el mundo GIS, sino que podrás liderarlo.

Matt Lewin

Director de Servicios de Asesoría Estratégica en Esri Canadá

Este artículo apareció en el blog de Esri MX en mayo de 2026.