Sistemas de Información Geográfica · Exposición

GeoArg

Un MCP para encontrar y consultar geodatos públicos de Argentina con inteligencia artificial

IA para encontrar las capas que tu análisis SIG necesita

Francisco Pérez · Noviembre 2026

Notas (0:30)

Decir: Buenas. Voy a presentar GeoArg, un proyecto mío: un servidor MCP que permite encontrar y consultar capas de datos geográficos oficiales de Argentina preguntándole a una IA en lenguaje natural. Arranco con el problema que me llevó a hacerlo.
1 · El problema

Los geodatos oficiales están dispersos

Notas (1:00)

Decir: Si alguna vez tuvieron que hacer un mapa con datos oficiales, conocen el problema. Ejemplo real: para un TP de Economía necesitaba saber dónde se planta soja en Tucumán. La capa existe, pero hay que saber de antemano qué servidor mirar, en qué formato publica y cómo se llama la capa. Eso hoy es conocimiento de boca en boca.
2 · La idea

Preguntar en lenguaje natural

"Quiero hacer un mapa de riego y pozos en Tucumán. ¿Qué capas públicas me sirven?"

Notas (1:00)

Decir: La idea es que cualquiera con una pregunta territorial pueda arrancar sin conocer de memoria los servidores. Aclaración importante: la herramienta no reemplaza el análisis ni hace el mapa por vos. Acorta la búsqueda, que hoy es la parte más lenta.
3 · La tecnología puente

¿Qué es un MCP?

Notas (1:00)

Decir: MCP es un protocolo que estandariza cómo un modelo de IA habla con sistemas externos. Antes de MCP, cada integración era a medida. Con MCP, el servidor publica sus herramientas y cualquier cliente compatible las usa. Si no queda claro: es como el USB-C entre la IA y los datos.
4 · El proyecto

Qué es GeoArg (y qué no es)

Qué es

  • Una capa de descubrimiento y consulta sobre servicios oficiales WFS, WMS y ArcGIS REST, más la API Georef.
  • Consulta en vivo y siempre cita la fuente.

Qué no es

  • No es un SIG completo.
  • No es un visor de mapas.
  • No es una copia de los datos.

Notas (1:00)

Decir: Marco los límites a propósito: GeoArg no compite con QGIS ni con un visor. Es la pieza que falta entre la pregunta y el dato. Cuando consulta, lo hace contra el servicio oficial en ese momento, y la respuesta dice de dónde salió.
5 · Cobertura

3.649 capas oficiales, casi todo el país

3.649
capas verificadas desde los GetCapabilities en vivo
23 / 24
jurisdicciones con fuente operativa + IGN nacional y API Georef
93%
de las capas responden en el monitoreo diario (3.403 de 3.649)

Notas (1:15)

Decir: El catálogo no lo escribí a mano: se genera leyendo los GetCapabilities de cada servicio, o sea, es lo que cada servidor dice publicar hoy. Cubre 23 de las 24 jurisdicciones, más IGN nacional y Georef. Formosa queda afuera porque su servidor bloquea conexiones de afuera de Argentina; lo verifiqué con el monitor de IDERA. Y como los servicios se caen, hay un monitor diario que revisa capa por capa: hoy responde el 93%.
6 · Cómo funciona

Arquitectura

Agente de IAClaude, ChatGPT, etc.
⇄
GeoArg MCPCloudflare Worker público
catálogo embebido (3.649 capas)
⇄
Servicios oficialesWFS · WMS · ArcGIS REST
+ API Georef

Notas (1:15)

Decir: Tres piezas. El agente habla con el MCP por el protocolo. El MCP tiene el catálogo embebido, así que buscar capas no toca la red, y cuando hay que consultar datos, va contra el servicio oficial en vivo. El deploy es automático: cada cambio pasa por tests y validación del catálogo antes de publicarse.
7 · La búsqueda

Búsqueda determinista, sin LLM en el servidor

Notas (1:15)

Decir: Una decisión de diseño: el servidor no usa ningún modelo de lenguaje, así que no hay costo por consulta y los resultados son reproducibles. La inteligencia del lenguaje la pone el agente cliente, que puede pasar términos relacionados. Esto copié el enfoque de GeoContext, el proyecto equivalente del IGN de Francia, que es el antecedente directo.
8 · Herramientas

Las 6 tools del MCP

ToolQué hace
search_layersBusca capas por palabra clave, con filtro por tipo de servicio (WFS / WMS / ArcGIS).
suggest_layersSugiere capas a partir de un objetivo en texto libre, con justificación y evidencia de la fuente.
describe_layerCampos reales de una capa (obligatorio antes de consultar).
query_layerConsulta GetFeature con filtros, paginación y bbox (capas WFS y ArcGIS).
geocodeTexto libre a coordenadas vía API Georef (gratis, sin key).
report_missEl usuario reporta una búsqueda que falló y el sistema intenta automejorar.

Notas (1:30)

Decir: Recorro rápido: buscar por palabra clave, sugerir desde un objetivo, describir antes de consultar (porque los campos cambian de capa en capa), consultar con filtros y bbox, geocodificar con Georef, y reportar misses. Las capas WMS-only se buscan y describen igual, pero no se consultan por features porque son imágenes para display.
9 · Caso aplicado

Focos de calor vs. agua en Tucumán

  • Focos de calor de las últimas 24 h (CONAE, satélites VIIRS y MODIS) cruzados con la infraestructura hídrica de Tucumán (RIDES).
  • Para cada foco: distancia al pozo de agua y al cuerpo o curso de agua más cercano, y si cae dentro de una cuenca hídrica.
  • El MCP descubre las capas; el análisis consulta los servicios directo y calcula proximidades en TypeScript puro.
Mapa de Tucumán con capas geográficas
Caso publicado: franprzdev.github.io/geotucuman/ejemplos/focos-tucuman.html

Notas (2:00)

Decir: Este es el caso de punta a punta. La pregunta: si hay un foco de calor, ¿dónde está el agua más cerca? El agente le pregunta al MCP qué capas hay de focos y de agua, el MCP sugiere las de CONAE y las de RIDES, y el análisis consulta los servicios en vivo y calcula distancias. El resultado quedó publicado en la web del proyecto con el código abierto. Este ejemplo muestra el flujo completo: de la pregunta al mapa, sin saber de antemano qué servidores existían.
10 · Servidor público

Abierto, gratis y monitoreado

Notas (1:00)

Decir: El servidor está publicado y es gratis usarlo: no pide registrarse ni clave. Corre en el tier gratuito de Cloudflare Workers. Y como depende de servicios oficiales que se caen, el monitor diario prueba las 3.649 capas y publica el estado, así uno sabe si una capa falla por su fuente o por el MCP.
11 · Automejora

Se mejora solo con los reportes de usuarios

report_miss"focos de calor" no encontraba nada
→
Issue públicodeduplicado, tope diario
→
Autofix deterministaagrega alias solo si hay un único candidato claro
→
PR automáticose mergea solo si la validación pasa

Caso real: el reporte de "focos de calor" agregó el alias que conecta con las capas MODIS, cuya metadata oficial está solo en inglés.

Notas (1:15)

Decir: El sistema aprende de sus fallas sin LLM y sin costo. Si una búsqueda razonable no encuentra una capa que existe, el agente la reporta; un workflow reproduce el fallo, busca un único candidato de alta confianza y, solo si lo hay, agrega el sinónimo como alias y abre un PR que se mergea solo cuando los tests pasan. Si no hay confianza, queda marcado para revisión humana. El contenido del reporte se trata siempre como dato no confiable.
12 · Limitaciones

Lo que todavía no resuelve

Notas (1:00)

Decir: Cierro la parte técnica siendo honesto con los límites. La disponibilidad de las fuentes es el principal: por eso el monitor y la validación capa por capa en lugar de confiar en un servidor entero. Y una decisión de alcance: la herramienta acelera la búsqueda, pero el análisis lo sigue haciendo una persona.
13 · Cierre

Acercar los geodatos a más gente

"GeoArg no reemplaza el criterio humano: le devuelve tiempo para hacer mapas que valen más que mil imágenes."

QR a la web de GeoArg
Escaneá para abrir la web del proyecto

Notas (0:45)

Decir: Para cerrar: la visión es que preguntar por datos geográficos de Argentina sea tan fácil como preguntar en voz alta. Todo está publicado: la web con el catálogo de 3.649 capas, el código y el servidor. El QR lleva a la web. Gracias, quedo abierto a preguntas.