Este texto forma parte de una serie dedicada a examinar las transformaciones de la geoinformación en la era de la inteligencia artificial. Si un artículo anterior abordaba sus implicaciones operativas y estratégicas para el sector geoespacial, aquí la pregunta es otra. No se trata solamente de nuevas herramientas, de automatización o de mayor capacidad de procesamiento. Lo que está en juego con la llegada de la GeoAI es más profundo: si la inteligencia artificial redefine la forma en que analizamos el espacio, también obliga a replantear qué entendemos por territorio cuando este deja de ser únicamente representado y comienza a ser modelado como una estructura que puede ser aprendida.
Ese cambio importa.
Porque no modifica solo la técnica.
Modifica también el conocimiento.
Y, con ello, la relación entre información, interpretación y decisión territorial.
La búsqueda de la estructura del territorio
Mucho antes de la inteligencia artificial, la geografía ya había intentado ir más allá de la descripción empírica del espacio para identificar las lógicas que lo organizan. La teoría de los lugares centrales de Walter Christaller constituye uno de los primeros intentos sistemáticos en esa dirección. En ella, el territorio se estructura según principios de jerarquía y cobertura, dando lugar a configuraciones geométricas —como la malla hexagonal— que buscan expresar una organización subyacente del espacio.
Allí aparece una intuición fundamental:
el mapa puede ser más que una representación.
Puede ser una formalización.
Esa intuición se profundiza en la obra de Jacques Bertin, quien propone comprender la cartografía como un lenguaje estructurado. A través de variables visuales —posición, tamaño, color, forma—, la representación geográfica deja de ser un simple soporte descriptivo y pasa a convertirse en una gramática.
Más adelante, la geografía cuantitativa refuerza esta ambición mediante modelos matemáticos de interacción espacial. La ley de gravitación comercial de William J. Reilly y otros enfoques afines expresan el territorio como un campo de relaciones medibles. En paralelo, Kevin Lynch introduce una dimensión cognitiva al mostrar que las ciudades también se organizan a través de representaciones mentales compartidas, de formas de legibilidad que estructuran la experiencia urbana.
Estas tradiciones no son idénticas.
Pero convergen en una misma idea:
el territorio no es solo observable.
Tiene estructura.
Puede organizarse analíticamente.
Aunque con un límite claro: en todos esos casos, la estructura seguía siendo definida por el analista.
La crítica de la representación
Esa ambición de formalización fue objeto de críticas decisivas. Como muestra How to Lie with Maps, los mapas nunca son neutrales. Toda representación territorial implica selección, omisión, jerarquía y encuadre. Cartografiar no consiste simplemente en mostrar el territorio, sino en producir una determinada lectura de él.
James C. Scott, en Seeing Like a State, amplía esta crítica al mostrar que muchas representaciones territoriales responden a una necesidad de simplificación. El territorio se vuelve legible cuando puede ser medido, clasificado, codificado y administrado. Pero esa legibilidad tiene un costo: reduce complejidad, elimina espesores sociales y ecológicos, y privilegia aquello que puede entrar en categorías operables para la acción pública.
El mapa, entonces, no es solo un instrumento técnico.
Es también un dispositivo de poder.
Define qué puede ser visto.
Qué puede ser medido.
Y, en consecuencia, qué puede ser gobernado.
Del mapa al sistema relacional
Los desarrollos recientes en inteligencia artificial introducen una inflexión en esta trayectoria. Ya no se trata únicamente de representar el territorio mediante categorías predefinidas, sino de entrenar modelos capaces de aprender regularidades espaciales directamente a partir de los datos. Imágenes satelitales, series temporales, sensores, capas vectoriales, catastros, grafos y bases administrativas pueden integrarse en sistemas que no solo clasifican objetos geográficos, sino que identifican relaciones, contextos y proximidades funcionales.
El espacio comienza así a traducirse en representaciones vectoriales.
No solo en mapas.
No solo en capas.
También en embeddings, relaciones latentes y estructuras aprendidas.
Cada unidad espacial deja de ser únicamente un objeto geográfico delimitado —una parcela, un barrio, una cuenca, un municipio— para convertirse también en una posición dentro de un sistema relacional. Lo que importa ya no es solo dónde está algo, sino cómo se parece, cómo se conecta y qué dinámica comparte con otros espacios.
En ese sentido, el territorio puede comenzar a entenderse como un lenguaje: un sistema de significados estructurados cuya gramática no está completamente fijada de antemano, sino parcialmente inferida por modelos capaces de aprender patrones a partir de los datos.
No desaparece la representación.
Pero deja de ocupar el centro.
Del dato a la inteligencia territorial
En este nuevo paradigma, el análisis espacial deja de ser exclusivamente un ejercicio de clasificación para convertirse también en un proceso de descubrimiento. Los modelos pueden detectar configuraciones latentes, identificar semejanzas funcionales entre territorios y revelar regularidades que no resultan evidentes en una lectura cartográfica convencional.
Dos espacios pueden ser muy distintos en su forma visible y, sin embargo, ocupar posiciones equivalentes dentro de una misma lógica territorial.
Ahí aparece un desplazamiento importante:
de producir información
a construir inteligencia territorial
Es decir:
capacidad de comprender dinámicas
identificar patrones
anticipar transformaciones
orientar decisiones
Lo decisivo no es solo que haya más datos o más velocidad de procesamiento. Lo decisivo es que el territorio empieza a ser tratado como un sistema productor de sentido, cuyas regularidades pueden modelarse y cuya evolución puede inferirse bajo ciertas condiciones.
GeoAI: más que una tecnología
Es en este contexto donde emerge el concepto de GeoAI. GeoAI no es simplemente la aplicación de inteligencia artificial a datos geoespaciales. Es un campo en formación que articula aprendizaje automático, teledetección, sistemas de información geográfica, visión computacional, análisis espacial y modelación predictiva para transformar la manera en que se observa, interpreta y gestiona el territorio.
Conviene decirlo con claridad.
GeoAI no es una etiqueta de moda.
Ni un simple añadido al SIG clásico.
Su interés no reside únicamente en automatizar tareas como la clasificación de imágenes, la detección de objetos, la segmentación del suelo o la actualización cartográfica. Su valor está en permitir nuevas formas de análisis territorial: detectar cambios en el uso del suelo, anticipar riesgos como inundaciones o expansión urbana, modelar sistemas complejos, comparar configuraciones espaciales y revelar patrones que no son inmediatamente visibles a simple vista.
En otras palabras, GeoAI conecta datos con capacidad de acción.
Y por eso tiene una dimensión operativa fuerte, especialmente en contextos donde la información territorial existe pero sigue fragmentada, subutilizada o desligada de la toma de decisiones. En países como Guatemala, donde el término todavía no circula de manera amplia fuera de ciertos nichos técnicos, explicarlo sigue siendo necesario. No por pedagogía superficial.
Sino por pertinencia.
Cuando el territorio se vuelve inteligible
Uno de los aspectos más disruptivos de estos modelos es su capacidad para aprender sin supervisión estricta. Las categorías no siempre son impuestas desde el inicio; en ciertos casos, emergen de los datos, de la recurrencia de ciertas configuraciones, de correlaciones espaciales o de proximidades funcionales entre unidades territoriales.
La ciudad deja entonces de ser solo un objeto representado.
Se convierte en un sistema cuya lógica puede ser parcialmente aprendida.
En este punto, el mapa pierde centralidad como núcleo exclusivo del conocimiento. No desaparece, pero pasa a ser una interfaz derivada, una salida posible entre otras. La inteligencia del sistema ya no reside únicamente en la visualización, sino también en estructuras menos visibles: espacios latentes, grafos espaciales, modelos entrenados sobre múltiples capas de información, representaciones vectoriales del territorio.
Al convertir lugares en vectores, los modelos redefinen la naturaleza analítica del espacio. Un barrio ya no es solo una localización sobre una superficie cartográfica; es también una posición dentro de un sistema de relaciones. Eso permite comparar territorios, identificar configuraciones funcionales y anticipar dinámicas más allá de la apariencia morfológica inmediata.
Los enfoques basados en grafos espaciales hacen esta lógica aún más explícita. El territorio puede estructurarse como una red de nodos, vínculos, flujos y dependencias. Ya no solo se describe el espacio: se lo interroga como sistema.
La interpretación no desaparece
Esta transformación no elimina la interpretación.
La desplaza.
La cuestión ya no es solamente cómo representar el territorio, sino cómo estructurarlo para que pueda ser aprendido, comparado e inferido. Y esa elección nunca es neutral. Depende de los datos disponibles, de las variables seleccionadas, de los recortes espaciales, de las ontologías utilizadas y de los fines para los cuales el sistema es construido.
Eso quiere decir que el problema político no desaparece con la sofisticación técnica.
Se reconfigura.
Si antes la pregunta era qué muestra el mapa y qué oculta, ahora también debemos preguntar qué relaciones aprende el modelo, qué regularidades privilegia, qué tipo de legibilidad produce y para quién resulta útil esa nueva inteligibilidad territorial.
Del conocimiento a la acción
Este desplazamiento tiene implicaciones directas para la planificación, la gestión pública y la gobernanza del territorio. La geoinformación deja de ser solamente un medio de representación para convertirse en una infraestructura de conocimiento y decisión. La acción ya no se apoya únicamente en mapas, tipologías o diagnósticos estáticos, sino en sistemas capaces de inferir relaciones, detectar tendencias y anticipar transformaciones.
Eso abre posibilidades importantes.
Pero también introduce una nueva tensión:
entre lo que puede interpretarse
y lo que puede inferirse
En un contexto donde el territorio se vuelve progresivamente inteligible a través de sistemas complejos, el desafío ya no es solo acceder a información territorial más abundante o más precisa. El desafío es comprender qué tipo de conocimiento estamos produciendo sobre el espacio, bajo qué supuestos se construye y cómo se traduce en capacidad de acción.
Porque al final, la pregunta no es solo tecnológica.
Es territorial.
Y también política.
La frontera que viene: modelos del mundo
Una última inflexión vuelve este debate todavía más relevante. Una parte creciente de la investigación en inteligencia artificial ya no mira únicamente hacia modelos de lenguaje cada vez más grandes, sino hacia sistemas capaces de aprender representaciones del mundo como lo plantea Yann Le Cun: estructuras internas que permitan anticipar estados, relaciones y dinámicas del entorno físico.
Esa hipótesis sigue abierta.
Pero está orientando una frontera clara.
En ese contexto, comienza a perfilarse una carrera por la construcción de representaciones operables del mundo real. Ya no se trata solo de comprender textos o imágenes aisladas, sino de construir modelos cada vez más densos, situados y actualizables del espacio físico: mundos representables, navegables e inferibles.
Ahí la geoinformación deja de ser periférica. Google, Niantic y otros actores empujan desarrollos donde la representación geoespacial, la reconstrucción tridimensional, la localización y el razonamiento espacial pasan a ocupar un lugar estratégico. Si esa trayectoria se confirma, la GeoAI dejará de ser solamente una subdisciplina aplicada al espacio. Pasará a ser uno de los laboratorios donde se define cómo las máquinas aprenden a modelar el mundo y cómo esa nueva inteligibilidad territorial reconfigura la relación entre conocimiento, infraestructura y poder.
Estamos entrando en una época en la que el territorio dejará de ser una superficie fija para convertirse en una materia maleable, casi viva.
Como una plastilina digital, amasada no con las manos sino con datos, algoritmos y decisiones. Donde antes el mapa era destino, ahora empieza a ser posibilidad: las calles podrían reescribirse como si recordaran otros trazados, los ríos insinuar desvíos, las ciudades plegarse y desplegarse según voluntades visibles e invisibles, como si el tiempo mismo caminara en círculos sobre ellas.
Pero toda forma es también una decisión. Si el territorio puede moldearse, la pregunta persiste como una sombra: ¿quién lo moldea y para quién? La promesa de adaptación y precisión encierra un riesgo más profundo: que en esa plasticidad se diluya la memoria, que la eficiencia borre lo irreductible, que lo humano quede fuera de aquello que lo reorganiza.
Porque tal vez el desafío no sea hacer del territorio algo moldeable, sino evitar que, al hacerlo, perdamos aquello que le da sentido.