Cuando presentamos Google Earth AI, compartimos un conjunto de modelos fundacionales geoespaciales — que abarcan teledetección, meteorología, hidrología de inundaciones y dinámica poblacional — junto con un prototipo inicial que mostraba cómo un agente impulsado por Gemini podía conectar esos modelos para responder preguntas multimodales.
Desde entonces, hemos hecho evolucionar un agente de Razonamiento Geoespacial de un concepto temprano a un sistema experimental mucho más capaz, diseñado para el razonamiento geoespacial de múltiples pasos sobre datos a escala planetaria y el entrenamiento autónomo de modelos predictivos personalizados. Hoy compartimos tres novedades:
- Un nuevo informe técnico sobre razonamiento geoespacial: Presentamos evaluaciones sistemáticas en cuatro benchmarks, incluidos GeoKTools y GeoExpertQueries, dos nuevos benchmarks que desarrollamos y publicamos para que los investigadores prueben sus propios agentes de razonamiento geoespacial. Nuestros resultados cuantifican el valor de las herramientas especializadas y la planificación de Earth AI frente a los LLM listos para usar.
- Perspectivas de las pruebas con socios reales: Durante los últimos meses, invitamos a un pequeño grupo de organizaciones asociadas de impacto social y comerciales — incluidas la Oficina Regional de la Organización Mundial de la Salud (OMS) para África, People in Need, GiveDirectly, el Milken Institute y WPP — a probar el agente en apoyo de sus propios flujos de trabajo del mundo real, como investigaciones de brotes de enfermedades, preparación ante desastres y evaluación de energía limpia.
- Ampliación del acceso anticipado en Google Earth y Google Cloud: Estamos ampliando el acceso experimental tanto para el análisis geoespacial de múltiples pasos como para la predicción planetaria. Ofrecemos acceso anticipado a una actualización experimental de investigación profunda para Ask Google Earth. También proporcionamos acceso anticipado a una API de agente a agente para desarrolladores que creen flujos de trabajo personalizados, incluidas recetas de integración para conectarse a Gemini.
Novedades del Razonamiento Geoespacial
Los LLM de propósito general y las herramientas de programación estándar tienen dificultades con los problemas espaciales del mundo real porque los conjuntos de datos planetarios son masivos, con formatos especializados de mapas y satélites que requieren una planificación cuidadosa de múltiples pasos para combinarlos con precisión. Para abordar flujos de trabajo espaciales complejos en la práctica, nuestro agente reúne cuatro capacidades clave:
Conectado a los modelos fundacionales de Earth AI y a datos a escala planetaria
El agente conecta Gemini con las capacidades de los modelos fundacionales de Earth AI — incluidos WeatherNext, Flood Forecasting, la Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations y Remote Sensing Foundations — junto con información de Google Maps Platform (p. ej., información de lugares, rutas, calidad del aire, potencial solar de tejados), Google Earth Engine, Data Commons y Google Dataset Search.
Habilidades modulares, planificación anticipada y un espacio de trabajo espacial dedicado
Las capacidades de Earth AI se presentan como habilidades modulares que el agente invoca solo cuando una pregunta del usuario las necesita. Antes de ejecutar operaciones complejas, el agente elabora un plan analítico paso a paso, selecciona conjuntos de datos alternativos adecuados cuando la cobertura local es escasa y procesa capas de mapas grandes en un espacio de trabajo dedicado. Este enfoque evita saturar el contexto del agente con cantidades masivas de datos espaciales, al tiempo que preserva la precisión y rastrea la atribución de los datos. Cada respuesta muestra el plan del agente y las fuentes de datos utilizadas para que los expertos puedan verificar supuestos o sustituir conjuntos de datos.
Traiga sus propios datos
Las organizaciones rara vez dependen únicamente de datos públicos. Los usuarios ahora pueden introducir sus propios conjuntos de datos a través de la API del agente de Geospatial Reasoning como hojas de cálculo CSV, límites de mapas personalizados (GeoJSON) o tablas en la nube. Luego, los usuarios pueden pedirle al agente que una sus ubicaciones privadas con los modelos y catálogos globales de Earth AI.
Del razonamiento en varios pasos a la Predicción Planetaria autónoma
Más allá de responder preguntas analíticas complejas, el agente también impulsa nuestro recientemente anunciado Planetary Prediction Engine. Dados los datos locales de resultados de un usuario, como tasas regionales de enfermedades, rendimientos de cultivos o cortes de energía en la red eléctrica, el agente selecciona automáticamente señales poblacionales y ambientales relevantes, utiliza nuestras Population Dynamics Insights y el conjunto de datos anual Satellite Embedding dataset (productos de Google basados en PDFM y AlphaEarth Foundations, respectivamente) y entrena modelos de aprendizaje automático validados para predicción espacial, reducción de escala por superresolución y pronóstico. En nuestra reciente investigación de salud pública, la combinación de estas señales poblacionales y satelitales mejoró las predicciones de resultados de salud en un 12% respecto a las líneas base demográficas y permitió mapear con una resolución espacial 8X más fina.
Nuestro agente de Geospatial Reasoning responde a la pregunta de un usuario planificando primero un flujo de trabajo de varios pasos, luego seleccionando las herramientas, conjuntos de datos y modelos clave de Earth AI relevantes para la consulta, y finalmente ejecutando cada etapa del plan en un espacio de trabajo fuera de la ventana de contexto. La respuesta incorpora múltiples capacidades de Earth AI en un informe textual, tabular y basado en mapas.
Evaluación de un agente de Geospatial Reasoning
Para medir el impacto de las herramientas específicas de dominio y la planificación previa en el razonamiento geoespacial, nuestro informe técnico compara cuatro configuraciones de agentes en Gemini 3.8 Flash y Gemini 3.1 Pro: (1) un LLM independiente, (2) el LLM con herramientas básicas de búsqueda web y fundamentación en mapas , (3) el LLM con herramientas de Earth AI (como Remote Sensing Foundations y WeatherNext 3) pero sin planificación previa, y (4) el agente completo de Geospatial Reasoning, que comienza cada consulta con una etapa de planificación dedicada que razona sobre las capacidades disponibles para evaluar lo que puede y no puede hacer, y establece las etapas de recuperación y procesamiento necesarias para llegar a una respuesta.
Evaluamos cuatro configuraciones de agentes, desde el modelo base de Gemini hasta agentes progresivamente aumentados con habilidades y orquestación optimizadas para el razonamiento geoespacial.
La evaluación abarca cuatro benchmarks que cubren análisis abierto de nivel experto, orquestación de múltiples herramientas y problemas geoespaciales desarrollados por la comunidad con respuestas deterministas. CBGB y UnivEARTH son dos benchmarks desarrollados externamente que prueban, respectivamente, la generación de código geoespacial y el preguntas y respuestas. Para probar a los agentes en tareas desafiantes que van más allá de una sola pregunta o caso de uso, desarrollamos dos nuevos benchmarks. GeoExpertQueries introduce consultas complejas del mundo real con flujos de trabajo dorados redactados por expertos que capturan las mejores prácticas de análisis en dominios como la resiliencia ante crisis, la selección de sitios y la salud pública. GeoKTools contiene consultas plantilladas con respuestas verificables, cada una de las cuales requiere la selección y el uso correctos de entre 1 y 4 herramientas geoespaciales distintas. En conjunto, esta suite ofrece una cobertura sustancialmente más amplia que las evaluaciones anteriores de sistemas de razonamiento geoespacial. Para acelerar la investigación y el desarrollo de agentes geoespaciales, publicamos las particiones de desarrollo de ambos nuevos benchmarks en su totalidad.
Consultas de ejemplo de nuestros nuevos benchmarks GeoKTools (izquierda) y GeoExpertQueries (derecha). GeoKTools evalúa la capacidad de un agente para seleccionar y usar herramientas y conjuntos de datos geoespaciales específicos, mientras que GeoExpertQueries evalúa el razonamiento en flujos de trabajo abiertos y de varios pasos.
Resultados y conclusiones clave
Dos conclusiones clave destacan de nuestra evaluación: Primero, las habilidades específicas del dominio son esenciales para el razonamiento espacial. El agente con solo herramientas básicas (búsqueda web, anclaje de mapas y ejecución de código) tiene dificultades en las tareas espaciales cuantitativas. Dotar al agente con habilidades de Earth AI genera un salto significativo en GeoExpertQueries, GeoKTools y CBGB. La única excepción es UnivEARTH, donde incluso un LLM independiente obtiene una puntuación de 93.6%, probablemente porque los artículos de la NASA y las respuestas están disponibles en la web pública.
Segundo, la planificación previa desbloquea flujos de trabajo abiertos del mundo real. Aunque las habilidades de Earth AI por sí solas son suficientes para tareas más limitadas como las de CBGB y GeoKTools, abordar problemas abiertos en GeoExpertQueries requiere una planificación previa para mantener al agente en el buen camino a lo largo de análisis de varios pasos y evitar que haga suposiciones poco fiables o tome atajos como usar la búsqueda web en lugar de herramientas espaciales.
La tabla siguiente muestra las puntuaciones en los cuatro benchmarks usando Gemini 3.8 Flash:
Las puntuaciones son de 0 a 100, promediadas sobre tres ejecuciones. Cada benchmark se puntúa de forma diferente, así que compara dentro de una fila, no entre filas.
El informe técnico también aborda las limitaciones. Las puntuaciones de GeoExpertQueries provienen de un autorater que compara el rendimiento del agente con flujos de trabajo de expertos que definen los pasos que debe seguir un análisis, no la respuesta final correcta. Por lo tanto, consideramos la salida del agente como un primer borrador sólido para que los expertos la revisen y construyan sobre ella, no una respuesta final.
Earth AI en acción: Pruebas tempranas con socios
Para evaluar cómo se traduce esta investigación a desafíos del mundo real, dimos a un pequeño grupo de socios acceso anticipado para probar el agente experimental en sus problemas más difíciles. En salud pública, respuesta a desastres y planificación de infraestructura, a continuación se presenta un panorama de cómo están poniendo Earth AI en acción:
- Organización Mundial de la Salud (WHO AFRO) & INRB de la RDC: Al inicio del brote de ébola de 2026 en la República Democrática del Congo (RDC), el Centro de Preparación y Respuesta a Emergencias de WHO AFRO en Dakar utilizó el agente de Razonamiento Geoespacial para mapear corredores mineros remotos donde el riesgo de exposición y la movilidad humana son altos, cruzando la pérdida de bosques (de imágenes satelitales), los sitios mineros (de mapas y datos web) y los datos de población. En minutos, el equipo identificó 48 asentamientos expuestos y localizó a más de 45,500 personas en riesgo — un proceso que normalmente habría tomado semanas. Esto permitió a los respondedores locales desplegar de manera proactiva laboratorios móviles y coordinar la vigilancia fronteriza. Mientras tanto, la Unidad de Modelado e Inteligencia Epidémica (UMIE) del Instituto Nacional de Investigación Biomédica (INRB) de la RDC utilizó el Planetary Prediction Engine para estimar el riesgo de que el ébola se propagara a zonas no infectadas. Al combinar los flujos de movilidad con las tendencias históricas de casos y los modelos y conjuntos de datos de Earth AI, estas perspectivas semanales brindan a los coordinadores un tiempo crítico de planificación antes de que lleguen los casos.
- «Las poblaciones móviles como los mineros se mueven más rápido de lo que la vigilancia tradicional en papel puede rastrear, creando puntos ciegos peligrosos. Earth AI llena esos vacíos con señales satelitales y de movilidad, pasando de perseguir reactivamente un virus a pronosticar activamente dónde golpeará a continuación.» Dr. Etien Koua, Gerente del Área de Programa HIS & Coordinador del Hub para WHO AFRO Preparación y Respuesta a Emergencias (ver el video)
- People in Need: El razonamiento geoespacial ayudó a combinar pronósticos de desastres naturales con información de población e imágenes, cambiando el enfoque de los analistas del procesamiento de datos a la generación de conocimientos:
- "El agente experimental de Razonamiento Geoespacial nos ayudó a analizar 14 trayectorias históricas de ciclones para identificar aldeas con alta exposición en minutos en lugar de días de trabajo manual en GIS, convirtiendo datos complejos previamente preparados en conocimientos inmediatos y liberando tiempo crítico para acciones anticipatorias que salvan vidas." - Alonso Gonzales, Coordinador de GIS y Teledetección
- GiveDirectly: Los equipos subieron límites de mapas personalizados para calcular rápidamente la exposición de la población por zonas de velocidad del viento durante el Ciclón Tropical Maila y evaluar comparativamente los daños de tornados en Mississippi, reduciendo el alcance de la crisis de días a minutos dentro de un solo espacio de trabajo.
- WPP: Utilizó el razonamiento geoespacial para conectar Population Dynamics Insights con sus datos propietarios. Su estudio de caso demuestra cómo los conocimientos de Earth AI mejoraron el rendimiento de las campañas de marketing geoespacial, preservando al mismo tiempo la privacidad de sus datos.
- Milken Institute: Los equipos de predesarrollo usaron el agente para combinar sus propias listas de más de 1,500 edificios candidatos con Solar API de Google Maps Platform y datos censales con el fin de evaluar ubicaciones para construir centros de resiliencia comunitaria, teniendo en cuenta el potencial solar de los techos, los datos de movilidad, los centros de tránsito cercanos, los riesgos climáticos y la elegibilidad para zonas de inversión federal.
Las pruebas tempranas con estos socios ayudaron a nuestra evaluación y expansión de las habilidades geoespaciales del agente, impulsando nuestras adiciones recientes de enrutamiento de redes viales, soporte para conjuntos de datos más grandes subidos por el usuario y un mejor descubrimiento de fuentes de datos locales autorizadas.
Ampliación del acceso anticipado: Dónde postularte para probarlo
Hoy, estamos ampliando el acceso a nuestras capacidades de investigación de Earth AI para recopilar más comentarios sobre estas capacidades experimentales de razonamiento geoespacial. Estamos poniéndolas a disposición de un grupo limitado de usuarios tempranos:
- Pregunta a Google Earth: capacidades ampliadas de análisis profundo directamente dentro de Ask Google Earth. Esto ofrece una experiencia de chat interactiva donde puedes hacer preguntas espaciales complejas en lenguaje natural, analizar datos —incluidos los tuyos propios— en proyectos de Google Earth y explorar resultados visuales directamente en el mapa.
- Geospatial Reasoning Agent API: Para los equipos de desarrolladores que deseen una integración personalizable y de hazlo tú mismo para impulsar flujos de trabajo personalizados, ofrecemos un servicio experimental sin interfaz de Agente-a-Agente (A2A). Los primeros partners pueden conectar el agente Geospatial Reasoning a sus propios agentes personalizados y canalizaciones de datos. Proporcionamos recetas de desarrollo paso a paso para los equipos que quieran conectar el servicio a su Gemini for business environment.
Nuestras capacidades de Planetary Prediction Engine también están disponibles en vista previa temprana —accesibles tanto a través de una interfaz interactiva para modelado rápido en lenguaje sencillo como mediante la Agent API para flujos de trabajo personalizados.
Para expresar su interés en obtener acceso a estas capacidades de investigación, por favor complete nuestro formulario de interés. Para estar entre los primeros en probar nuestros proyectos en etapas tempranas, también puede inscribirse en nuestro Early Access Pool.