No llegué por moda. Llegué por fricción.
Conoces la sensación: tienes una pregunta territorial clara, pero tu día se diluye peleando con proyecciones, formatos y scripts a medianoche.
Un LLM no es un chatbot mágico. Es una capa intermedia: toma tu intención —“¿dónde hay riesgo?”, “¿qué variable está moviendo el valor?”, “¿qué municipio se sale del patrón?”— y la convierte en acciones : consultas, cálculos, cruces, resúmenes, mapas, validaciones.
Bien usado, te devuelve lo más caro: tiempo. No para “automatizar el pensamiento”, sino para liberar espacio y concentrarte en lo único que no se puede delegar.
Pero ahí está la trampa. Un LLM te da velocidad, no verdad. Puede sonar seguro incluso cuando está inventando, simplificando o ignorando contexto local. Por eso el rol humano no desaparece: se vuelve más crítico. El LLM acelera; tú pones el freno de mano. Ese freno se llama Control de Calidad: revisar fuentes, validar supuestos, contrastar con datos, medir incertidumbre y decidir si el resultado sirve para una decisión real.
Aquí mis 5 reglas para usarlos sin caer en el hype:
1. Copiloto GIS: Nunca le des el volante
Para tareas clásicas (Buffers, Joins, Análisis), el LLM es un excelente asistente júnior, pero pésimo jefe.
La clave: Oblígalo a validar antes de calcular.
❌ Mal prompt:
"Calcula el área de estos polígonos."
✅ Buen prompt:
"Dime qué proyección usarás para calcular áreas en Colombia y por qué,
antes de escribirme el código."
Flujo recomendado:
Por qué funciona: Forzar al LLM a explicar su razonamiento antes de ejecutar reduce errores silenciosos en un 70%.
2. PostGIS: Itera la estructura, no la magia
Escribir consultas espaciales complejas duele. El valor del LLM no es que "te haga la tarea", sino que te permita iterar la lógica en segundos.
El truco: Exige que explique sus asunciones.
Ejemplo práctico:
# Prompt mejorado:
"""
Genera la consulta SQL y explícame explícitamente qué asumes sobre:
- Unidades (metros, grados)
- SRID (qué sistema de coordenadas)
- Uniones entre atributos
Si no lo sabes, PREGUNTA.
"""
Resultado: Esto evita el 80% de los errores silenciosos (como calcular distancias en grados cuando esperabas metros).
Pro tip:
Después de generar la query, pídele:
-- Agrega EXPLAIN ANALYZE a la query para verificar rendimiento
EXPLAIN ANALYZE
SELECT ...
3. Visión: Generador de hipótesis, no juez
Los modelos multimodales (GPT-4 Vision, Claude Sonnet 3.5) pueden ver patrones en mapas: vías, cultivos, manchas urbanas.
Úsalos para disparar preguntas, nunca para concluir.
Workflow correcto:
- LLM ve el mapa: "Parece drenajes en patrón de espina de pescado"
- Tú preguntas: "¿Qué dato vectorial necesito para confirmar esto?"
- LLM sugiere: "Cruza con capa de topografia + imágenes temporales"
- Tú ejecutas: Análisis cuantitativo con datos reales
Regla de oro: El modelo sugiere, la evidencia confirma.
4. Agentes: Sin rastro no hay confianza
Un "Agente Geoespacial" solo sirve si es auditable. No me sirve que me dé un mapa si no sé qué capas cruzó.
Un buen agente debe ser transparente:
1. Entiende la intención (¿Qué quiere el usuario?)
2. Elige la herramienta (¿API? ¿Librería? ¿SQL?)
3. Ejecuta y DOCUMENTA (¿Qué parámetros usó?)
4. Devuelve resultado + LOG de decisiones
Ejemplo de log auditable:
{
"query": "Encuentra zonas de riesgo de inundación",
"steps": [
{
"action": "Cargar DEM de SRTM (30m)",
"tool": "rasterio",
"params": {"bbox": [-77.5, -12.5, -76.5, -11.5]}
},
{
"action": "Calcular pendiente con GDAL",
"tool": "gdal.DEMProcessing",
"params": {"algorithm": "slope"}
},
{
"action": "Clasificar áreas <2% pendiente + <100m elevación",
"tool": "numpy.where"
}
],
"output": "riesgo_inundacion.tif"
}
Por qué importa: Si mañana te preguntan "¿Cómo salió este mapa?", puedes defender cada decisión.
5. Documentación: El héroe aburrido
Aquí es donde los LLMs brillan con bajo riesgo.
Úsalos para generar lo que nadie quiere escribir:
- ✅ Metadatos ISO 19115
- ✅ README.md de repositorios
- ✅ Diccionarios de datos
- ✅ Documentación de APIs
Ejemplo práctico:
# Prompt:
"""
Genera metadatos completos para este dataset:
Dataset: Sentinel-2 L2A
Región: Cuenca Amazonas (Colombia)
Bandas: B2, B3, B4, B8A, B11, B12
Período: 2023-01-01 a 2024-12-31
Resolución: 10m (RGB/NIR), 20m (SWIR)
Cobertura: 450 escenas, 35% con nubes <10%
Formato de salida: ISO 19115 XML
"""
Ponle límites estrictos para que no invente, y tendrás proyectos ordenados sin dolor.
Mi escudo: Las 3 preguntas de seguridad
Cada vez que uso IA en un proyecto serio, me hago estas tres preguntas. Si no pasan, no sale a producción:
✅ 1. ¿Qué está asumiendo?
- SRID (¿WGS84? ¿UTM?)
- Unidades (¿metros? ¿grados?)
- Fechas (¿UTC? ¿Local?)
✅ 2. ¿Cómo lo verifico rápido?
Un chequeo de coherencia:
# Ejemplo: Verificar que el área calculada tiene sentido
area_colombia_km2 = gdf.to_crs('EPSG:9377').area.sum() / 1e6
print(f"Área: {area_colombia_km2:.0f} km²")
# Esperado: ~1,141,748 km² (si es muy diferente, algo está mal)
✅ 3. ¿Es auditable?
Si tengo que defender este mapa mañana, ¿puedo explicar:
- Qué datos usé
- Qué transformaciones hice
- Qué decisiones tomé
El futuro...
El futuro es híbrido:
No porque suene bonito, sino porque nosotros tenemos el control.
¿Y tú?
Cuéntanos en los comentarios: ¿En qué tarea te ahorra más fricción la IA hoy?
- 🐍 Python/GeoPandas (generación de código)
- 🗄️ SQL/PostGIS (consultas espaciales)
- 📄 Documentación (metadatos, READMEs)
- 🤖 Otro (cuéntanos)
Lecturas relacionadas: