LO
Avísame cuando llegue un registro verificado a esta ocupación → · Marca cuáles de estas tareas son tuyas (VOLO Pro, gratis durante el lanzamiento) →
Analista SIG / cartógrafo
Convierte imágenes y datos topográficos en mapas y bases de datos espaciales: digitaliza edificios, carreteras y ocupación del suelo, hace análisis espaciales, mantiene los datos y los contrasta con el terreno. El aprendizaje automático está asumiendo la extracción masiva de elementos a escala nacional —la agencia cartográfica de Francia dice que la IA redujo a un tercio el tiempo de producción de su mapa de ocupación del suelo y a la mitad el coste— y los agentes de IA ya pueden hacer operaciones SIG básicas. Pero en una prueba controlada, cartógrafos experimentados trabajando a mano fueron más rápidos y precisos que un editor asistido por IA, los bancos de pruebas señalan el razonamiento espacial como lo más difícil, e incluso quienes proporcionan datos de edificios generados por máquina piden a los usuarios que los comprueben localmente. Estados Unidos prevé que el empleo de cartógrafos crezca un 7 por ciento hasta 2035, sin mencionar la IA.
Compara una capa de edificios generada por máquina con las imágenes de un barrio que conozcas y cuenta los errores.
Esto no es una probabilidad de perder el empleo. Combina qué parte de la carga de tareas del puesto está expuesta a la automatización con hasta dónde ha llegado realmente la adopción: sirve para comparar ocupaciones sobre una base constante, y para nada más.
Escrito para analistas y técnicos SIG, cartógrafos y fotogrametristas que producen mapas y datos espaciales. Los topógrafos colegiados, los ingenieros civiles y los científicos de datos tienen sus propias páginas o hacen otro trabajo. La evidencia son dos proyecciones laborales de Estados Unidos, el relato de una agencia cartográfica nacional sobre su propia producción, el conjunto de datos abierto de edificios de una empresa tecnológica, dos bancos de pruebas de agentes de IA en tareas SIG y un experimento controlado de cartografía; establece qué hace la IA en la producción de mapas y dónde siguen comprobándola las personas, no cómo han cambiado los empleos o los ingresos en los SIG.
Qué está cambiando de verdad#
La unidad de análisis es la tarea, no el nombre del puesto. Un puesto no se sustituye: se le mueve la mezcla de tareas.
Cada casilla es una tarea. Su tamaño es cuánto pesa en el trabajo; su color, hacia dónde va la tarea. Haz clic en una casilla para ver qué no establece ese juicio.
El relato de una agencia sobre su propia producción, lo que un proveedor afirma de sus propios datos y un experimento pequeño; ninguno mide empleos de cartografía.
Bancos de pruebas en entornos de ensayo; un flujo de trabajo válido no es lo mismo que una respuesta correcta, y ninguno mide el trabajo de los analistas.
Proyecciones para un solo país; ningún registro mide la IA en el diseño de mapas o el mantenimiento de bases de datos.
El razonamiento de una proyección y el consejo de un proveedor a sus usuarios; ninguno mide cuánta comprobación se hace.
¿Es este tu trabajo? Dilo y esta página se estrecha a tu parte de él.
El nombre de un puesto es un paquete de tareas compradas juntas, y no hay dos personas con el mismo paquete. No se envía nada a ninguna parte: se queda en este navegador.
Cambios recientes#
Estados Unidos. La oficina de estadística prevé que el empleo de cartógrafos y fotogrametristas crezca un 7 por ciento de 2025 a 2035, de 14.700 a 15.700, mucho más rápido que la media, con unas 900 vacantes al año. La página no menciona la inteligencia artificial. Cuenta empleos de un solo país y de una ocupación pequeña; los técnicos SIG se cuentan en otra categoría.
Una persona con nombre y con posición reconocida predijo algo públicamente, en una fecha, en una declaración atribuible. Se registra para que quede comprobable quién dijo qué y cuándo, y nunca mueve la evaluación de una tarea, porque una predicción no es una observación. Su valor llega después: el registro queda en la misma página que la evidencia sobre esa ocupación, así que quien lee el pronóstico lee al lado el registro de lo que pasó luego. Esa es la rendición de cuentas; este sitio no publica ningún veredicto sobre si un pronóstico se cumplió.
Estados Unidos. La oficina de estadística prevé que el empleo de técnicos de topografía y cartografía crezca un 6 por ciento de 2025 a 2035, de 58.800 a 62.200, con unas 6.900 vacantes al año. Dice que el aumento de la demanda de información cartográfica exigirá técnicos, y que, aunque los drones y otros avances hacen más eficientes algunos aspectos del trabajo topográfico, seguirán haciendo falta técnicos para revisar e interpretar lo que producen estas tecnologías y garantizar su exactitud y exhaustividad. No menciona la inteligencia artificial por su nombre.
Una persona con nombre y con posición reconocida predijo algo públicamente, en una fecha, en una declaración atribuible. Se registra para que quede comprobable quién dijo qué y cuándo, y nunca mueve la evaluación de una tarea, porque una predicción no es una observación. Su valor llega después: el registro queda en la misma página que la evidencia sobre esa ocupación, así que quien lee el pronóstico lee al lado el registro de lo que pasó luego. Esa es la rendición de cuentas; este sitio no publica ningún veredicto sobre si un pronóstico se cumplió.
Mundial. El conjunto de datos abierto de Microsoft con huellas de edificios extraídas de imágenes mediante aprendizaje automático cubre 225 regiones. Su README dice que sus métricas muestran que los datos igualan o superan la calidad de las huellas dibujadas a mano, indica una precisión superior al 92% y una exhaustividad de entre el 70,9% y el 85,9% según la región, y pide a los usuarios que nunca importen los datos en OpenStreetMap sin comprobar antes la calidad local, que varía entre zonas rurales y urbanas y según el terreno. La empresa describe su propio conjunto de datos.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Un experimento controlado con 26 participantes que compara fAIr, un entorno de cartografía de edificios asistido por IA del Humanitarian OpenStreetMap Team, con JOSM para la cartografía manual. La cartografía manual fue en conjunto más rápida y precisa, sobre todo porque los colaboradores experimentados trabajaron bien; fAIr redujo las diferencias entre colaboradores novatos y experimentados, pero produjo errores propios de la IA, el más frecuente fusionar varios edificios en una sola huella. Cartografía voluntaria en dos zonas de estudio; los resultados sirvieron para una nueva versión de la herramienta.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Un banco de pruebas de 50 tareas de geoprocesamiento en Python derivadas de problemas SIG reales. Modelos propietarios como ChatGPT-4o-mini alcanzaron un 95% de validez de los flujos de trabajo, mientras que modelos abiertos más pequeños como DeepSeek-R1-7B llegaron al 48,5%; las tareas que exigen un razonamiento espacial más profundo, como detectar relaciones espaciales o seleccionar el emplazamiento óptimo, siguieron siendo las más difíciles, y los autores piden una evaluación rigurosa antes de afirmar una automatización completa de los SIG. Que un flujo de trabajo sea válido no significa que los resultados sean correctos.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Francia. La agencia cartográfica nacional dice que su mapa de ocupación del suelo a gran escala (OCS GE), producido con IA a partir de imágenes aéreas y de satélite desde un proyecto lanzado en 2022, ahora lleva un año por departamento en lugar de tres —un tiempo de producción dividido por tres— y que la tecnología redujo a la mitad el coste de producción de estos datos geográficos. La agencia describe su propia producción; no dice nada sobre la plantilla.
Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.
Un estudio que integró un agente basado en un modelo de lenguaje en QGIS para que los usuarios puedan hacer análisis espaciales con órdenes en lenguaje natural, evaluado en más de 100 tareas de tres niveles de complejidad. Informa de una alta tasa de éxito en la selección de herramientas y la generación de código para las tareas básicas e intermedias, mientras que siguen existiendo retos para lograr una autonomía completa en las tareas más complejas. Probado por sus desarrolladores en un entorno de investigación.
Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.
Qué significa esto para ti#
Si empiezas, cuenta con que la digitalización masiva la harán los modelos, y desarrolla lo que a ellos les falta: razonamiento espacial, contrastar los datos con el terreno y saber cuándo una capa generada por máquina está mal.
Espera dedicar más tiempo a corregir y validar lo que producen las máquinas y a programar análisis con ayuda de la IA. El juicio sobre qué significan los datos y si sirven para su uso sigue siendo tuyo.
Tus opciones#
Cuatro direcciones, cada una con sus restricciones reales y con una cosa que puedes probar esta semana. Seguir como estás es una opción legítima; solo tiene que ser una opción elegida.
Pasar de trazar elementos a comprobar capas generadas por máquina
Las agencias cartográficas están pasando la extracción a los modelos, e incluso los proveedores piden a los usuarios que comprueben el resultado localmente.
Corregir errores de los modelos, como edificios fusionados, puede llevar tanto tiempo como trazarlos.
Compara una capa de edificios generada por máquina con las imágenes de un barrio que conozcas y cuenta los errores.
Quedarse en el análisis espacial y la calidad de los datos
Los bancos de pruebas señalan el razonamiento espacial como lo más difícil para la IA, y siguen haciendo falta técnicos para revisar los resultados.
Los puestos de análisis suelen exigir saber programar.
Plantea a un asistente de IA una pregunta de selección de emplazamientos que ya hayas resuelto y comprueba cada paso de su respuesta.
Pasar a entrenar y evaluar modelos de GeoAI
La extracción basada en modelos necesita datos etiquetados, ajuste local y controles de exactitud que dependen del conocimiento cartográfico.
Exige habilidades de aprendizaje automático además de los SIG.
Prueba una herramienta abierta de cartografía asistida por IA en una zona pequeña y anota en qué elementos se equivoca.
Preguntas frecuentes#
Está asumiendo la extracción masiva de elementos, no todo el trabajo. Una agencia cartográfica nacional redujo a un tercio con IA el tiempo de producción de su mapa de ocupación del suelo, pero en una prueba controlada los cartógrafos manuales experimentados superaron a un editor asistido por IA, el razonamiento espacial sigue siendo difícil para los agentes de IA y los datos generados por máquina siguen necesitando comprobación. Estados Unidos prevé que el empleo de cartógrafos crezca un 7 por ciento de 2025 a 2035.
No respondemos a eso con un número de años. Fíjate en si tu organización empieza a partir de capas generadas por máquina en lugar de imágenes, y en cuánto de tu tiempo pasa a comprobarlas. Eso te dice más que cualquier fecha.
A gran escala, sí —Microsoft publica huellas generadas por máquina de todo el mundo—, pero la calidad varía según el lugar, y en una prueba controlada un editor asistido por IA fusionaba con mayor frecuencia varios edificios en un solo contorno.
Puede escribir y ejecutar flujos de geoprocesamiento rutinarios, pero los bancos de pruebas señalan como lo más difícil las tareas que exigen un razonamiento espacial más profundo, como la selección de emplazamientos, y los investigadores advierten contra las afirmaciones de automatización completa.
En qué se apoyan estos juicios#
De los 4 juicios de tarea de esta página, 1 se apoyan en un evento verificado y 3 son inferencia de la plataforma, cada uno etiquetado donde aparece. Detrás hay 2 dimensiones tecnológicas, una trayectoria reconstruida desde que los modelos de lenguaje llegaron al público y 7 eventos verificados.
Ver qué tecnologías, cómo llegó hasta aquí y el método →
Dónde se sitúa en la clasificación oficial: habilidades, conocimientos y trabajos afines →
Otros puestos de la misma función#
Una empresa divide su trabajo en funciones antes de dividirlo en puestos. Estos están en Entrega principal (propia del sector) junto a este — un hecho sobre los organigramas, no un juicio de que se parezcan ni de que cambien en la misma dirección.
Moderador de contenidos · Enfermero titulado · Radiólogo · Patólogo · Técnico en radiología / en imagen para el diagnóstico · Médico de familia / de atención primaria · Cirujano · Auxiliar de cuidados / auxiliar de enfermería · Consejero / terapeuta · Psicólogo · Dietista-nutricionista · Farmacéutico · Técnico de farmacia · Docente de escuela · Profesor de autoescuela · Docente universitario · Cocinero / chef · Electricista · Fontanero · Técnico de climatización · Arquitecto · Diseñador de interiores · Ingeniero civil / estructural · Ingeniero eléctrico · Ingeniero de diseño de chips · Ingeniero mecánico · Ingeniero industrial · Técnico de mediciones y presupuestos · Periodista · Editor y corrector de textos · Traductor / Intérprete · Intérprete · Cajero de comercio / dependiente · Cajero de banco · Auxiliar médico / auxiliar de consulta · Camarero de sala · Trabajador de la construcción · Mecánico / técnico de vehículos · Técnico de laboratorio clínico · Fisioterapeuta / terapeuta de rehabilitación · Bombero · Policía · Agricultor · Trabajador social · Dentista · Higienista dental · Veterinario · Bibliotecario · Soldador · Ecografista