[ES] ¿Y si pudieras delegar tus procesos SIG en un agente de IA dentro de QGIS? Prueba de TerraLab AI Agent
¿Cómo se utiliza TerraLab AI Agent en QGIS y podemos confiarle análisis geográficos reales? A través de 32 pruebas prácticas realizadas con QGIS 4.2, este artículo evalúa las capacidades de este agente de inteligencia artificial: exploración de datos, procesamiento espacial, cartografía, consultas PostGIS y automatización de flujos de trabajo SIG. Los resultados numéricos se han verificado manualmente para ofrecer una experiencia práctica sobre las posibilidades, el rendimiento y las limitaciones de la IA en QGIS.
TerraLab AI Agent: 32 pruebas de un agente de IA en QGIS 4.2
Los asistentes basados en inteligencia artificial están empezando a encontrar su lugar en los programas SIG. Más allá de las simples interacciones de preguntas y respuestas, algunos agentes pueden explorar los datos de un proyecto, buscar fuentes de información, ejecutar procesos geográficos, consultar una base de datos PostGIS y generar capas de resultados.
Pero ¿qué podemos confiarles realmente? ¿Son correctos los resultados? ¿El agente selecciona los datos y los procesos adecuados? ¿Y qué nivel de verificación sigue siendo necesario por parte de un usuario experimentado?
Para responder a estas preguntas, he realizado una serie de 32 pruebas del complemento TerraLab AI Agent en QGIS 4.2, utilizando casos prácticos de análisis espacial, gestión de datos y cartografía.
El objetivo no era simplemente comprobar si el agente podía ejecutar comandos, sino también evaluar la calidad de los resultados, su comportamiento ante los errores, su capacidad para documentar las operaciones y la influencia de las instrucciones que recibe.
TerraLab AI Agent forma parte de una evolución más amplia de las herramientas de inteligencia artificial integradas en QGIS. Ya había presentado las distintas soluciones disponibles en el artículo «Los asistentes de IA disponibles en QGIS», que este nuevo análisis viene a completar.
1. Un agente de IA integrado en el trabajo SIG
Un agente de IA diseñado para QGIS se diferencia de un asistente conversacional convencional por su capacidad para actuar directamente en un entorno de trabajo geográfico.
Según las herramientas disponibles y los permisos concedidos, puede:
- inspeccionar las capas y sus atributos;
- buscar y cargar datos;
- realizar selecciones y extracciones;
- calcular estadísticas y superficies;
- ejecutar procesos espaciales;
- consultar bases de datos espaciales;
- crear capas de resultados;
- preparar representaciones cartográficas.
Estas posibilidades cambian la forma de interactuar con un SIG. El usuario puede expresar un objetivo en lenguaje natural en lugar de tener que construir por sí mismo cada etapa del procesamiento.
Sin embargo, una petición expresada en lenguaje natural no constituye necesariamente una especificación completa. Los términos pueden ser ambiguos, las fuentes disponibles no siempre son las que el usuario tiene en mente y un resultado visualmente convincente no garantiza que el método utilizado sea adecuado para la pregunta planteada.
Por eso, las pruebas se centraron tanto en los resultados como en las operaciones realizadas para obtenerlos.
2. Descubrir TerraLab AI Agent
Para conocer el complemento, su interfaz y su funcionamiento, recomiendo este vídeo de presentación y uso realizado por Hans van der Kwast:
El vídeo es muy claro y permite comprender rápidamente cómo utilizar el complemento. Constituye una buena introducción práctica y evita que tenga que describir aquí en detalle su interfaz y sus funcionalidades.
De este modo, puedo dedicar el resto del artículo a lo esencial: una evaluación independiente basada en 32 pruebas realizadas con QGIS 4.2, con verificación manual de los resultados numéricos.
3. Metodología de las pruebas
Las 32 pruebas abarcaron varias categorías de operaciones:
- exploración de datos y estadísticas de atributos;
- cálculos de superficies y densidades;
- creación y mejora de diseños cartográficos;
- búsqueda de datos externos;
- análisis espacial con datos catastrales y de urbanismo;
- acceso a PostGIS y ejecución de consultas SQL;
- controles de calidad de los datos;
- comparación de distintas formulaciones de un mismo prompt.
Los datos utilizados incluían, entre otros, capas municipales del área metropolitana de Mulhouse, datos de población, farmacias procedentes de OpenStreetMap, parcelas catastrales y zonas de ordenación urbanística.
Todos los resultados numéricos obtenidos durante las pruebas fueron verificados manualmente y se consideraron correctos. Algunas operaciones también fueron objeto de controles adicionales de reproducibilidad, especialmente mediante comparaciones entre QGIS y PostGIS.
Esta validación no significa que todos los aspectos del trabajo sean automáticamente fiables. La exactitud numérica, la pertinencia metodológica, la procedencia de los datos y la calidad cartográfica son criterios diferentes.
4. Un dossier experimental para examinar y reproducir las pruebas
Para que esta evaluación sea lo más transparente posible, pongo a disposición un dossier PDF que documenta las 32 pruebas realizadas.
Para cada prueba, el documento incluye el prompt utilizado, una captura de pantalla de la ejecución del agente, una captura del proyecto QGIS con el resultado obtenido y el informe textual generado por el complemento. También se documentan las observaciones derivadas de la validación manual de los resultados numéricos.
Además, proporciono las dos capas del proyecto inicial para que los lectores que lo deseen puedan repetir las pruebas en su propio entorno QGIS.
Este material permite ir más allá de una simple presentación de las funcionalidades: cada lector puede examinar las instrucciones, seguir las operaciones visibles, consultar los resultados y, cuando se cumplen los requisitos técnicos necesarios, repetir los procedimientos.
La reproducción completa puede requerir acceso a Internet, un entorno correctamente configurado y, para algunas pruebas, una conexión a una base de datos o a los servicios utilizados. Los requisitos de reproducción se especifican en el dossier.
Documentos y datos:
- Descargar el dossier PDF de las 32 pruebas (en francés)
- Descargar el dossier PDF de la 32 pruebas (en inglés)
- Descargar el proyecto inicial y sus dos capas
5. Exploración de datos y estadísticas
Las primeras pruebas se realizaron sobre una capa de municipios del área metropolitana de Mulhouse.
El agente comenzó inspeccionando la estructura de la capa, identificando los campos disponibles y teniendo en cuenta un filtro por población. A partir de estos datos, calculó estadísticas, extrajo los municipios que superaban un determinado umbral de población y creó un campo destinado a almacenar las superficies en hectáreas.
Estas operaciones son habituales en un proyecto SIG, pero su secuencia resulta reveladora. El agente debe comprender la estructura de la capa, seleccionar los campos adecuados, aplicar un criterio y producir un resultado utilizable.
Las pruebas también incluyeron el cálculo de densidades de población. La densidad se obtuvo dividiendo la población por la superficie de cada municipio, medida mediante un método geodésico.
A continuación, el agente generó mapas temáticos y diseños cartográficos para comparar la población total y la densidad de población.
Resultados correctos y cartografía mejorable mediante iteraciones
La validación de los valores numéricos fue satisfactoria. Sin embargo, los primeros diseños cartográficos presentaban algunos defectos, especialmente un contraste insuficiente en determinadas etiquetas, elementos de leyenda mejorables e información que debía precisarse en relación con las unidades y el año de los datos.
Entonces pedí al agente que mejorara sus producciones cartográficas teniendo en cuenta estas observaciones. Realizó modificaciones en los diseños, especialmente en la presentación de los títulos, las unidades y las leyendas.
Este procedimiento ilustra un aspecto interesante del uso de un agente de IA en QGIS: el trabajo puede desarrollarse mediante iteraciones sucesivas. El usuario examina el resultado, identifica los aspectos que deben mejorarse y formula nuevas instrucciones que el agente traduce en modificaciones del proyecto.
Por tanto, la calidad cartográfica no depende únicamente de la primera respuesta. Puede mejorarse a lo largo del diálogo, sin que el usuario tenga necesariamente que realizar por sí mismo cada modificación en la interfaz de QGIS. No obstante, sigue siendo importante comprobar que las correcciones realizadas responden realmente a las necesidades de legibilidad y comunicación del mapa.
6. Gestión de errores y secuencia de operaciones
Otra prueba consistía en solicitar una estadística sobre un campo que no existía en la capa.
El agente no inventó ningún valor. Señaló el problema y propuso utilizar los campos numéricos disponibles.
Una prueba complementaria combinaba una operación válida con una solicitud no válida. El agente realizó el cálculo que podía ejecutar y después interrumpió la etapa que no podía llevarse a cabo correctamente.
Este comportamiento es interesante: un agente SIG no solo debe saber ejecutar una operación, sino también reconocer las situaciones en las que los datos no permiten responder a la solicitud.
Sin embargo, estas dos pruebas constituyen casos particulares. No son suficientes para demostrar que el agente gestionará correctamente todos los errores posibles, especialmente los errores de geometría, los sistemas de coordenadas inadecuados o las interpretaciones ambiguas de un criterio espacial.
7. Búsqueda de datos: un ejemplo con OpenStreetMap
Las siguientes pruebas se centraron en la búsqueda de farmacias en el área metropolitana de Mulhouse.
El agente buscó datos en OpenStreetMap, creó una capa de puntos que contenía 71 farmacias y conservó distintos atributos descriptivos: nombre, dirección, horarios, teléfono, sitio web e información sobre accesibilidad, cuando estaban disponibles.
A continuación, contó las farmacias por municipio. El resultado incluía los 39 municipios de la capa municipal, 16 de los cuales no tenían ninguna farmacia registrada en los datos utilizados.
Este ejemplo ilustra una ventaja importante de los agentes integrados en los SIG: pueden encadenar la búsqueda de datos, su carga y su utilización en un análisis.
Sin embargo, es importante distinguir entre la fecha de extracción de los datos y la fecha de la última modificación de cada objeto en OpenStreetMap. Una extracción reciente no garantiza que toda la información esté actualizada o sea exhaustiva.
Por tanto, la calidad del análisis también depende de la cobertura y de la actualidad de la fuente.
8. Análisis catastral y zonificación urbanística
La parte más extensa de las pruebas se refiere al catastro de Mulhouse y a las zonas urbanísticas US1 y US4.
El objetivo era identificar las grandes parcelas catastrales que intersectaban determinadas zonas urbanísticas, verificar los resultados y comparar diferentes métodos de cálculo.
8.1. Identificar la parcela del Ayuntamiento
El agente buscó la parcela correspondiente a la dirección del Ayuntamiento de Mulhouse.
Generó una capa que contenía una parcela identificada mediante la referencia catastral 68224000KO0140, con una superficie catastral declarada de 9.147 m² y una clasificación urbanística US4.
El análisis geométrico obtuvo una superficie geodésica de aproximadamente 9.148,85 m².
La diferencia entre ambos valores es pequeña. No obstante, recuerda que la superficie catastral y la superficie calculada a partir de la geometría no son necesariamente idénticas.
El agente también estudió el solapamiento con la zona US4. Este control geométrico no sustituye, evidentemente, la consulta de los documentos normativos para determinar las reglas urbanísticas aplicables.
8.2. Controlar la calidad de los datos catastrales
Otro conjunto de pruebas se centró en las 22.828 parcelas catastrales de Mulhouse cargadas en QGIS.
Los controles incluyeron, entre otros aspectos:
- la presencia de geometrías nulas o vacías;
- la validez geométrica;
- los atributos necesarios para identificar las parcelas;
- los posibles duplicados en los identificadores catastrales;
- las superficies catastrales ausentes o nulas;
- las estadísticas de superficie catastral.
Los controles realizados detectaron una superficie catastral ausente, sin geometrías nulas, vacías o no válidas en el conjunto examinado. No se detectó ninguna duplicación según la clave catastral utilizada para el control.
A continuación, el agente extrajo las parcelas cuya superficie catastral era igual o superior a 10.000 m². El resultado contenía 230 parcelas, con una suma de sus superficies catastrales de 6.579.796 m².
Estas pruebas muestran que el agente puede gestionar una cadena de trabajo relativamente larga, desde la inspección de los datos hasta la producción de un subconjunto destinado a un análisis posterior.
9. Cruzar las parcelas catastrales con las zonas US1
El siguiente paso consistía en identificar las grandes parcelas que intersectaban una zona US1 de Mulhouse.
Los criterios utilizados fueron los siguientes:
- superficie catastral igual o superior a 10.000 m²;
- intersección con al menos una zona US1;
- se admitía la intersección parcial: la parcela no tenía que estar completamente situada dentro de la zona.
El resultado fue de 23 parcelas, con una suma de sus superficies catastrales de 866.775 m², es decir, 86,6775 hectáreas.
Es importante comprender el significado de esta suma. Corresponde a la superficie catastral de las 23 parcelas completas, y no a la superficie acumulada de las partes situadas dentro de las zonas US1.
Esta distinción es esencial en cualquier análisis que combine parcelas catastrales y zonificación urbanística.
Las operaciones de selección, intersección y cálculo de superficies utilizadas en estas pruebas forman parte de los procesos habituales de un proyecto SIG. Para profundizar en estas técnicas, también puedes consultar mis otros tutoriales sobre procesamiento espacial con QGIS, como QGIS: ejecutar una consulta SQL desde el menú contextual de las capas.
9.1. Calcular las superficies realmente situadas en US1
Una prueba complementaria consistió en calcular la superficie de cada parcela situada dentro de las zonas US1.
Para ello, se unieron las seis zonas US1 seleccionadas y, a continuación, se calculó su intersección con cada una de las 23 parcelas. Las superficies de intersección se midieron mediante un método geodésico.
La suma de las superficies de intersección obtenida fue de aproximadamente 334.818,95 m², es decir, 33,48 hectáreas.
Este resultado es muy diferente de los 866.775 m² de superficie catastral total. Corresponde a otra medida: la superficie geométrica cubierta por la zonificación US1 dentro de las parcelas seleccionadas.
Algunas parcelas solo intersectaban la zona en una superficie muy pequeña. Cinco intersecciones medían menos de un metro cuadrado. Estos casos merecen especial atención, ya que las superficies tan pequeñas pueden corresponder a contactos geométricos muy limitados o a diferencias de delimitación entre los datos.
Es importante señalar estos casos en lugar de eliminarlos automáticamente: su tratamiento depende del objetivo del estudio y del nivel de precisión requerido.
9.2. Verificar los resultados con PostGIS
Para comprobar la reproducibilidad de los cálculos, se ejecutó una segunda cadena de procesamiento en PostGIS a partir de los datos importados en la base de datos.
Los resultados de las superficies de intersección coincidieron con los obtenidos en QGIS con una diferencia inferior a 0,001 m².
| Parcela | Superficie AI Agent (m²) | Superficie PostGIS (m²) | Diferencia |
|---|---|---|---|
| LT 23 | 82.938,63 | 82.938,630895 | Menos de 0,001 m² |
| LS 44 | 43.405,59 | 43.405,593682 | Menos de 0,001 m² |
| IN 120 | 38.584,92 | 38.584,916023 | Menos de 0,001 m² |
| KC 97 | 6.992,67 | 6.992,671316 | Menos de 0,001 m² |
| LV 96 | 403,57 | 403,564706 | Menos de 0,001 m² |
| LT 2 | 0,52 | 0,521420 | Menos de 0,001 m² |
| LP 32 | 0,21 | 0,205157 | Menos de 0,001 m² |
| ME 84 | 0,06 | 0,060270 | Menos de 0,001 m² |
Esta concordancia aumenta la confianza en los resultados de este caso de estudio. No constituye una validación totalmente independiente en sentido estricto, ya que ambos entornos pueden compartir bibliotecas geométricas y convenciones de cálculo. No obstante, sigue siendo un control complementario útil.
Este ejemplo ilustra una buena práctica: cuando un resultado es importante, es preferible no limitarse al informe proporcionado por el agente. Es posible reproducir el cálculo, verificar los criterios y comparar los valores obtenidos.
El uso de PostGIS permite aquí reproducir las operaciones espaciales directamente en la base de datos. Si deseas profundizar en este enfoque, consulta también mis tutoriales sobre PostgreSQL y PostGIS, especialmente los dedicados a las consultas espaciales y las funciones geométricas.
10. Tres formulaciones de un mismo prompt
Las últimas pruebas se centraron en una pregunta aparentemente sencilla:
¿Cuáles son las parcelas grandes de Mulhouse situadas en la zona US1?
Esta petición puede formularse de varias maneras. Sin embargo, las palabras utilizadas no siempre especifican todos los criterios necesarios para que el proceso sea reproducible.
10.1. El prompt mínimo
La primera formulación fue:
Encuentra las parcelas grandes de Mulhouse en la zona US1.
El agente buscó datos catastrales en su catálogo, cargó 230 entidades y creó una capa de resultados que contenía 23 parcelas.
Indicó que algunas parcelas podían estar afectadas solo parcialmente por la zona US1.
El resultado numérico era correcto. Sin embargo, la petición no especificaba explícitamente el umbral para definir una parcela grande, la fuente catastral que debía priorizarse ni los controles que debían realizarse.
10.2. El prompt intermedio
La segunda formulación explicitaba el umbral y el criterio espacial:
Selecciona las parcelas cuya superficie catastral sea igual o superior a 10 000 m² y que intersecten una zona US1 de Mulhouse. Indica el número de parcelas y la suma de sus superficies catastrales.
Esta vez, el agente exploró las conexiones disponibles, cargó las 22 828 parcelas desde PostGIS y utilizó consultas SQL y código Python.
Volvió a encontrar las 23 parcelas y calculó una suma de superficies catastrales de 866 775 m².
El resultado era idéntico, pero el procedimiento técnico fue diferente al del primer ensayo.
10.3. El prompt detallado
La tercera formulación solicitaba explícitamente inspeccionar las fuentes disponibles, precisar los criterios, crear una nueva capa sin modificar los datos de origen, comprobar el resultado y documentar las limitaciones.
El agente generó una capa GeoPackage que contenía las 23 parcelas. También señaló que no era posible evaluar una parcela de origen sin superficie catastral, que las licencias de las tablas PostGIS no estaban especificadas y que, en ese proceso, no se había calculado la superficie realmente situada dentro de la zona US1.
10.4. ¿Qué nos enseña esta comparación?
Los tres ensayos produjeron el mismo número de parcelas. Las dos formulaciones más explícitas también dieron la misma suma de superficies catastrales.
La principal diferencia se encontraba en el procedimiento técnico y en el informe generado:
- el prompt mínimo condujo a una búsqueda en el catálogo;
- el prompt intermedio llevó a explorar PostGIS y a utilizar SQL y Python;
- el prompt detallado solicitó explícitamente controles y documentación de las limitaciones.
Comparación de los tres ensayos
| Indicador | Prompt mínimo | Prompt intermedio | Prompt detallado |
|---|---|---|---|
| Parcelas seleccionadas | 23 | 23 | 23 |
| Suma de las superficies catastrales | No facilitada | 866 775 m² | 866 775 m² |
| Búsqueda de los datos | Catálogo de TerraLab | Base de datos PostGIS | Base de datos PostGIS |
| Capa de resultados | Sí | Selección en la capa catastral | GeoPackage exportado |
| Controles comunicados explícitamente | Poco detallados | Resultado numérico | Identificadores, umbral e intersecciones |
| Limitaciones señaladas | Intersección parcial | Superficie total de las parcelas | Superficie catastral no disponible, fecha de referencia y licencias desconocidas |
Esta experiencia no demuestra que un prompt detallado produzca sistemáticamente un resultado más exacto. Muestra, más bien, que la precisión de las instrucciones permite expresar mejor los criterios esperados y exigir una presentación más completa del trabajo realizado.
Para comparar distintas formulaciones, también es necesario partir del mismo proyecto inicial y evitar reutilizar los resultados de un ensayo anterior. De lo contrario, también se estaría midiendo la capacidad del agente para conservar el contexto de la conversación.
11. Limitaciones que deben tenerse en cuenta
Las 32 pruebas han demostrado capacidades interesantes, pero hay varios aspectos que requieren una atención especial.
La procedencia de los datos
El agente puede buscar y cargar fuentes de datos, pero la fecha de referencia exacta, la fecha de actualización o la licencia no siempre aparecen en su informe.
Esta información debe verificarse cuando los resultados vayan a utilizarse con fines profesionales o a difundirse públicamente.
La diferencia entre resultado y comprobación
Un informe puede indicar que se ha realizado una comprobación. Es preferible poder identificar el criterio aplicado y, cuando sea necesario, reproducir la verificación.
En esta serie de pruebas, los resultados numéricos se validaron manualmente. Este procedimiento no debe confundirse con una garantía general de fiabilidad del agente en cualquier situación.
La calidad cartográfica
El agente puede generar un primer mapa o una composición cartográfica, pero las decisiones sobre la representación, la legibilidad de las etiquetas, la leyenda y la documentación todavía pueden requerir ajustes.
La interpretación del contexto de aplicación
Una operación geométrica ejecutada correctamente no responde necesariamente a todas las cuestiones relacionadas con el contexto de aplicación.
Una parcela que intersecta una zona de ordenación urbanística no tiene por qué estar incluida en su totalidad en dicha zona. Del mismo modo, una intersección geométrica no basta para determinar las normas urbanísticas aplicables a una parcela.
Por tanto, la calidad del análisis depende siempre de cómo se haya definido el problema y de la interpretación de los resultados.
12. Conclusión: un asistente operativo, no un sustituto de la experiencia en SIG
Estas 32 pruebas muestran que TerraLab AI Agent puede hacerse cargo de un conjunto significativo de operaciones en QGIS: exploración de datos, estadísticas, procesos espaciales, búsqueda de fuentes, consultas SQL, creación de capas y producción cartográfica.
Los resultados numéricos obtenidos durante las pruebas se validaron manualmente. La comparación entre QGIS y PostGIS para el cálculo de las intersecciones con las zonas US1 también confirmó la reproducibilidad de los resultados en este caso concreto.
Por tanto, el interés del agente no reside únicamente en su capacidad para generar una respuesta en lenguaje natural. Puede encadenar varias operaciones técnicas y contribuir a acelerar la realización de trabajos SIG.
Sin embargo, la automatización no elimina los requisitos fundamentales de la geomática: calidad de los datos, elección de los métodos, coherencia de los sistemas de coordenadas, trazabilidad de las fuentes e interpretación de los resultados.
El usuario sigue desempeñando un papel esencial en la definición de los criterios, el control de las operaciones y la validación de su pertinencia desde el punto de vista del ámbito de aplicación.
El mejor uso de un agente de IA en QGIS no consiste, por tanto, en delegarle un análisis a ciegas, sino en confiarle una parte del trabajo sin perder el control del método ni del resultado.
Artículo basado en una serie de 32 pruebas realizadas con QGIS 4.2. La evaluación se refiere a las operaciones observadas y a los resultados comprobados en el marco de estos ensayos; no constituye una garantía general de rendimiento en todos los proyectos SIG.
Transparencia: esta evaluación se realizó en el marco de un trabajo remunerado acordado con TerraLab. Las observaciones y conclusiones presentadas se basan exclusivamente en las pruebas realizadas y en su validación, y no en una garantía de resultados por parte del proveedor.
Recurso: TerraLab AI Agent
