A la agricultura le falta coordinar datos, para funcionar con todo su potencial.
Montevideo | | Fast Company, influyente revista estadounidense de negocios e innovación publicó un interesante artículo en el que señala que el gran problema de la agricultura no es la falta de datos, sino la incapacidad de integrarlos y darles sentido. La información agrícola está dispersa, fragmentada y en formatos incompatibles, observa la nota de Kolawole Samuel Adebayo, periodista multipremiado de amplia trayectoria. El artículo sostiene que investigadores, fabricantes, agricultores y minoristas usan sistemas de datos distintos que no “conversan” entre sí, lo cual impide que la inteligencia artificial general funcione bien en el campo, porque sin contexto (suelo, clima, rotaciones previas, disponibilidad local) las recomendaciones se vuelven poco útiles. La idea central que expone el periodista es que El siguiente es el artículo completo. Los datos agrícolas son «fragmentados, distribuidos, heterogéneos e incompatibles.» Ese es el veredicto de un importante informe del (CAST) publicado hace apenas un año, y ayuda a explicar por qué la inteligencia artificial (IA) ha tenido dificultades para ganar terreno en las explotaciones agrícolas. No es una observación nueva, pero su persistencia es digna de mención. Aunque la tecnología de consumo y el software empresarial resolvieron en gran medida sus desafíos de interoperabilidad hace años, Las instituciones de investigación publican resultados de ensayos en formatos inconsistentes, los fabricantes de productos utilizan sistemas de nombres propietarios, los agricultores registran observaciones con terminología local y los minoristas registran las ventas sin relacionarlas con resultados agronómicos. El resultado es una industria que posee enormes cantidades de información que apenas puede utilizar. , señala Ron Baruchi, CEO de Agmatix, una empresa que desarrolla IA específica para el sector. “Los datos existen. Lo que falta es una infraestructura que entienda lo que significa”. Según un informe de McKinsey, , una mejora del 7 al 9% respecto a las proyecciones actuales. Pero capturar ese valor requiere resolver un problema con el que las plataformas de IA de propósito general han tenido dificultades constantes. ¿POR QUÉ LA IA HORIZONTAL SIGUE FALLANDO EN LAS CHACRAS? El atractivo de aplicar grandes modelos de lenguaje a la agricultura es evidente: un agricultor podría describir lo que ocurre en su campo y recibir consejos instantáneos sobre qué hacer al respecto, sin tener que contratar a un consultor ni tener que esperar a un laboratorio. Pero la complejidad de la agricultura rompe con ese enfoque. Aunque un LLM ( , en español Modelo de Lenguaje Extenso) formado en textos por internet De manera similar, la visión por ordenador puede identificar el estrés de los cultivos, pero sin conocimiento contextual del clima, el suelo y las aplicaciones de productos, esa visión no significa mucho. Puedes preguntar a ChatGPT sobre la fertilización con nitrógeno y obtener una respuesta que suene autoritaria. Pero cuando profundizas en detalles específicos -el momento adecuado para el tipo de suelo, las interacciones con tu cultivo anterior y la selección de productos según la disponibilidad local- las recomendaciones se desmoronan. El mismo informe de CAST refuerza este punto, señalando que debido a su naturaleza de “caja negra”: modelos que hacen predicciones sin explicaciones claras detrás. En la agricultura, un 90% de precisión en una recomendación de fungicida significa que el 10% de las veces le estás diciendo al agricultor rociar el producto equivocado en el momento equivocado. CONSTRUYENDO INTELIGENCIA DESDE CERO. Aquí es donde un número creciente de empresas está adoptando un enfoque diferente: Por ejemplo, , con sede en India y respaldado por Google, ha construido su propio gráfico de conocimiento de cultivos que abarca 500 cultivos en 103 países y recientemente ha desarrollado un modelo microlingüístico específico para la agricultura. La startup israelí-estadounidense construyó su propio sistema de inteligencia agrícola desde cero, un enfoque que refleja, en concepto, lo que Palantir hizo con los datos de defensa e inteligencia. El núcleo de ese sistema es lo que Agmatix llama “ontologías preentrenadas”, que son marcos que codifican relaciones agrícolas antes de que los datos del cliente entren en el sistema. El motor de IA de Agmatix utiliza una arquitectura neurosimbólica, combinando grafos de conocimiento estructurados con aprendizaje automático. Las relaciones agrícolas -cómo ciertos fertilizantes interactúan con suelos concretos en determinadas etapas de crecimiento- son codificadas por agrónomos, validadas mediante ensayos de campo y refinadas continuamente. Lo que eso significa, esencialmente, es que Antes de que toque los datos de cualquier granja, los agrónomos ya le han enseñado cómo funciona la agricultura: qué fertilizantes afectan a qué suelos, cómo cambian las necesidades de un cultivo a medida que crece y por qué lo que se plantó la temporada pasada importa para lo que se siembra después. Según la empresa, el sistema ha estructurado más de 1.500 millones de puntos de datos de ensayos de campo, creando lo que los científicos de datos llaman “interoperabilidad semántica”: Pero El socio de McKinsey, Vasanth Ganesan, señaló en la encuesta de la firma que los agricultores están «exigiendo un retorno de inversión más claro, menor coste de implementación y mantenimiento y tecnologías más fáciles de instalar», quejas derivadas de años de herramientas agtech que prometieron más y no cumplieron. Un análisis separado de McKinsey encontró que las malas experiencias de los usuarios siguen frenando la adopción en todo el sector. Ron Baruchi dice que los “Los agricultores son directores ejecutivos que , cuenta a . “Equilibran sistemas biológicos, riesgo financiero y volatilidad ambiental en cada temporada. La pregunta del ROI solo es difícil de responder cuando tu plataforma no puede conectar lo que aplica un productor con lo que realmente ocurre en el campo”. DÓNDE FUNCIONA. El enfoque Por ejemplo, Por su parte, en marzo de 2025 , utilizando previsiones de rendimiento impulsadas por IA y monitorización de la salud de los cultivos. LA PARTE DIFÍCIL. Pero no es la única empresa que apuesta a que la agricultura necesita su propia IA. en mayo de 2025 sugiere que los mayores actores del sector han llegado a la misma conclusión. , según Mordor Intelligence. Pero , con un 81% de las grandes explotaciones mostrando disposición a adoptar IA, mientras que solo el 36% de las pequeñas explotaciones planea hacer lo mismo. , y no es difícil entender por qué: altos costos, banda ancha rural limitada, formación insuficiente y cuestiones sin resolver sobre la propiedad de los datos. Estos desafíos se intensifican en una industria previamente plagada de promesas tecnológicas sobrevaloradas. Pero los vientos de cola son reales. Las principales empresas alimentarias han asumido compromisos para descarbonizar cadenas de suministro que son imposibles de cumplir sin datos a nivel de campo. La volatilidad climática está haciendo que las herramientas predictivas sean más valiosas. Y una disminución en el gasto público estadounidense en investigación y desarrollo agrícola -aproximadamente un tercio inferior a su máximo de 2002, según datos del USDA- está creando un vacío que las plataformas del sector privado están preparadas para llenar. por parte de los actores de la agricultura, y soportar el tiempo suficiente para alcanzar una masa crítica y si los beneficios se extenderán más allá de las granjas más grandes que ya pueden permitirse invertir. Para una industria responsable de alimentar a 8.000 millones de personas, lograr ese equilibrio es enormemente importante. Fuente: | Foto de portada: McKinsey & Company.
Ver noticia
