Spatial RAG: el problema de $12 millones que estaba escondido en la geometría

Marco Hernandez

Spatial RAG: el problema de $12 millones que estaba escondido en la geometría

Cómo una arquitectura de recuperación aumentada por generación (RAG) aplicada a datos geoespaciales destapó un fallo de planificación que ningún SIG tradicional podía ver.

Artículo original: Kanchan Borade, “Spatial RAG Application 1: The $12M Problem Hiding in Plain Geometry”, publicado en Medium. Esta es una adaptación y reinterpretación en español para geologiaymapas, no una traducción literal.

Una empresa eléctrica estaba perdiendo 12 millones de dólares al año en mantenimiento de torres de transmisión. Sus ingenieros habían revisado todo lo habitual: antigüedad de los activos, horas de cuadrillas, patrones climáticos. Nadie había revisado la geometría del terreno. Ese fue, precisamente, el hallazgo de un sistema de IA espacial aplicado sobre los mismos datos que la empresa ya tenía.

El problema, tal como se planteaba

Imaginemos una red de 18.400 torres de transmisión, gestionadas desde 6 depósitos regionales con una flota de 280 vehículos de inspección. El mantenimiento se programaba con un sistema estándar (tipo Maximo) y el sobrecosto anual rondaba los $12M frente a presupuesto.

Cada área —campo, planificación, finanzas— tenía su propia explicación: activos envejecidos, recortes presupuestarios, costos de combustible y cuadrillas. Ninguna mentía. Pero ninguna explicaba por qué el sobrecosto estaba tan concentrado.

Al aplicar un análisis de clustering espacial sobre los datos de emergencias de los últimos 24 meses, el patrón apareció de inmediato: el 52% de todas las llamadas de emergencia se concentraba en solo 8 corredores. Y esos corredores no eran, en su mayoría, los de activos más viejos —eran los más expuestos geométricamente: cruces de ríos con humedad constante, tramos de cresta con exposición al viento, accesos bloqueados por vegetación que triplicaban el tiempo de movilización durante un incidente.

El sistema de gestión de activos no sabía nada de esto. Programaba mantenimiento por antigüedad, no por riesgo espacial. Esa brecha —entre el costo programado y el costo real observado— era exactamente donde se estaban fugando los $12 millones cada año.

Por qué un SIG tradicional no detecta esto

No es un problema de datos ni de los ingenieros: la mayoría de las empresas de infraestructura tiene muy buena información geoespacial —coordenadas de torres, geometría de vanos, modelos de terreno, estudios de vegetación, años de historial de mantenimiento—.

El problema es que los flujos SIG tradicionales tratan todo eso como capas separadas para visualizar, no como un contexto espacial unificado sobre el cual razonar. Un analista SIG puede producir un mapa de calor de las emergencias y superponerlo con exposición al viento. Pero no puede preguntarle al sistema, con facilidad y a escala:

“Dado todo lo que le ha pasado a esta torre específica —su exposición al terreno, su historial de fallas, su fricción de acceso— ¿cuál es el costo de mantenimiento real de este corredor, comparado con lo que estamos programando hoy?”

Eso ya no es un problema de visualización. Es un problema de recuperación de información y razonamiento. Y ahí es donde entra el Spatial RAG.

La arquitectura Spatial RAG

La idea central es simple: convertir cada torre —un punto en un registro de activos— en un registro espacial enriquecido que un modelo de lenguaje pueda recuperar y sobre el cual pueda razonar. El pipeline de indexación se construye así:

  1. Construcción del registro espacial. Cada torre se representa como un objeto espacial compuesto: geometría exacta (incluyendo vectores de vano), puntuaciones de exposición al terreno derivadas de un modelo digital de elevación (viento, pendiente, orientación), proximidad a vegetación mediante NDVI y detección de cambios satelitales, historial completo de fallas clasificado por tipo, y una puntuación de fricción de acceso calculada a partir de la proximidad a caminos, tipo de cruce y tiempos históricos de movilización.
  2. Embedding e indexación espacial. Los registros de cada torre se codifican con un encoder consciente de lo geoespacial, que conserva tanto la similitud semántica (perfiles de riesgo parecidos) como la proximidad geométrica (torres cercanas en un mismo corredor). Estos embeddings se almacenan en un índice vectorial junto con los atributos espaciales originales.
  3. Recuperación consciente del corredor. Cuando el agente evalúa una torre o corredor candidato, el paso de recuperación trae torres de perfil similar de toda la red —no solo las geográficamente cercanas—. Una torre sobre una cresta en una región puede recuperar la señal relevante de una torre con historial de fallas similar en otra región completamente distinta, aunque estén a cientos de kilómetros. La geometría informa la recuperación; no la limita.
  4. Planificador con modelo de lenguaje. El LLM recibe el contexto recuperado y el registro espacial de la torre, y razona sobre ellos para producir un informe de riesgo del corredor —no solo una puntuación, sino una explicación en lenguaje natural de por qué ese corredor cuesta lo que cuesta y cuál debería ser la prioridad de intervención.

La diferencia clave frente a un RAG convencional es la naturaleza de lo que se recupera: no se recuperan documentos, sino perfiles espaciales estructurados que combinan geometría, historial y fricción de acceso en una sola unidad recuperable. El modelo de lenguaje razona sobre esos perfiles para producir recomendaciones ancladas en la realidad observada, no en supuestos de calendario.

Lo que reveló el agente

Al ejecutar este pipeline sobre la red completa de 18.400 torres, emergieron cuatro hallazgos con alta confianza:

  • Hallazgo crítico 1: 8 corredores generaban el 52% de todas las emergencias de la red. Comparten una firma espacial: alta exposición al viento, terreno difícil y tasas de avance de vegetación más del doble del promedio de la red.
  • Hallazgo crítico 2: 3 de los 6 límites de cobertura de los depósitos se habían trazado por límites administrativos, no por geometría de acceso real en campo. En las zonas de solapamiento, la torre era atendida por el depósito “que le correspondía en el papel”, no por el que podía llegar más rápido. Tiempo de movilización promedio en esas zonas: 94 minutos, frente a un óptimo de 60.
  • Hallazgo de oportunidad: Rezonificar esos 3 depósitos mal asignados según la geometría real de acceso reduciría el tiempo de movilización en 34 minutos por llamada en promedio, con un ahorro significativo en horas de cuadrilla al año.
  • Hallazgo de repriorización: 19 torres, actualmente clasificadas como prioridad estándar por el sistema de gestión de activos, fueron marcadas por el agente como de alto riesgo espacial —por su perfil de exposición del corredor, tendencia de vegetación y similitud de fallas con torres que fallaron en los 18 meses previos—. Son candidatas inmediatas a repriorización.

La intervención propuesta

La solución no era reemplazar el sistema de gestión de activos, desplegar nuevos sensores IoT ni emprender un programa de transformación de varios años. Requería tres cosas:

  1. Una capa de reclasificación de riesgo por corredor, que se apoya sobre el registro de activos existente y actualiza la prioridad de mantenimiento según riesgo espacial en lugar de solo antigüedad.
  2. Un rediseño de los tres límites de cobertura de depósitos, corrigiéndolos según la geometría real de acceso en campo —algo que un analista SIG puede ejecutar en un ciclo de planificación apoyándose en la salida del Spatial RAG—.
  3. Un pipeline de Spatial RAG construido sobre datos que la empresa ya tenía: 24 meses de historial de mantenimiento, el modelo de elevación, la serie temporal de NDVI, el registro de fallas. Sin nueva adquisición de datos: la misma geometría que ya existía, leída correctamente por primera vez.

Costo de implementación: un pipeline espacial y un ciclo de planificación para reajustar los horarios. Sin reemplazo de sistemas, sin dependencia de proveedores, sin sensores nuevos. Ahorro anual estimado: $7,2 millones.

El principio de fondo

Este caso es representativo de un patrón que se repite en industrias de infraestructura intensiva: organizaciones que optimizan sobre supuestos espaciales que alguien trazó, con buena intención, sobre un mapa hace años. Las ubicaciones de los depósitos se fijaron en el momento de la puesta en marcha y nunca se revisaron. Los calendarios de inspección se diseñaron modelando los activos, no los corredores donde esos activos realmente se encuentran. Los sistemas de gestión de activos heredan todos esos supuestos y los ejecutan con aparente rigor —generando reportes, midiendo cumplimiento, produciendo tableros que parecen autoritativos—.

La IA espacial no solo optimiza el calendario de mantenimiento: cuestiona la geometría sobre la que ese calendario fue construido. Es una categoría distinta de intervención. La optimización tradicional pregunta: dadas estas restricciones, ¿cuál es el mejor calendario? El Spatial RAG pregunta: ¿son reales estas restricciones, o las heredamos de un mapa que alguien dibujó hace 15 años y que nadie ha vuelto a cuestionar? Para infraestructura de transmisión, esa distinción vale $7,2 millones al año.

¿Por qué esto es Spatial RAG y no solo análisis espacial?

Vale la pena aclararlo, porque el clustering, la puntuación de terreno y la detección de vegetación son cosas que un equipo SIG competente ya puede hacer con herramientas estándar. La diferencia está en tres puntos:

  • Recuperación a través de toda la red. El análisis espacial estándar opera por proximidad: una torre en un corredor solo puede recuperar señal de torres cercanas en la misma región. El Spatial RAG recupera por similitud: una torre puede traer señal de torres con perfil de exposición parecido en cualquier parte de la red, sin importar la distancia geográfica. Esto es crítico para tipos de falla poco frecuentes, donde una sola región puede tener apenas 3 fallas de cresta en 24 meses, pero la red completa puede tener 40.
  • Razonamiento en lenguaje natural sobre contexto espacial heterogéneo. El planificador LLM sintetiza señales espaciales dispares en un informe de riesgo coherente. No entrega “puntuación de riesgo: 8,4”, sino una explicación del tipo: “la tasa de llamadas de emergencia elevada de este corredor es consistente con el patrón observado en otros dos corredores, ambos con fallas primarias atribuidas a corrosión acelerada por vegetación en cruces de río —el mismo perfil presente aquí, actualmente sin atender en el calendario de mantenimiento”. Esa explicación es accionable de una forma en que una puntuación no lo es.
  • Actualización continua. Un análisis espacial tradicional es una foto fija en el tiempo. El índice de Spatial RAG se actualiza a medida que se agregan nuevos registros de mantenimiento: una torre que sufre una falla inesperada actualiza, al día siguiente, el perfil de riesgo de todas las torres con exposición similar en la red. El sistema aprende de su propio historial operativo de una manera que un estudio SIG periódico no puede.

Hacia dónde va esto

El caso de las torres de transmisión es solo una instancia de una clase mucho más amplia de problemas de inteligencia de infraestructura. La misma arquitectura aplica en cualquier contexto donde exista:

  • una base de activos grande y distribuida sobre una red geográfica;
  • costos de mantenimiento u operación que están espacialmente explicados, pero no por la lógica de programación actual;
  • datos operativos históricos ricos que nunca han sido indexados ni recuperados espacialmente;
  • geometrías de zona, depósito o cobertura trazadas por personas, que nunca se han revisado con la ventaja del historial operativo real.

Redes de distribución eléctrica, redes de agua y saneamiento, infraestructura vial y ferroviaria, mantenimiento de torres de telecomunicaciones, programación de inspecciones de oleoductos: en cada uno de estos dominios, los supuestos espaciales incrustados en el modelo operativo son la restricción invisible que la optimización clásica no puede ver. El Spatial RAG las hace visibles.

Basado en el artículo original de Kanchan Borade en Medium, “Spatial RAG Application 1: The $12M Problem Hiding in Plain Geometry”. Adaptación libre en español, con datos y estructura reinterpretados para geologiaymapas.