¿Qué es la IA en la agricultura?
La IA en la agricultura es el uso de sistemas de aprendizaje automático para percibir, juzgar y actuar sobre material biológico que se niega a quedarse quieto. Abarca tres trabajos distintos, y reducirlos a una sola palabra es donde se tuercen la mayoría de las decisiones de compra.
Percepción es leer el cultivo: si esta cereza está golpeada, si esta hoja está infectada, si esta fruta está madura. Decisión es convertir esa lectura en una instrucción: regar este sector, tratar aquella hilera, cosechar el jueves. Actuación es que una máquina la ejecute: un brazo robótico cerrándose sobre una fresa, un clasificador expulsando del cinta una fruta defectuosa.
Los tres fallan de forma distinta y cuestan cosas distintas. Un error de percepción en un almacén mete una cereza mala en una tarrina. Esa misma tasa de error en un pulverizador pone producto sobre una hilera sana, o se salta una infectada. La documentación comercial suele fundir los tres en un único porcentaje de precisión, y ahí empieza el problema.
Hay una cuarta categoría que conviene separar, porque los compradores de 2026 la siguen confundiendo con las otras tres: los modelos de lenguaje que dan consejo agronómico. Eso es una tarea de conocimiento, no de percepción, y como veremos se comporta casi al revés.
El resumen honesto del campo: la IA en la agricultura funciona extremadamente bien allí donde alguien controla la cámara, y se degrada con fuerza allí donde la controla la naturaleza. Todo lo que sigue defiende esa frase, contada a través de cuatro cultivos y dos fracasos.
El problema del 99,35 por ciento
El resultado más citado de la visión artificial agrícola es también el peor leído. En 2016 un equipo entrenó una red convolucional profunda sobre un conjunto público de 54.306 imágenes de hojas que cubría 14 especies de cultivo y 26 enfermedades. En una porción reservada de ese conjunto el modelo alcanzó un 99,35 por ciento de precisión.
Esa es la cifra que la industria repitió durante una década. El mismo artículo da una segunda cifra. Probado con imágenes de otras fuentes, tomadas en condiciones distintas a las fotos de entrenamiento, el modelo obtuvo un 31,4 por ciento (Mohanty et al., arXiv:1604.03169). Los autores señalan que aun así supera a la selección aleatoria, que está en 2,6 por ciento, y concluyen que hace falta un conjunto de entrenamiento más diverso.
Leídas juntas, las dos cifras dejan una lección incómoda. El modelo no había aprendido a reconocer enfermedades. Había aprendido a reconocer un montaje fotográfico: fondo uniforme, luz pareja, una hoja, distancia fija. Al cambiar el estudio se evaporaron aproximadamente dos tercios de la habilidad aparente.
No es una curiosidad histórica. Las revisiones de modelos de enfermedades publicadas desde entonces siguen encontrando la misma forma de colapso, en buena medida porque ese mismo conjunto de laboratorio sigue siendo el corpus de entrenamiento por defecto, y la uniformidad del laboratorio vuelve la tarea artificialmente fácil.
La forma práctica de la lección es breve. Una cifra de precisión es una propiedad de las condiciones en que se midió, no del modelo. Cuando un proveedor da precisión sin nombrar esas condiciones, ha descrito su estudio y no ha dicho nada sobre su finca.
Cereza: la cámara más controlada de la cadena de suministro
Una línea de calibrado es la cámara más controlada de toda la cadena, y por eso funciona.
Ahora invierta el problema. En lugar de llevar el modelo al campo, lleve la fruta al modelo.
Eso es exactamente lo que hace una línea moderna de calibrado de cereza. La fruta llega separada sobre una cinta de rodillos, girando para que toda su superficie pase ante el objetivo, bajo luz artificial fija, a distancia fija, a velocidad constante. Los sistemas de esta clase, como la familia Unitec Cherry Vision, inspeccionan la superficie completa de cada fruta y clasifican por categorías de defecto como cortes, inconsistencia de color, picado y daño por insecto, además de calibre y calidad interna.
Fíjese en lo que ha ocurrido. Todas las variables que destruyeron el modelo de enfermedades de hoja han sido eliminadas por ingeniería. La luz es constante. El fondo es constante. La postura la fija el rodillo. La distancia nunca cambia. Apenas se le pide al modelo que generalice, porque casi nada varía.
Por eso el calibrado poscosecha es la aplicación menos vistosa y más fiablemente rentable de la IA en la agricultura. La cereza vuelve la economía especialmente nítida: se clasifica por calibre, color, firmeza y defecto en una ventana de días, se vende con una prima alta por uniformidad, y el calibrado manual es lento e inconsistente al final del turno. Una máquina que no se cansa en la novena hora compite contra una referencia genuinamente débil.
Y por eso las cifras de línea de calibrado no se transfieren. Una tasa de detección de defectos medida en una línea dice muy poco sobre lo que hará la misma arquitectura una tarde de viento en la finca. Un proveedor que traslada una cifra del primer contexto al segundo está describiendo otra máquina.
Mora: cuando el sensor importa más que el modelo
Las moras se ven iguales antes y después de madurar, así que la respuesta vino del sensor.
La mora tiene una propiedad que rompe por completo la detección de madurez basada en color. Como lo plantea la investigación, la mora madura es negra antes, durante y después de la maduración. No hay curva de color que aprender. Los recolectores humanos chocan con el mismo muro, y esa es parte de la razón de que la calidad de cosecha varíe tanto entre cuadrillas y de que tanta fruta se recoja en el momento equivocado.
Un modelo más grande sobre imágenes RGB no lo resuelve, porque la información no está presente en el espectro visible. Lo que funcionó fue cambiar el sensor. Los investigadores usaron un sensor estéreo con filtros de visible e infrarrojo cercano a 700 nm y 770 nm, alimentaron el par a un conjunto de CNN multientrada construido sobre VGG16 y reportaron un 95,1 por ciento de precisión en conjuntos no vistos y un 90,2 por ciento en condiciones de campo (arXiv:2401.04748). Además encontraron que el juicio de la máquina correlacionaba bien con la evaluación sensorial humana de la textura de la piel, la pista que usan los recolectores experimentados.
Compare las dos caídas. El modelo de enfermedades pasó de 99,35 a 31,4 al cambiar las condiciones, perdiendo unos 68 puntos. El modelo de mora pasó de 95,1 a 90,2, perdiendo menos de 5. El segundo sistema empezó más bajo en el banco de pruebas y terminó mucho más alto en la realidad.
Ese es el intercambio que todo comprador de IA agrícola debería buscar y que casi nadie pregunta. La jugada ganadora no fue una arquitectura mejor ni un conjunto de datos mayor. Fueron dos longitudes de onda capaces de ver físicamente aquello que se quería predecir.
Fresa: los robots ya llegan con fecha
El cultivo en mesa estandarizó la geometría mucho antes de que llegaran los robots.
La fresa es el cultivo donde más tiempo se lleva prometiendo la recolección robotizada, y 2025 y 2026 son los primeros años en que las promesas traen fecha.
Harvest CROO anunció en abril de 2025 que sus ensayos de campo de cosecha automatizada habían alcanzado un rendimiento a la par de la recolección humana en una operación comercial. En el Reino Unido, Dogtooth pasó a introducción comercial en 2025, con unidades disponibles para la campaña de 2026. DailyRobotics apunta a un lanzamiento comercial en California en 2026 con una máquina que, según la empresa, recoge de dos a tres veces más rápido que una persona.
Trate las cifras de rendimiento como afirmaciones del proveedor hasta que un tercero las repita. La economía subyacente es información pública y mucho más difícil de discutir. La Adverse Effect Wage Rate de 2025, el suelo salarial para la mano de obra agrícola H-2A en Estados Unidos, promedia 18,12 dólares por hora a nivel nacional, un 3,2 por ciento más, y va de 14,83 en los estados del Delta a 20,08 en Hawái, con California en 19,97. Los productores de frutas y hortalizas, los mayores usuarios de ese programa, destinan alrededor del 38 por ciento del gasto total de la explotación a mano de obra (American Farm Bureau Federation).
Un robot de fresa no tiene que superar a una persona. Tiene que ser suficientemente bueno a un coste por debajo de un suelo salarial que sube, en un cultivo donde la mano de obra es 38 céntimos de cada dólar de gasto, en un sector que ya tiene dificultades para cubrir los puestos. Ese listón es mucho más bajo, y baja cada año que sube el suelo.
La fresa es además el objetivo de campo más amable disponible. Los sistemas de mesa y bancada elevada presentan la fruta a altura fija, en geometría repetible, colgando libre del follaje y accesible desde un lado definido. El productor, buscando rendimiento y ergonomía y no robots, ha reconstruido parcialmente las condiciones de la línea de calibrado al aire libre. El cultivo donde la automatización aterriza primero es aquel cuya arquitectura ya estaba estandarizada.
Avellana: donde la IA no es el cuello de botella
En una pendiente así, la restricción nunca fue el modelo. Fue el suelo.
Y luego está el cultivo que ignora toda esta conversación.
Turquía produce aproximadamente el 70 por ciento de las avellanas del mundo y el 82 por ciento de las exportaciones (datos de la FAO, recogidos por el International Nut and Dried Fruit Council). La producción se concentra en la región del Mar Negro, en pendientes con frecuencia superiores al 20 por ciento, en plantaciones que suelen superar los cincuenta años y a veces los cien, densamente plantadas sobre suelo somero, muchas veces en las laderas de barrancos. En las zonas de cultivo más antiguas se cosecha a mano porque no hay alternativa; las plantaciones más nuevas y llanas se mecanizaron.
Ninguna cifra de precisión de modelo toca nada de eso. Las restricciones que atan son el terreno, la edad del árbol y la arquitectura de la plantación. No se puede desplegar un robot de cosecha en una pendiente del 30 por ciento entre matas centenarias plantadas para acceso manual, y una previsión de cosecha vale poco para un pequeño productor que no tiene mecanismo para actuar sobre ella. La campaña de 2025 lo dejó claro: la helada y la presión de plagas redujeron la producción esperada aproximadamente a la mitad y duplicaron los precios, y ninguna cantidad de sensores alteró el resultado.
Hay una historia real de IA en la avellana, pero está aguas abajo, exactamente donde está la victoria de la cereza. La clasificación de grano, el rechazo de cáscara y cuerpos extraños, la detección de moho y daño por insecto ocurren todos bajo techo, sobre una cinta, con luz fija, y ahí es donde la tecnología se gana el jornal.
La avellana es el caso de control de este artículo. Recuerda que “¿puede la IA hacer esto?” es la segunda pregunta. La primera es si la percepción fue alguna vez lo que estaba en medio.
La capa satelital: útil, sobrevendida, rara vez decisiva
La teledetección merece su propia advertencia, porque es la capa que más se vende como respuesta completa.
Los índices de vegetación como el NDVI, calculados desde imágenes de satélite o dron, sí siguen el vigor del cultivo, y la precisión de los modelos de rendimiento mejora al aumentar la resolución de la imagen. Debajo hay tres límites estructurales, y ninguno es un problema de software.
Los sensores ópticos pasivos no ven a través de las nubes, de modo que la cobertura temporal es cuestión de meteorología y no de calendario, y los huecos caen a menudo justo en las fases de crecimiento que más quería observar. El NDVI además satura en dosel denso, que es exactamente la condición de una plantación madura, por lo que los índices alternativos que corrigen efectos atmosféricos y fondo de suelo suelen rendir mejor en plantaciones de alta biomasa. Y en paisajes de pequeña propiedad o cultivo mixto, un solo píxel puede abarcar varios cultivos bajo manejos distintos, lo que difumina la señal justo donde el consejo sería más valioso.
Los modelos de rendimiento también se comportan de forma muy distinta según la escala. Las estimaciones regionales y nacionales son bastante más fiables que las de parcela, porque los errores se cancelan entre muchos campos y en un solo campo no. Una plataforma que cita precisión de validación nacional mientras vende una herramienta de decisión a nivel de parcela ha cambiado de tema.
Nada de esto vuelve inútil el monitoreo satelital. Lo convierte en una capa de cribado: buena para dirigir la atención hacia los sectores que cambiaron, débil para el juicio concreto que se toma al llegar allí.
El modelo que aprueba el examen y el modelo que lee la hoja
Un resultado va a contracorriente de todo lo anterior, y merece detenerse en él.
Un grupo de investigadores evaluó modelos de lenguaje grandes en exámenes de certificación agrícola de Brasil, India y Estados Unidos. GPT-4 respondió correctamente el 93 por ciento de las preguntas, suficiente para aprobar exámenes que otorgan créditos para renovar certificaciones de agrónomo, frente al 88 por ciento de modelos generalistas anteriores (arXiv:2310.06225).
Así que un modelo de lenguaje puede aprobar el examen del agrónomo, mientras un modelo de visión entrenado con decenas de miles de hojas cae al 31,4 por ciento en cuanto cambia la luz. Ambas afirmaciones son ciertas, y juntas ubican en qué es buena hoy la IA en la agricultura.
El conocimiento codificado se transfiere. Los exámenes evalúan material que ha sido escrito, estandarizado y repetido, que es el sustrato ideal para un modelo de lenguaje. La percepción no se transfiere, porque cada campo presenta una nueva distribución de luz, ángulo, oclusión, polvo y estado fenológico que ningún conjunto de datos cubrió del todo.
La lectura operativa es que un modelo de lenguaje es una interfaz potente sobre el conocimiento agronómico y un testigo pobre de lo que ocurre en su parcela esta mañana. Puede decirle el umbral de tratamiento recomendado para una plaga. No puede decirle si tiene la plaga. Conviene saber además que la misma pregunta puede producir respuestas distintas del mismo asistente en días distintos, algo que pesa mucho cuando la salida es una recomendación de tratamiento. Conectar lo segundo con lo primero, y ser explícito sobre qué mitad es sensado y cuál es recuperación, es la mayor parte del trabajo de diseño de un producto agrícola serio.
Cuatro preguntas antes de comprar IA agrícola
Los casos anteriores se ordenan en un solo procedimiento de decisión. Pase por él cualquier afirmación de un proveedor.
1. ¿Quién controla la luz? Si la respuesta es el proveedor, dentro de un almacén, la cifra de precisión probablemente signifique algo. Si la respuesta es el cielo, pregunte bajo qué condiciones se midió y asuma una degradación importante. La distancia entre 99,35 y 31,4 es el precio de una cámara sin control.
2. ¿Puede el sensor ver físicamente lo que usted quiere predecir? Ningún modelo recupera información que el sensor nunca capturó. La madurez de la mora necesitó 700 y 770 nanómetros, no una red más profunda. Pregunte por espectro, resolución, cadencia de fotogramas y si el objetivo es visible siquiera en esos datos.
3. ¿Cuánto cuestan los errores, más que con qué frecuencia ocurren? Un clasificador con 95 por ciento de acierto y un pulverizador con 95 por ciento de acierto no son compras comparables. Pregunte qué hace el 5 por ciento restante, quién lo detecta y qué cuesta cuando nadie lo hace.
4. ¿Es la percepción realmente su cuello de botella? Para un productor de avellana del Mar Negro es la pendiente. Para otros son los derechos de agua, la disponibilidad de mano de obra o un almacén que no puede ir más rápido. La IA dirigida a algo que no es el cuello de botella produce información excelente sobre un problema que usted no tenía.
Nada de esto argumenta contra la IA en la agricultura. La línea de cereza es una victoria real, el sensor de mora es una victoria real, y los robots de fresa parecen cerca. Argumenta a favor de leer una cifra de precisión como la descripción de las condiciones que la produjeron, que es todo lo que fue siempre.
Por qué esto importa a quien vende al sector agrícola
Una consecuencia para los propios proveedores.
Los compradores agrícolas investigan cada vez más a través de asistentes de IA antes de llegar siquiera a una web, y esos sistemas premian el material que pueden atribuir. Una página que afirma “99 por ciento de precisión” sin condiciones de medición es prácticamente incitable: no hay afirmación que un asistente pueda repetir con seguridad con una marca detrás. Una página que dice “95,1 por ciento en datos reservados, 90,2 por ciento en campo, VIS-NIR a 700 y 770 nanómetros” es una cita esperando a ocurrir, porque cada componente se puede comprobar.
La disciplina que vuelve creíble una afirmación de IA agrícola ante un productor es la misma que la vuelve recuperable por una máquina. Declare las condiciones, declare la población, declare qué pasa cuando falla. La alternativa es la misma brecha entre lo que una marca afirma y lo que puede demostrar que hoy erosiona la confianza en las afirmaciones de IA en todas partes. Ese es el método completo, en agricultura y en cualquier sector, y es la razón de que las páginas con forma de evidencia sean citadas por los motores de respuesta mientras las meramente seguras de sí mismas se saltan.
