En 30 segundos

El sistema combina planificación, modelos especializados y herramientas espaciales. Google publica evaluaciones y abre vías de acceso temprano para socios y desarrolladores.

Qué ha pasado

Google Research ha ampliado su sistema experimental de razonamiento geoespacial. El anuncio del 14 de octubre combina un informe técnico, resultados de pruebas con socios y acceso temprano mediante Ask Google Earth y un servicio de agente a agente.

Por qué importa

Cruzar mapas, imágenes de satélite, clima y población exige más que consultar un modelo de lenguaje. El agente planifica pasos y utiliza herramientas especializadas para análisis y predicción. Esa integración se evalúa en benchmarks concretos, no en todos los usos posibles.

A quién afecta

Investigadores, organizaciones sociales y empresas que analizan datos del territorio.

Acceso todavía experimental

Google describe pruebas con organizaciones de salud, ayuda humanitaria y otras áreas. La ampliación incluye una actualización de investigación profunda en Earth y una API A2A para flujos propios. El acceso temprano no significa disponibilidad general para cualquier cuenta.

Decisiones que necesitan validación

Los resultados pueden orientar investigaciones y planificación, pero requieren comprobar datos, supuestos y errores espaciales. IARADIA no ha ejecutado el agente ni validado predicciones; conserva la condición experimental y la atribución de sus evaluaciones.

Contexto: qué combina el agente

El agente de razonamiento geoespacial reúne los modelos de Earth AI, como WeatherNext, Flood Forecasting, el Population Dynamics Foundation Model, AlphaEarth Foundations y Remote Sensing Foundations, con datos de Google Maps Platform, Earth Engine, Data Commons y Dataset Search. Cada capacidad se empaqueta como una skill que el agente solo usa cuando la pregunta la necesita. Antes de actuar, construye un plan paso a paso y procesa las capas de mapas en un espacio de trabajo aparte, sin saturar su contexto.

Qué cambia para los usuarios

Las organizaciones pueden subir sus propios datos mediante la API, en CSV, GeoJSON o tablas en la nube, y cruzarlos con los modelos globales. Cada respuesta muestra el plan y las fuentes de datos usadas para que un experto pueda revisarlas. El agente también impulsa el Planetary Prediction Engine: según Google, en salud pública combinar señales de población y satélite mejoró un 12 % las predicciones frente a una base demográfica.

Comparación con un modelo de lenguaje sin herramientas

El informe compara cuatro configuraciones con Gemini 3.8 Flash y Gemini 3.1 Pro: el modelo solo, el modelo con búsqueda web y mapas, el modelo con herramientas de Earth AI pero sin planificación, y el agente completo con una fase previa de planificación. La evaluación usa dos benchmarks externos, CBGB y UnivEARTH, y dos nuevos de Google, GeoExpertQueries y GeoKTools.

Límites y dudas

El acceso sigue siendo experimental. Las mejoras se miden en benchmarks elegidos por el propio equipo; una predicción espacial para decidir inversiones o ayudas necesita validación local.

Fuentes y procedencia

Cómo verificamos y actualizamos este contenido