En septiembre, Anthropic afirmó que sus modelos se acercan a capacidades “sobrehumanas” para localizar fotografías al aire libre. Las pruebas independientes de Bellingcat ofrecen una imagen menos rotunda: varias IA ya encuentran la zona correcta con rapidez, pero ninguna garantiza el punto exacto. En un videojuego, eso puede costar una partida. En una operación militar, el margen de error tiene otra escala.
Una coordenada aproximada no basta
Bellingcat probó 52 fotografías inéditas, cedidas por su personal y su comunidad de voluntarios. No se habían publicado en internet, se les había eliminado la metadata y se entregaron sin contexto. Había escenas de distintos lugares del mundo, algunas con nieve, niebla o poca luz, y ninguna tenía monumentos reconocibles que resolvieran el acertijo de un vistazo. Cada modelo debía devolver una sola pareja de coordenadas que señalara dónde estaba la cámara.
La selección incluyó modelos comerciales de Claude, Grok, Gemini, ChatGPT y Mistral; modelos de pesos abiertos de Kimi; el servicio especializado GeoSeer, y GeoClip, un sistema de geolocalización que no genera texto. Se permitieron herramientas integradas de búsqueda, código y consulta de páginas. Cada modelo tuvo un máximo de 15 minutos por imagen y un límite de 64.000 tokens. Si no daba coordenadas al primer intento, recibía una única petición adicional, esta vez sin herramientas.
El formato evita que un sistema cubra sus apuestas con una lista de países o ubicaciones posibles, pero también puede hacer que una conjetura parezca segura. Los modelos más fuertes mostraron que podían reducir la búsqueda con muy poca información. En una imagen donde solo se veían vegetación y una pequeña parte de un tejado, varios identificaron Kenia y acotaron la zona hasta un parque; otros se desviaron considerablemente. Acertar el país y acertar el lugar donde se tomó la foto son tareas distintas, y la diferencia suele estar en los últimos kilómetros.
La puntuación cambia según lo que se quiera medir
Bellingcat evaluó las respuestas con dos métricas. La primera, GeoGuessr Score, toma como referencia el juego en línea donde los participantes intentan ubicar imágenes de Google Street View. Sirve para medir si un modelo identifica la región general, pero distingue poco entre dos respuestas que ya están relativamente cerca: una ubicación a 500 metros puede recibir una puntuación parecida a otra a cinco kilómetros. Para jugar, quizá baste; para verificar un edificio o determinar dónde cayó un proyectil, no.
La segunda métrica, Mean Log Score, intenta prestar más atención al tramo final. Va de 0 a 100 y compara las distancias en una escala logarítmica: mejorar diez veces cuenta lo mismo tanto si se pasa de 500 kilómetros a 50 como si se pasa de cinco kilómetros a 500 metros. Así se evita que una gran reducción inicial de distancia oculte la incapacidad de afinar después.
Bellingcat encontró varios sistemas capaces de ubicar al menos diez de las 52 fotos a menos de un kilómetro. Los mejores situaron más de la mitad dentro de un radio de 25 kilómetros: resultados útiles para iniciar una investigación, pero insuficientes para cerrarla.
Gemini 4 Argon encabezó el Mean Log Score, mientras los modelos Claude Opus y Fable se mantuvieron entre los primeros con independencia de la métrica. Claude Sonnet, aunque fue el más débil de esa familia, se acercó de manera consistente a las ubicaciones reales y respondió más rápido que los demás. El ranking cambia según se premie encontrar la región o precisar el punto, por lo que decir que una IA “geolocaliza” bien sin aclarar cuál de las dos cosas hace resulta impreciso.
Anthropic compara con un juego; el terreno no juega limpio
La afirmación de Anthropic se apoyaba en una comparación con jugadores de GeoGuessr. En una publicación sobre su modelo Mythos, la empresa señaló distancias de error medianas de 37 y 47,2 kilómetros en dos pruebas con 6.000 fotos, y dijo que alrededor del 23 por ciento de las respuestas quedaban a menos de un kilómetro. Son cifras llamativas, pero una mediana no basta para describir la fiabilidad ni los errores extremos.
Nuno Moniz, investigador asociado de la Lucy Family Institute for Data & Society de la Universidad de Notre Dame, advirtió a Bellingcat que la mediana simplifica demasiado una comparación entre personas y sistemas de IA. También está la cuestión de los datos de entrenamiento: si las imágenes de una prueba ya estaban en internet, no siempre se puede descartar que el modelo las hubiera visto antes o aprendido información relacionada con ellas. Anthropic fue relativamente transparente sobre su método, pero eso no elimina la incertidumbre.
GeoGuessr plantea otros límites. Sus imágenes proceden de Google Street View, que solo cubre determinados países y carreteras, suele mostrar escenas diurnas y nítidas, y permite girar la vista. Los jugadores también conocen pistas que no requieren interpretar el paisaje: por ejemplo, Google ha utilizado coches negros en Jordania y blancos en Emiratos Árabes Unidos. Un sistema puede aprovechar esas regularidades y sumar puntos sin demostrar que resolvería una imagen de una zona remota.
Las fotos compartidas por Anthropic incluían edificios y señales reconocibles. Son útiles para probar una habilidad, pero no necesariamente representan todo lo que llega a una investigación. En escenarios militares o de inteligencia, el vídeo puede ser borroso, estar tomado de noche o mostrar lugares inaccesibles, donde escasean las referencias públicas. Si la situación sigue desarrollándose, la información disponible en línea puede ser incompleta o falsa. Una prueba de laboratorio no reproduce el desorden de un conflicto.
Cuando el error deja de ser académico
Anthropic enmarcó parte de su trabajo en usos militares y de inteligencia, donde localizar imágenes ha sido una tarea laboriosa que depende de la experiencia humana. La aplicación puede tener consecuencias evidentes: identificar una instalación, reconstruir una ruta o apoyar una decisión de targeting. La IA puede acelerar el análisis; la cuestión es qué ocurre cuando una respuesta equivocada se trata como certeza operativa.
El propio trabajo de Bellingcat muestra por qué importan los últimos metros. Sus investigadores verificaron imágenes relacionadas con un ataque estadounidense contra una escuela en Minab, Irán, donde murieron al menos 120 niños, según el contenido analizado. En una investigación así no basta con reconocer el país o una ciudad: hay que establecer qué edificio aparece, desde qué ángulo se grabó y si la imagen corresponde realmente al lugar y al momento que se le atribuyen.
Una coordenada errónea puede contaminar la cadena posterior: una imagen mal ubicada se utiliza para sostener una cronología, que respalda una interpretación y puede circular como hecho. En un conflicto, gobiernos, fuerzas armadas y grupos interesados tienen incentivos para presentar sus versiones como verificadas. Una salida automática, pulida y segura puede ser fácil de reciclar aunque su fundamento sea débil.
La respuesta puede acertar la región y fallar el objetivo, ubicar una carretera sin distinguir el edificio visible o señalar un punto plausible que no se puede corroborar. La confianza expresada por un modelo no equivale a evidencia independiente. Para una investigación periodística, y más aún para una decisión que afecta vidas, cada dato necesita contraste con referencias cartográficas, imágenes satelitales, pistas visuales y contexto verificable.
Los mejores modelos también se equivocan
Claude Opus y Fable, junto con Gemini 4 Argon, destacaron en distintas medidas. GPT-6 Astra y GPT-6.1 Sol también quedaron bien posicionados, seguidos por otros modelos de Claude y Gemini. GeoSeer Fast tuvo un rendimiento competitivo, aunque se negó a responder cuatro imágenes alegando que no eran adecuadas para geolocalización. El modelo GeoSeer Agent, más potente, rechazó ocho respuestas y se quedó colgado con frecuencia.
Otros tropiezos también afectan a un flujo de trabajo real. Mistral Large 4 rechazó una imagen por falta de información; Kimi K2.6 no devolvió coordenadas en una ocasión, y Gemini 4 Argon agotó el tiempo repetidamente con una foto. Grok fue la opción más cara y quedó en la mitad inferior de la tabla. GeoClip, gratuito, superó únicamente a Claude Haiku.
Los investigadores compararon también rapidez y precio. Claude ofreció buenos resultados en ambos frentes. Gemini Argon fue mucho más lento, aunque su coste se acercó al de Opus. Fable y Grok resultaban opciones caras para el rendimiento obtenido. No hay un ganador universal: según el trabajo, puede convenir priorizar precisión, velocidad, precio o la capacidad de abstenerse cuando la imagen no permite una respuesta responsable.
Algunos modelos rechazaron imágenes que consideraron insuficientes; otros produjeron coordenadas de todos modos. En una tabla, la negativa puede parecer una derrota. En una investigación de alto riesgo, negarse a inventar puede ser más útil, mientras que un sistema que siempre responde puede dar una impresión de cobertura que sus resultados no justifican. La IA no elimina la incertidumbre: a veces la vuelve menos visible.
Herramientas extra ayudan; no certifican nada
Bellingcat probó también agentes de uso general equipados con instrucciones y herramientas diseñadas para geolocalizar. Una habilidad permitía descargar mosaicos de imágenes satelitales de Esri; otra daba acceso directo a datos de la herramienta de búsqueda de OpenStreetMap de la organización, pensada para cotejar elementos visibles —por ejemplo, un poste respecto a una vía férrea— con información cartográfica. Se compararon con GeoSleuth, un proyecto publicado con un propósito parecido.
Para esas pruebas eligieron Claude Opus 5.5 por su rendimiento y precio. Los agentes personalizados no tuvieron el límite de 15 minutos aplicado a la ronda principal, porque necesitaban más tiempo para usar sus herramientas. Esa diferencia impide comparar sus puntuaciones como si las condiciones fueran idénticas. Aun así, ambos superaron al Opus sin personalizar y a los demás modelos en GeoGuessr Score; solo Argon quedó por encima del agente de Bellingcat en Mean Log Score.
Un ejemplo muestra qué aportan esas habilidades. En una imagen tomada en el Global Campus of Human Rights, en Venecia, 11 de los 17 modelos quedaron a menos de cinco kilómetros. GPT-Sol identificó el monasterio correcto, pero solo el agente de Bellingcat y GeoSleuth acertaron las coordenadas exactas de la cámara. La comparación con imágenes satelitales les permitió comprobar el patio y la orientación, no limitarse a reconocer el edificio.
Es una mejora concreta, aunque no infalible: en otras fotos los agentes personalizados también fallaron. Su ventaja está en convertir una intuición visual en una hipótesis que se puede contrastar con datos externos, no en producir una verdad automática. Las pruebas muestran modelos capaces de acelerar parte del trabajo y herramientas que ayudan a refinarlo, pero ninguna combinación acertó siempre. Si una geolocalización va a sostener una denuncia, una noticia o una decisión militar, alguien tiene que revisar las pruebas y hacerse cargo de la conclusión.
