La información inunda a la agricultura del mundo, pero apenas puede utilizar todos esos datos. Lo que sucede es que se siguen generando enormes volúmenes de información atrapada en compartimentos incompatibles.
Montevideo | Todo El Campo | 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 la agricultura necesita una infraestructura de datos estandarizada y específica para poder transformar esa enorme cantidad de información en verdadera inteligencia y valor económico.
El siguiente es el artículo completo.
¿POR QUÉ LA INDUSTRIA QUE ALIMENTA A 8.000 MILLONES DE PERSONAS TODAVÍA NO PUEDE LEER SUS PROPIOS DATOS?
Los datos agrícolas son «fragmentados, distribuidos, heterogéneos e incompatibles.» Ese es el veredicto de un importante informe del Council for Agricultural Science and Technology (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. Otras industrias con mucha carga de datos, como la sanidad o los servicios financieros, han establecido estándares de datos, pero la agricultura no cuenta con un marco universal para traducir entre las decenas de sistemas que generan información a nivel de campo.
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, la agricultura sigue generando enormes volúmenes de información atrapada en compartimentos incompatibles. 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.
“La agricultura no tiene un problema de datos, tiene un problema de inteligencia”, 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, implementar la integración de datos y la conectividad en la agricultura podría añadir 500.000 millones de dólares en valor al PIB mundial, 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 (Large Language Model, en español Modelo de Lenguaje Extenso) formado en textos por internet pueda saber que el nitrógeno ayuda a las plantas a crecer, no puede decirte que la cantidad correcta varía según la etapa de crecimiento, el suelo y lo que se plantó en el mismo campo el año anterior. 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 muchos agricultores desconfían de la IA 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: construyendo sistemas de IA diseñados específicamente para la agricultura en lugar de adaptar herramientas de uso general. Por ejemplo, Cropin, 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 Agmatix 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 la IA no empieza desde cero. 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”: la capacidad de traducir entre diferentes fuentes de datos porque el sistema entiende lo que significan los datos, no solo lo que dicen.
Pero desarrollar una mejor tecnología no garantiza su adopción. El socio de McKinsey, Vasanth Ganesan, señaló en la encuesta Global Farmer Insights 2024 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 agricultores tienen buenas razones para ser cautelosos. “Los agricultores son directores ejecutivos que operan en una de las industrias más impredecibles del mundo”, cuenta a Fast Company. “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 ya está funcionando. Por ejemplo, BASF ha colaborado con Agmatix en herramientas digitales para la detección de enfermedades de cultivos.
Por su parte, Cropin se asoció con Walmart en marzo de 2025 para optimizar el abastecimiento de productos frescos en los mercados de EE.UU. y Sudamérica, utilizando previsiones de rendimiento impulsadas por IA y monitorización de la salud de los cultivos.
LA PARTE DIFÍCIL.
Agmatix representa un cambio más amplio desde plataformas de IA horizontales hacia soluciones específicas de dominio. Pero no es la única empresa que apuesta a que la agricultura necesita su propia IA. La adquisición por parte de John Deere de la empresa de análisis aéreo Sentera en mayo de 2025 sugiere que los mayores actores del sector han llegado a la misma conclusión.
Se prevé que la IA en el mercado agrícola crezca de 2.550 millones de dólares en 2025 a más de 7.000 millones para 2030, según Mordor Intelligence. Pero la adopción sigue siendo desigual, 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.
La adopción de la IA agrícola sigue siendo lenta bajo cualquier estándar, 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.
La cuestión no es si la agricultura necesita una mejor infraestructura de datos. Lo importante es si las empresas que lo construyen pueden sobrevivir a los plazos de adopción 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: Why the industry that feeds 8 billion people still can’t read its own data – Fast Company | Foto de portada: McKinsey & Company.
Compartir
Comparte este contenido en tus redes sociales!