Hace unas semanas, un agricultor británico hizo algo bastante simple.
Desde la cabina de su tractor envió a una inteligencia artificial los mapas de pH de sus campos y le pidió que calculara cuánto producto necesitaba para corregirlos, cuánto debía comprar y cómo distribuirlo a dosis variable.
Unos minutos después tenía la recomendación preparada.
No estamos hablando de una demostración futurista.
Está ocurriendo ahora.
El agricultor era Robert Scott, productor de Norfolk, Inglaterra. Utilizó Meta AI para transformar sus mapas de pH en una recomendación concreta de aplicación.
El ejemplo muestra muy bien lo que la inteligencia artificial puede aportar cuando recibe información específica del campo.
Pero otro agricultor británico tuvo una experiencia que muestra la otra cara de la historia.
Un caso muestra el potencial. Otro, el riesgo.
Andrew Robinson decidió utilizar inteligencia artificial para diseñar un programa de fungicidas en trigo.
Le entregó información sobre el cultivo, fecha de siembra, dosis de semilla y características del suelo.
La IA propuso una estrategia diferente de la habitual y el cultivo incluso mostró inicialmente una buena respuesta.
Pero apareció un problema.
La inteligencia artificial estaba utilizando un pronóstico meteorológico equivocado.
El agricultor se dio cuenta y tuvo que corregirlo.
Además, el programa recomendado terminó siendo más caro: aproximadamente £167 por hectárea frente a £136 del manejo habitual.
Los dos casos resumen bastante bien el desafío.
En el primero, la IA recibió buenos datos y resolvió en minutos una tarea concreta.
En el segundo, razonó sobre información equivocada y construyó una recomendación aparentemente lógica sobre una premisa incorrecta.
La inteligencia artificial puede ser muy buena razonando. Pero sigue dependiendo de la información y del contexto que recibe.
ChatGPT puede saber mucho de agricultura
Puede explicar cómo responde un palto al estrés hídrico.
Qué significa un NDRE bajo.
Cómo influye el DVP.
Qué condiciones afectan la floración.
O cuáles son los rangos habituales de nitrógeno foliar.
Pero por sí solo no conoce lo que está ocurriendo hoy en ese sector de ese campo.
No sabe automáticamente qué suelo tiene, cuánto se regó ayer, qué muestra la sonda de humedad, qué ocurrió con el clima, qué indicó el último análisis foliar o cómo se comportó ese lugar durante las últimas temporadas.
Pero puede saberlo.
Si está conectado a esos datos.
De hecho, FBN y Google anunciaron recientemente el desarrollo de un AI Context Engine para agricultura, precisamente para que los modelos puedan razonar no solamente sobre conocimiento agrícola general, sino sobre la realidad particular de cada explotación.
Porque saber de agricultura no es exactamente lo mismo que conocer un campo.
Un dato aislado casi nunca cuenta toda la historia
Supongamos que una sonda indica una humedad de 24%.
¿Es mucho o poco?
Depende del suelo, de la profundidad de medición, de cuánto se regó, de la demanda atmosférica y del estado del cultivo.
Y quizá, sobre todo, de qué está mostrando la planta.
Lo mismo ocurre con una imagen satelital.
Dos sectores pueden presentar una caída similar de vigor.
Pero si uno está sobre un suelo más arenoso, muestra una disminución sostenida de humedad, viene de varios días con DVP elevado y recibió menos riego, mientras el otro mantiene una humedad normal y fue podado recientemente, la señal puede parecer parecida.
La interpretación agronómica no.
La inteligencia no está solamente en detectar una anomalía.
Está en entender qué significa esa anomalía dentro de su contexto.
El problema ya no es que falten datos
Hoy una explotación agrícola puede generar información desde imágenes satelitales, sondas, estaciones meteorológicas, análisis foliares y de suelo, registros de riego, drones, producción y observaciones realizadas en terreno.
El problema es otro.
Las empresas agrícolas difícilmente pueden analizar toda esa información todos los días y relacionarla de manera consistente.
Un administrador puede revisar el clima, mirar las sondas, abrir la plataforma satelital y comprobar los riegos.
Pero hacerlo para cientos de sectores, todos los días y comparando además con semanas o temporadas anteriores, empieza rápidamente a superar la capacidad práctica de una persona o incluso de un equipo.
Ahí aparece una aplicación muy concreta para la inteligencia artificial:
no generar más información, sino revisar continuamente la que ya existe, relacionarla y avisar cuando una combinación de señales merece atención.
El campo también tiene memoria
Imaginemos que un sector tiene hoy un NDVI de 0,65.
¿Es bajo?
Quizás ese sector se ha mantenido entre 0,63 y 0,67 durante las últimas cuatro temporadas.
Otro puede estar hoy en 0,72, pero normalmente se encontraba en 0,82.
¿Cuál merece más atención?
Probablemente el segundo.
Por eso una buena inteligencia agrícola no debería preguntarse solamente cuál es el valor actual.
También debería saber:
¿qué es normal para este lugar?
La historia transforma un número en contexto.
De los dashboards a una pregunta sencilla
Durante años construimos plataformas para mostrar mapas, gráficos, sensores e indicadores.
Y siguen siendo necesarias.
Pero la inteligencia artificial abre otra posibilidad.
En lugar de revisar distintos sistemas, podríamos preguntar simplemente:
¿qué sectores debería revisar hoy?
Un sistema con suficiente contexto podría analizar automáticamente la respuesta satelital, los sensores, el clima, los riegos, el suelo, la fenología, la nutrición y el comportamiento histórico.
Y responder algo como:
El sector X merece revisión porque por segunda semana presenta un comportamiento diferente respecto de sectores comparables, coincide con una disminución de humedad de suelo y recibió menos riego durante varios días de alta demanda atmosférica.
Eso es muy diferente de mostrar solamente:
NDVI = 0,68
o
humedad = 24%.
El valor aparece cuando los datos empiezan a contar una historia.
Y también debería poder decir “no sé”
No todas las anomalías tienen una explicación inmediata.
Puede aparecer una señal diferente sin que exista suficiente evidencia para saber qué la produjo.
En ese caso, quizás la mejor respuesta sea:
No existe suficiente información para determinar la causa. Revisar en terreno.
Eso también es inteligencia.
Una buena herramienta agrícola no debería intentar convertir automáticamente cada diferencia en una recomendación.
También debería reconocer cuándo necesita más información.
Y ahí el criterio del agrónomo seguirá siendo fundamental.
¿Qué estamos intentando hacer en ViLab?
ViLab comenzó principalmente trabajando con imágenes satelitales y datos climáticos.
Hoy estamos avanzando hacia algo más amplio: conectar esa información con sensores, riegos, características del suelo, floración, análisis foliares, observaciones de terreno e historia productiva.
No porque necesitemos acumular más datos.
Sino porque cada fuente aporta una parte distinta de la historia.
El satélite entrega la visión espacial del campo.
Las sondas y estaciones muestran lo que ocurre en suelo y ambiente.
Los registros de manejo explican qué hicimos.
Los análisis y observaciones de terreno ayudan a interpretar la respuesta de la planta.
Y la historia permite distinguir lo normal de lo anómalo.
La inteligencia artificial puede convertirse en la capa que conecte todo eso.
La ventaja no estará solamente en tener la mejor IA
Los modelos serán cada vez más capaces y accesibles.
Por eso la verdadera diferencia probablemente no estará solamente en utilizar GPT, Claude o cualquier otro modelo.
Estará en:
qué sabe ese modelo sobre nuestro campo y qué contexto tiene para interpretar sus datos.
ChatGPT puede saber muchísimo sobre paltos.
Pero una inteligencia agrícola realmente útil debería saber también qué suelo tiene ese sector, cuánto se regó, qué muestran las sondas, cómo evolucionó el clima y la floración, qué indicó el último análisis foliar y cómo respondió ese mismo lugar durante las últimas temporadas.
Entonces deja de responder únicamente desde el conocimiento general.
Empieza a responder desde la realidad particular del campo.
Esto ya puede empezar hoy
Muchas explotaciones agrícolas ya generan buena parte de la información necesaria.
El primer paso no es instalar más sensores.
Es comenzar a ordenar, conectar y dar contexto a las fuentes de información que ya existen.
Si estás evaluando cómo incorporar inteligencia artificial a tu explotación agrícola, en ViLab podemos ayudarte a conectar esas fuentes y comenzar a construir ese contexto agronómico.
La próxima ventaja de la IA agrícola no será solamente saber más de agricultura.
Será entender mejor cada campo.
¿Te ha gustado el correo de esta semana?
Iniciar Sesión o Suscribirme para participar