¿Agentes de IA encontraron un sitio maya? Qué hacer con Bun
Un desarrollador puso agentes de IA a revisar datos públicos de terreno y volvió con una pregunta en el título: "¿mis agentes encontraron un sitio maya no mapeado?". El post es de Pietro Miotti. Fíjate en que terminó el título con un signo de interrogación. Eso dice mucho. El caso es bueno para hablar de agentes de IA que trabajan con datos reales, donde equivocarse sale caro. También sirve para contar cómo montaría yo un flujo así con Bun sin engañarme en el camino.
Qué pasó, sin exagerar
La idea es fácil de explicar. Existen datos abiertos de relieve, imágenes satelitales y modelos de elevación que cubren buena parte de Centroamérica. Bajo la selva, las estructuras antiguas dejan marcas en el terreno: plataformas rectangulares, montículos alineados, terrazas. Un arqueólogo entrenado reconoce esos patrones. La pregunta es si un conjunto de agentes puede hacer la criba antes que él.
Por el título, el resultado fue un candidato. No fue un descubrimiento confirmado. Fue un "mira esto". Y esa diferencia es la verdadera noticia. Un agente que señala candidatos es útil. Un agente que declara descubrimientos es un problema.
No voy a repetir los detalles del experimento, vale la pena leer el original. Lo que me interesa aquí es el patrón que hay detrás, porque sirve para mucho más que arqueología.
Por qué los agentes de IA sirven para este tipo de búsqueda
Hay problemas que son buscar una aguja en un pajar. Tienes miles de kilómetros cuadrados de datos, casi todo es ruido y un pedacito importa. Las personas no escalan para eso. Un script con reglas fijas sí escala, pero queda ciego ante lo que no fue programado para ver.
El agente queda a medio camino. Lee el tile, describe lo que ve, lo compara con lo que sabe sobre patrones de asentamiento y decide si va a la pila de "vale la pena mirar". Lo que hace es criba, no ciencia.
Este mismo formato aparece en el día a día de quien programa:
- Revisar miles de logs buscando un patrón de ataque que todavía no tiene firma.
- Revisar contratos o facturas buscando la anomalía que ninguna regla detecta.
- Mirar capturas de pruebas visuales y separar una regresión real del ruido de renderizado.
En todos estos casos el valor está en reducir 10 mil elementos a 30. Quien decide sobre esos 30 sigue siendo una persona.
Un buen agente no descubre nada. Reduce el lugar donde tienes que buscar.
Cómo montar este pipeline con Bun
Aquí entra Bun, y no es por moda. Un pipeline así es básicamente I/O: descargar archivos, cortarlos en pedazos, llamar a una API, guardar el resultado, repetir. Bun lo resuelve con pocas dependencias. Tiene fetch nativo, Bun.file y Bun.write para archivos, SQLite integrado y TypeScript que corre directo, sin build.
El esqueleto que usaría cabe en una pantalla:
import { Database } from "bun:sqlite";
const db = new Database("triagem.db");
db.run(`create table if not exists tiles (
id text primary key,
status text,
score real,
motivo text
)`);
const pendentes = db
.query("select id from tiles where status = 'pendente' limit 50")
.all() as { id: string }[];
for (const { id } of pendentes) {
const img = await Bun.file(`tiles/${id}.png`).arrayBuffer();
const r = await analisar(img); // llamada al modelo
db.run("update tiles set status = ?, score = ?, motivo = ? where id = ?", [
r.score > 0.8 ? "candidato" : "descartado",
r.score,
r.motivo,
id,
]);
}
Hay tres decisiones ahí que importan más de lo que parece.
Estado en SQLite, no en memoria. El pipeline se va a caer. La API va a devolver 429, tu internet va a parpadear, vas a dar Ctrl+C sin querer. Con el status guardado por tile, al volver a correrlo sigue donde se quedó. Eso ya me salvó de quemar créditos de API dos veces.
Lotes pequeños. El limit 50 existe para que mires los resultados antes de liberar el resto. Lanzar 10 mil llamadas de golpe sin validar las primeras 50 es la forma más rápida de pagar caro por basura.
El motivo va junto a la nota. Un score solo no explica nada. Cuando el agente escribe "tres montículos alineados norte-sur con plataforma central", puedes comprobarlo. Cuando solo devuelve 0.93, estás confiando a ciegas.
Si quieres paralelizar, Promise.all con un limitador de concurrencia simple lo resuelve. No necesitas una cola distribuida para procesar unos miles de archivos en tu portátil.
El problema de los falsos positivos
Ahora la parte que casi nadie pone en el post de divulgación. Un modelo de visión mirando relieve va a ver patrones donde no los hay. Una granja abandonada parece una plataforma. Un camino de tierra parece una calzada antigua. Un cerro erosionado puede recordar a una pirámide si tienes muchas ganas de que lo sea.
Es pareidolia, solo que con tarjeta de crédito. Las personas ven caras en los enchufes. El modelo ve templos en un potrero.
Algunas defensas que funcionan:
- Prueba con lo que ya se conoce. Antes de buscar lo desconocido, corre el pipeline en zonas con sitios mapeados y en zonas donde sabes que no hay nada. Si no encuentra los conocidos, o encuentra un templo en medio de un campo de soja, ya sabes que el resultado no vale.
- Un segundo agente escéptico. Un agente señala y otro recibe el mismo tile con la instrucción de encontrar la explicación más banal. Solo sube lo que pasa por los dos.
- Cruce con una base externa. Si el candidato está encima de un camino que ya aparece en OpenStreetMap, se descarta.
En código, el primer punto es solo una métrica:
const conhecidos = db
.query("select count(*) as n from tiles where gabarito = 1 and status = 'candidato'")
.get() as { n: number };
console.log(`recall en los sitios conocidos: ${conhecidos.n}/${totalConhecidos}`);
Si no tienes ese número, no tienes un sistema de detección. Tienes un generador de imágenes interesantes.
Qué cambia esto en tu flujo de trabajo
Mi opinión, y la tengo clara: lo más valioso del post de Miotti es el signo de interrogación. Muchos proyectos con agentes de IA mueren porque alguien trata la salida del modelo como un hecho. El título ya admite que hace falta alguien del área para confirmar. Ese es el modelo mental correcto.
En la práctica, para quien desarrolla, saco de aquí tres hábitos:
- Todo pipeline con agentes necesita datos de referencia. Pueden ser pocos. Unas 20 muestras etiquetadas a mano ya lo cambian todo.
- El resultado del agente es una cola de revisión, no un informe final. Diseña la interfaz pensando en quien va a revisar.
- Bun y SQLite cubren el 90% de la fontanería. La complejidad de verdad está en la evaluación, no en la infraestructura.
También hay una cuestión ética que vale la pena recordar. Publicar las coordenadas de un posible sitio arqueológico puede atraer saqueadores antes que investigadores. Si tu agente encuentra algo sensible, la decisión de divulgarlo no es técnica.
¿Vale la pena intentarlo?
Sí, siempre que entres sabiendo lo que estás construyendo. Un agente que separa candidatos es una herramienta excelente y barata de montar. Un agente que "descubre" cosas por su cuenta es una forma cara de generar titulares.
Me gusta este tipo de experimento justamente porque te obliga a medir. Si quieres ver cómo llevo esta misma idea de pipeline ligero con Bun a proyectos reales, échale un vistazo a mis proyectos.
Resumen para LinkedIn
¿Mis agentes encontraron un templo maya? No. Y justo por eso este experimento es bueno. Pietro Miotti puso agentes de IA a revisar datos públicos de relieve y volvió con un candidato. No con un descubrimiento. Y esa diferencia lo cambia todo. Un buen agente no descubre nada. Reduce el lugar donde tienes que buscar. Convierte 10 mil elementos en 30, y quien decide sobre esos 30 sigue siendo una persona. Si yo montara esto con Bun: estado en SQLite para retomar cuando se caiga, lotes pequeños antes de gastar créditos, y el motivo siempre junto a la nota. Y lo más importante: prueba con lo que ya se conoce. Sin datos de referencia, no tienes un sistema de detección. Tienes un generador de imágenes interesantes. Escribí sobre cómo montar este pipeline sin engañarte en el camino. El enlace está en los comentarios, por si te sirve. #InteligenciaArtificial #AgentesDeIA #Bun #TypeScript #DesarrolloDeSoftware