AgentFAIR propone auditar datos geográficos con agentes de IA

El 17 de julio de 2026, los investigadores Ming Chen y Pranav Pai presentaron AgentFAIR, un sistema de agentes de IA diseñado para revisar si un conjunto de datos geográficos cumple los principios FAIR: que sea localizable, accesible, interoperable y reutilizable. El trabajo es un preprint y sus resultados deben leerse como una evaluación inicial, no como una certificación definitiva de la calidad de los datos.

No es la «fairness» de los algoritmos

Aquí FAIR no habla de sesgo o justicia algorítmica. Es el acrónimo de Findable, Accessible, Interoperable and Reusable, cuatro cualidades que hacen que un dato científico pueda encontrarse, entenderse por una máquina, combinarse con otros y volver a utilizarse. En los datos geográficos la tarea se complica: además de un título y una licencia, importan elementos como el sistema de coordenadas, la extensión espacial y temporal, los formatos o los servicios que permiten acceder a las capas.

Los autores parten de un problema muy concreto. Las herramientas automáticas existentes no siempre coinciden porque aplican reglas, fuentes de evidencia y escalas distintas. En su diagnóstico de 50 conjuntos de datos procedentes de diez repositorios, la desviación media entre herramientas normalizadas fue de 15 puntos porcentuales y llegó a 30,3 puntos en un caso. Eso no prueba cuál herramienta «acierta» más; muestra que una cifra aislada puede ocultar criterios incompatibles.

Trece revisores y una capa de crítica

AgentFAIR combina extracción tradicional de metadatos con modelos de lenguaje. Primero carga la página de un conjunto de datos, incluso cuando parte de la información se genera con JavaScript, y reúne señales de HTML, JSON-LD, RDF/XML, DataCite y otros formatos. Después reparte la revisión entre 13 agentes especializados, uno por cada subprincipio FAIR. Cada uno asigna una madurez de 0 a 3, señala la evidencia que sostiene su decisión y propone una mejora.

La pieza distintiva es un agente crítico. No decide si un dato es bueno por intuición: revisa si hay evidencia para la puntuación y si dos conclusiones se contradicen. Si falta una prueba o la confianza es baja, puede pedir una reevaluación focalizada. El sistema deja como resultado un informe legible, un JSON, una base de evidencia SQLite y trazas locales para poder revisar de dónde salió cada recomendación.

Qué encontraron, y qué no demuestran

En su muestra, los autores informan de medias del 79,7% para localización, 70,4% para accesibilidad, 45,3% para interoperabilidad y 72,0% para reutilización. La interoperabilidad aparece como el punto más débil: no basta con que un archivo esté publicado; sus metadatos y convenciones deben poder dialogar con los de otros sistemas. En un subconjunto de diez conjuntos analizado repetidamente, el acuerdo por subprincipio fue del 89% con el crítico y del 71% al retirarlo. También comunican un coste aproximado de 0,054 dólares por conjunto evaluado.

Son resultados prometedores, pero el propio artículo marca límites importantes. Solo estudia 50 conjuntos, las comparaciones con herramientas de referencia no equivalen a una medida de exactitud y la validación se realizó con una sola familia de modelos. La revisión con expertos abarcó 15 conjuntos y alcanzó un 82% de alineación, una señal útil pero todavía pequeña para declarar que el método generaliza.

La utilidad está en poder discutir la nota

La aportación más interesante no es que una IA entregue otra puntuación global. Es que puede convertir una auditoría tediosa en una conversación verificable: «esta licencia no está expresada de forma reutilizable», «falta un identificador persistente» o «el sistema de referencia de coordenadas no aparece con un estándar reconocible». Para quienes custodian datos ambientales, urbanos o climáticos, esa diferencia importa porque permite corregir el problema concreto.

El código se publica bajo licencia AGPL-3.0 y el repositorio advierte de que no incluye los resultados brutos del benchmark ni una batería exhaustiva de pruebas; además, su servicio local no está preparado para exponerse sin más a Internet. AgentFAIR no sustituye la revisión experta. Propone, más modestamente, que los agentes hagan visible la evidencia que un experto necesita para decidir si unos datos están realmente listos para ser reutilizados.