El 8 de octubre de 2026, la ESA presentó Earth Virtual Expert, o EVE, un asistente de inteligencia artificial diseñado para facilitar la consulta de conocimientos sobre la observación de la Tierra. Esta promesa puede ser de interés para un equipo sin una biblioteca dedicada: haz una pregunta en lenguaje natural y recibe un primer resultado a través de artículos, documentación y estudios. Pero es importante ser preciso con el verbo "observar". En su versión anunciada en esa fecha, EVE trabaja principalmente con fuentes textuales. Todavía no mira automáticamente una imagen satelital de Douala para confirmar una inundación.
Un verdadero problema de acceso a la información
Los datos de observación de la Tierra van acompañados de informes de misiones, especificaciones de instrumentos, publicaciones, software y descripciones de productos. Identificar el documento correcto y su nivel de validez puede llevar mucho tiempo. Una pregunta sencilla, como "¿Qué medidas distinguen la temperatura de la superficie de la temperatura del aire?", puede requerir la comparación de múltiples fuentes. Un asistente que señale las referencias relevantes puede ahorrar tiempo, especialmente para un lector que es nuevo en la disciplina. Sin embargo, el ahorro de tiempo solo es útil si la respuesta permite al lector volver a los documentos originales.
La ESA explica que EVE fue desarrollada junto a Pi School, Mistral e Imperative Space. Su corpus incluye fuentes de la ESA, la NASA y Copernicus, así como manuscritos y investigaciones publicadas por Wiley. Afirmar que una respuesta proviene de "fuentes fiables" no prueba que cada frase generada sea correcta. Un documento puede estar desactualizado, un método relevante para Europa pero inadecuado para un estudio africano, o una cifra repetida sin sus unidades. El lector debe ser capaz de verificar la fecha, el alcance y el significado de cada referencia.
Búsqueda aumentada, pero sin garantía de veracidad
EVE utiliza la investigación mejorada mediante recuperación: antes de componer una respuesta, el sistema busca pasajes que puedan apoyarla. Esto puede limitar las invenciones debido a la simple generación a partir del conocimiento almacenado por el modelo. La ESA también describe un control «LLM como juez», en el que otro sistema automatizado revisa la respuesta e identifica lo que debe corregirse o filtrarse. Se trata de un mecanismo de seguridad, no de una revisión científica independiente. Dos sistemas lingüísticos pueden compartir el mismo error o interpretar mal una sola fuente.
Una prueba razonable sería plantear una pregunta para la que se conoce la respuesta, y luego abrir cada una de las referencias sugeridas. ¿Son los números idénticos a los de la fuente? ¿Están las unidades y las fechas correctas? ¿El texto separa la observación, la interpretación y la proyección? ¿Explica explícitamente «no sé» cuando la documentación no permite sacar una conclusión? Una respuesta atractiva que no cumpla con ninguna de estas verificaciones no debería convertirse en un hecho publicado.
La imagen llegará más tarde, según el plan.
La ESA indica que la segunda fase de desarrollo permitirá a EVE buscar y analizar datos de observación de la Tierra, así como realizar tareas de varios pasos. La recuperación y presentación de imágenes satelitales está prevista para 2027. Este calendario es una intención de desarrollo, no una característica disponible el 8 de octubre de 2026. Hasta entonces, pedir a EVE que «vea» la erosión costera desde una escena específica supera las capacidades oficialmente descritas.
Los repositorios del modelo, el código, los conjuntos de datos seleccionados y las evaluaciones se anuncian públicamente en GitHub y Hugging Face. Esta transparencia puede ayudar a los investigadores a reproducir las pruebas; no elimina, sin embargo, los sesgos del corpus ni las restricciones computacionales o lingüísticas. Para el uso en francés, sería necesario examinar no solo la fluidez del idioma, sino también la fidelidad de las referencias y la traducción de los términos técnicos.
Un ensayo público útil antes de convertirlo en una herramienta editorial
RECA podría preparar un conjunto de preguntas, cuyas respuestas están premarcadas en la documentación de las agencias. Algunas se referirían a una capacidad bien definida, otras a un límite, por ejemplo, la diferencia entre la temperatura superficial y la temperatura del aire. Otras solicitarían un resultado local que no se proporciona en las fuentes disponibles. Después de cada respuesta de EVE, dos lectores abrirían los enlaces, verificarían las unidades y indicaría si la conclusión supera los documentos. Los errores se publicarían junto con los éxitos. Esta es la forma más honesta de evaluar una herramienta que se anuncia como accesible para todos.
También sería útil probar el mismo tema en francés e inglés. Una traducción fluida puede añadir un matiz que no estaba presente o eliminar una condición de validez. Si el sistema cita solo una página general mientras avanza una cifra local, el autor debe buscar la fuente primaria. Un asistente que ayude a encontrar lecturas puede ser útil, aunque no sea fiable como autor independiente. Por el contrario, una respuesta aparentemente brillante sin rastro verificable no tiene lugar en un artículo científico.
Una respuesta rastreable es mejor que una espectacular
Para juzgar a EVE, se requiere algo más que una declaración plausible. Una respuesta útil debe indicar las fuentes consultadas, la fecha de esas fuentes y los puntos en los que los documentos no coinciden. Si cita un estudio sobre Europa para responder a una pregunta sobre Camerún, debe explicar el límite de transferencia. Si transforma una estimación de un modelo en una medida directa, el usuario debe poder detectarlo al abrir la referencia. La velocidad de generación es una ventaja solo si no hace más difícil dicha verificación.
Las preguntas en francés plantean un desafío particular. Un término técnico puede tener varias traducciones; un sistema que elige la palabra más común puede producir una respuesta fluida pero científicamente ambigua. Una traducción podría conservar los nombres de las variables y productos en el idioma original, y luego explicarlos, en lugar de reemplazarlos por completo. También puede indicar cuando el servicio no encuentra fuentes africanas. Esta ausencia es información sobre el corpus de la herramienta, no una prueba de que el fenómeno no existe en el campo.
EVE anuncia que su código, plantillas y juegos de evaluación se están publicando. Los equipos independientes pueden utilizarlos para crear pruebas más adecuadas a sus idiomas y temas. Esto no permite copiar automáticamente una respuesta en una revista científica: el protocolo de revisión debe permanecer asociado a cada uso específico. Una versión posterior de la herramienta puede obtener capacidades adicionales, pero sus respuestas a partir de octubre de 2026 deberán ser juzgadas según las funciones realmente disponibles en ese momento.
Lo que esto cambia – o no cambia – para África Central
Un editor, un grupo o un laboratorio de Camerún podrían utilizar EVE como punto de partida para encontrar documentos sobre imágenes ópticas, precipitaciones o calidad de los datos. El mejor ejercicio sería anotar la pregunta formulada, la respuesta, los enlaces proporcionados y las correcciones humanas necesarias. Este registro de errores aprende más que algunas demostraciones exitosas. También es importante probar la accesibilidad del servicio con una conexión limitada y comprobar si los documentos relevantes para África Central están realmente en su corpus.
Se podría publicar un primer informe de experiencia con las preguntas exactas y una lista de referencias controladas. Si una respuesta cambia después de una actualización del servicio, se deben mantener ambas versiones y explicar por qué. Esta trazabilidad haría de EVE un objeto de estudio abierto, en lugar de una caja negra cuya única demostración son las más exitosas.
EVE no reemplaza la adquisición de datos, el procesamiento geoespacial, las observaciones en campo ni la experiencia de un servicio meteorológico. Para publicar un mapa de riesgo, toda la cadena sigue en pie: selección de datos actualizados, metodología explícita, control de calidad, incertidumbre y responsabilidad editorial. La IA puede aportar luz sobre el acceso al conocimiento; no firma el resultado en nombre del investigador.