La inteligencia artificial en los SIG ya no es una promesa de futuro: es una herramienta que utilizan a diario profesionales de todo el mundo para digitalizar, clasificar imágenes de satélite y automatizar análisis. Con motivo del Día Mundial de los SIG, que este año se celebra el miércoles 18 de noviembre, repasamos cómo la IA está potenciando el trabajo con sistemas de información geográfica, qué aplicaciones existen, qué dicen los datos sobre el empleo y qué límites conviene conocer. Si aún no tienes claro qué es un SIG, antes puedes consultar nuestro contenido «¿Qué son los SIG y para qué se utilizan?» [enlace interno].
¿Qué es la inteligencia artificial aplicada a los SIG (GeoAI)?
La IA aplicada a los SIG, a menudo llamada GeoAI, combina el análisis espacial con técnicas de aprendizaje automático. No es una sola tecnología, sino varios niveles que conviene distinguir:
- Aprendizaje automático clásico: algoritmos como Random Forest o las máquinas de vectores de soporte, que llevan años clasificando imágenes de satélite.
- Aprendizaje profundo: redes neuronales que detectan objetos como edificios, carreteras o árboles.
- Modelos de base: sistemas entrenados con enormes volúmenes de datos y reutilizables para muchas tareas.
- Asistentes con lenguaje natural: herramientas que responden preguntas, ejecutan acciones y generan código.
Día Mundial de los SIG: por qué hablar de IA ahora
El Día Mundial de los SIG (GIS Day) se celebra el tercer miércoles de noviembre y arrancó en 1999, impulsado por Esri junto a organizaciones como la National Geographic Society y la Association of American Geographers. En 2026 cae el 18 de noviembre. Es un buen momento para repasar cómo ha cambiado el trabajo geoespacial en los últimos años: la novedad ya no es solo el mapa, sino la forma de producirlo.
Cinco aplicaciones de la inteligencia artificial en los SIG
1. Digitalización y segmentación automática
Digitalizar a mano edificios, caminos o masas de agua es un trabajo laborioso. Hoy existen herramientas que lo automatizan o lo hacen de forma semiautomática, como Mapflow. ArcGIS ofrece más de cien modelos preentrenados en su Living Atlas, y el modelo Segment Anything (SAM), que Meta presentó en abril de 2023 y entrenó con 11 millones de imágenes y 1.100 millones de máscaras, se ha integrado en ArcGIS y en plugins de QGIS como Geo-SAM o SamGeo, que incluso permiten describir con texto qué segmentar: edificio, árbol, carretera. El técnico pasa de dibujar a revisar y validar.
2. Clasificación de imágenes y detección de cambios
La clasificación automática de imágenes con algoritmos como Random Forest permite identificar usos del suelo, vegetación o cobertura de agua mucho más rápido. Si se comparan imágenes de distintas fechas, la IA puede señalar dónde ha cambiado el paisaje: deforestación, crecimiento urbano o daños tras un desastre natural. Después, el equipo revisa solo esas zonas, lo que ahorra tiempo en el monitoreo ambiental.
3. Modelos de base y embeddings de satélite
En julio de 2025, Google DeepMind presentó AlphaEarth Foundations, un modelo que integra imágenes ópticas, radar, datos láser y simulaciones climáticas en un resumen numérico de 64 dimensiones para cada cuadrado de 10 por 10 metros. Según Google, redujo el error medio un 24 % frente a los modelos con los que lo comparó. Sus datos anuales de 2017 a 2024 están disponibles como Satellite Embedding Dataset en Google Earth Engine y sirven para buscar zonas similares, detectar cambios o agrupar paisajes. Organizaciones como la FAO o MapBiomas lo utilizan.
4. Asistentes de IA y análisis en lenguaje natural
ArcGIS Pro incorpora un asistente de IA, todavía en beta, que responde preguntas, ejecuta acciones habituales y puede generar scripts de ArcPy o consultas SQL. En QGIS, plugins como GIS Copilot (AutonomousGIS-SpatialAnalysisAgent) permiten pedir análisis espaciales con consultas en lenguaje natural. Estas herramientas reducen el tiempo de las tareas rutinarias, pero no sustituyen el criterio: hay que entender las proyecciones, la calidad del dato y lo que hace realmente cada herramienta.
5. Automatización con Python y ChatGPT
Muchos profesionales usan asistentes de lenguaje como ChatGPT para escribir y depurar scripts de PyQGIS o para automatizar la descarga de imágenes de Google Earth Engine. La ventaja es la productividad; el riesgo, que el código parezca correcto sin serlo. Conviene probar siempre con un caso pequeño y revisar el resultado antes de aplicarlo a todo el proyecto.
Ejemplos de IA en la cartografía en España
En España, el Instituto Geográfico Nacional (IGN) lleva desde 2017 aplicando aprendizaje profundo para identificar, en las ortofotos del Plan Nacional de Ortofotografía Aérea (PNOA), las zonas donde aparecen vías de comunicación, y en 2018 firmó un convenio con la Universidad Politécnica de Madrid para detectar cambios en el territorio con inteligencia artificial. También se han presentado proyectos de detección automática de cubiertas de amianto con imágenes de muy alta resolución, como el del Principado de Asturias en las Jornadas Ibéricas de Infraestructuras de Datos Espaciales de 2025.
¿La inteligencia artificial destruye empleos en el sector SIG?
Es una pregunta legítima y la respuesta honesta es que, con los datos disponibles, la IA está cambiando las tareas más que eliminando empleos, pero no hay garantías. No existe un estudio definitivo para España. En Estados Unidos, la Oficina de Estadísticas Laborales (BLS) proyecta que el empleo de cartógrafos y fotogrametristas crezca en torno a un 7 % entre 2025 y 2035, frente a un 3,5 % del conjunto de ocupaciones, con unas 900 vacantes anuales; para los geógrafos, una categoría mucho más pequeña, prevé un descenso del 2 %.
Además, un análisis de ofertas de empleo de técnicos SIG de 2025 (O*NET) mostró que ArcGIS aparecía en el 75 % de ellas, Python en el 34 % y SQL en el 22 %. Se automatizan las tareas repetitivas, como la digitalización manual, y ganan valor los perfiles híbridos: quienes conocen el territorio, programan y saben validar lo que produce la IA.
Límites y riesgos de la IA en los SIG
- Los modelos pueden fallar cuando se aplican a una región o a un sensor distinto del de entrenamiento.
- La IA puede equivocarse con seguridad: un elemento mal segmentado o un código que parece correcto pero no lo es.
- Los resultados deben cumplir los estándares de calidad del organismo o del cliente.
- Hay que revisar el origen, la licencia y los posibles sesgos de los datos.
- La responsabilidad del mapa sigue siendo de la persona que lo firma.
Cómo prepararte para trabajar con IA en los SIG
- Asienta los fundamentos: sistemas de referencia, proyecciones, calidad del dato y metadatos.
- Aprende Python y SQL junto a QGIS o ArcGIS Pro, que es lo que más piden las ofertas.
- Practica con IA en proyectos pequeños: prueba un plugin de segmentación en QGIS o explora los embeddings de satélite en Google Earth Engine.
- Documenta tu trabajo y explica cómo validaste el resultado de la IA; un portafolio así vale más que decir que sabes usar IA.
Preguntas frecuentes sobre la inteligencia artificial en los SIG
¿Qué es GeoAI?
Es la aplicación de la inteligencia artificial, sobre todo el aprendizaje automático y profundo, al análisis de datos geoespaciales: imágenes de satélite, mapas, sensores y capas de información geográfica.
¿La IA sustituirá a los técnicos SIG?
Con los datos disponibles, la IA está automatizando tareas repetitivas más que sustituyendo profesiones, y las proyecciones de empleo de EE. UU. para cartógrafos y fotogrametristas son positivas. Son proyecciones, no garantías, y no hay datos específicos para España.
¿Qué software SIG incorpora IA?
ArcGIS Pro (modelos preentrenados y asistente en beta), QGIS (plugins como Geo-SAM, SamGeo o GIS Copilot) y Google Earth Engine (embeddings de AlphaEarth), entre otros.
¿Necesito saber programar para usar IA en SIG?
No es imprescindible para empezar, pero cada vez se pide más: Python aparecía en el 34 % de las ofertas de técnicos SIG de 2025 y SQL en el 22 %.
La inteligencia artificial en los SIG está acelerando la digitalización, la detección de cambios y el análisis, y cambia el perfil que se busca: menos trabajo manual y más capacidad para dirigir y validar. Si quieres ver estas aplicaciones en acción, te lo cuento en el vídeo de La Ciencia de MAC
