48 agentes de IA y el sitio maya ya mapeado en 2025

Cómo 48 agentes de IA recorrieron 1.200 km² de lidar en tres días

Pietro Miotti, investigador de Google, convirtió en imágenes unos 1.200 kilómetros cuadrados de datos lidar de la NASA y puso a 48 agentes de IA a revisarlas una por una. El proyecto duró tres días, del 18 al 21 de octubre, y arrancó con una idea durante un viaje a Perú: qué haría un explorador histórico con acceso a la tecnología actual.

Como los datos públicos de Perú eran escasos, Miotti cambió de región y apuntó a la zona maya. No entrenó un modelo propio: los agentes miraron las imágenes siguiendo una guía para distinguir pirámides, plataformas y plazas de colinas, sumideros y caminos. Entre los candidatos quedó un sitio en una colina, con una plaza nivelada, una pirámide ovalada y un patio elevado.

El 21 de octubre, el Instituto Nacional de Antropología e Historia (INAH) de México le respondió que no tenía registrado ningún sitio arqueológico en esas coordenadas. Miotti usó a los mismos agentes para traducir su informe al español y escribió en su blog que era «por lejos el mejor momento de la historia para estar vivo». La publicación original superó el millón de vistas en X, según el sitio especializado Sysnote.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Por qué el sitio ya estaba mapeado desde 2025

La corrección llegó el 11 de noviembre. Miotti actualizó su entrada para reconocer que el lugar figura en un artículo de Francisco Estrada-Belli, Marcello Canuto, Ivan Šprajc y Juan Carlos Fernandez-Diaz, publicado en 2025 en la revista científica Journal of Archaeological Science: Reports. Ni él ni los agentes encontraron ese trabajo.

El punto clave: el sitio estaba ausente del registro del INAH, pero no era desconocido para los especialistas. Miotti escribió que los agentes lo redescubrieron en lugar de descubrirlo. A The Verge le dijo que, como no es arqueólogo, no sabía que un lugar sin registrar no equivale a un lugar sin mapear.

Ahí está la lección operativa: la ausencia de un dato en una base oficial no prueba que ese dato no exista. Miotti explicó que comprobar si un sitio ya se conoce obliga a comparar imágenes con las figuras de los artículos científicos, porque los arqueólogos no publican las coordenadas. Esa tarea, dijo, es mucho más difícil para los agentes y es justamente donde las herramientas tienen que mejorar.

Qué dicen los arqueólogos sobre el uso de IA en la ciencia

La reacción del gremio fue dura y vale leerla completa, porque aplica a cualquier sector donde un aficionado con buenas herramientas pise terreno de especialistas.

Sarah Parcak, profesora de arqueología de la Universidad de Alabama en Birmingham, escribió en Bluesky que «para esto existe la revisión por pares» y recordó que la ausencia en una base oficial no prueba que algo sea desconocido.
Elizabeth Graham, profesora de arqueología mesoamericana en el University College de Londres, dijo a The Verge que los especialistas conocen «toneladas de sitios» sin explorar y que el problema real es la falta de fondos para excavarlos. También objetó el verbo «descubrir»: las comunidades locales suelen conocer los lugares de su zona.
Ivan Šprajc, coautor del estudio que documentaba el sitio, dijo que el trabajo de los agentes no le impresionó: los arqueólogos usan lidar desde hace tiempo y «solo detectar algo no agrega mucho a nuestro conocimiento». Advirtió además que publicar la ubicación de sitios puede atraer a saqueadores.

Miotti respondió que no esperaba tanta atención, que actualizó la entrada apenas le avisaron y que arqueólogos y estudiantes de doctorado le escribieron interesados en su método. Su tesis: los agentes pueden ayudar a ordenar grandes volúmenes de datos, siempre que un experto verifique lo que encuentran.

El patrón que se repite en toda la industria

The Verge enmarca el caso en un problema más amplio de la IA aplicada a la ciencia, y menciona como ejemplo visible los avances recientes de OpenAI en matemáticas: los modelos producen resultados cada vez más impresionantes, pero no siempre se conectan con la investigación previa sobre la que esos resultados se construyen. El resultado son supuestos hallazgos que ya existían o descubrimientos sin el contexto que aporta un especialista.

El costo no es solo reputacional. Cuando alguien publica un hallazgo sin verificar, el trabajo de establecer qué se encontró realmente y por qué importa recae sobre los expertos, que ya están escasos de tiempo y de fondos. En el caso maya, Šprajc contó que acababa de recibir otro correo de un «descubridor» con IA y que teme una avalancha de mensajes.

¿Qué significa esto para tu startup?

Si usas agentes para investigar, analizar datos o generar reportes, este caso funciona como manual de lo que puede salir mal. Tres cosas concretas que puedes implementar esta semana:

1. La IA no reemplaza la revisión de antecedentes. Los 48 agentes de Miotti revisaron 1.200 km² de imágenes, pero ninguno buscó si el sitio ya estaba documentado. Antes de actuar sobre un hallazgo de un agente, define un paso obligatorio de «¿alguien ya resolvió esto?»: literatura, repositorios, tickets internos, bases de clientes o decisiones pasadas del equipo.

2. Diseña el flujo con un humano en el punto de decisión. Según el Work Trend Index 2026 de Microsoft, que encuestó a 20.000 trabajadores que usan IA en 10 países entre febrero y abril de 2026, el 86% trata la salida del modelo como un punto de partida y no como respuesta final, y el 50% señala el control de calidad de esa salida como la habilidad más importante. El mismo informe reporta que los agentes activos en el ecosistema de Microsoft 365 crecieron 15 veces año contra año, y 18 veces en grandes empresas. Más agentes corriendo significa más necesidad de verificación, no menos.

3. Documenta los criterios, no solo los resultados. Miotti le dio a los agentes una guía explícita para distinguir pirámides, plataformas y plazas de colinas y sumideros. Eso funcionó para la detección. Lo que faltó fue una guía equivalente para la validación. Si tu equipo usa agentes, escribe las dos: qué buscar y cómo confirmar que lo encontrado es nuevo para tu negocio.

IBM define un agente de IA como un programa autónomo que ejecuta tareas y usa herramientas sin intervención humana. La autonomía es justamente lo que hace que el paso de verificación tenga que estar diseñado dentro del sistema, y no confiado a la buena voluntad de quien opera la herramienta.

Conclusión

El experimento de Miotti no fue un fraude: fue un proyecto personal de tres días, sin recursos de Google, que él mismo corrigió cuando le señalaron el error. Pero deja una lección incómoda para cualquiera que esté desplegando agentes: detectar patrones en volúmenes enormes de datos es la parte fácil; saber si ese hallazgo ya existe es la parte difícil, y sigue siendo humana.

La buena noticia es que los arqueólogos y estudiantes de doctorado que le escribieron a Miotti no lo hicieron solo para criticarlo, sino para preguntarle cómo funciona su flujo de trabajo. La tecnología sirve. Lo que no sirve es saltarse el paso que convierte un hallazgo en conocimiento.