Capítulo siete: Apoyo a la toma de decisiones, recuperación del conocimiento y extensión agraria

Capítulo siete: Apoyo a la toma de decisiones, recuperación del conocimiento y extensión agraria

Mensaje del capítulo

Un agricultor puede escribir una pregunta de dos palabras: «¿Qué pulverizo?». La frase parece clara, pero oculta una cadena de preguntas que pueden cambiar radicalmente la respuesta. ¿Cuáles son el cultivo y la variedad? ¿En qué estado? ¿Qué síntoma u objetivo está implicado? ¿Está confirmado el diagnóstico? ¿En qué país o jurisdicción se encuentra la explotación? ¿Qué productos están registrados y disponibles? ¿Cuáles son la meteorología, la fecha de cosecha y los tratamientos anteriores? Un asesor digital responsable no es un modelo fluido, sino un sistema que sabe cómo convertir una pregunta incompleta en una que pueda examinarse. Identifica lo que ha entendido, solicita el contexto que cambia la decisión, clasifica las consecuencias del error, recupera una fuente autorizada válida para el lugar y el momento, y formula una respuesta que distingue la información, la explicación y los límites. Cuando el asunto excede la autoridad de la máquina, el sistema se abstiene y lo deriva a la autoridad o al especialista adecuados. El lenguaje natural acerca el conocimiento a los usuarios, pero conlleva un peligro particular: puede hacer que una conjetura parezca una respuesta profesional. Por ello, la inteligencia de un sistema no se mide por cuántas preguntas responde, sino por si sabe cuándo responder, qué fuente utilizar, qué confianza está justificada y cuándo hace falta otra pregunta, una inspección o una derivación. Una respuesta segura no siempre es una respuesta definitiva; a veces lo mejor que un sistema puede hacer es identificar qué falta, proteger al usuario de una acción prematura y ofrecer el camino más corto hacia una decisión válida.

1. ¿Por qué es difícil el asesoramiento agrícola?

Una pregunta agrícola breve suele llegar en medio del trabajo práctico, no en un entorno de investigación. Un agricultor puede encontrarse con hojas descoloridas, oír un ruido inusual en una bomba o ver caer los frutos y pedir una respuesta directa. La necesidad de rapidez es real, pero una respuesta rápida no puede compensar la información ausente que determina qué significa la pregunta.

La pregunta «¿por qué amarillea la planta?» puede referirse al agua, la nutrición, las raíces, una enfermedad, plagas, frío, calor, daño químico o un estado natural del crecimiento. Una sola imagen puede mostrar el síntoma sin su distribución en la parcela, ocultar el envés de la hoja o quedar distorsionada por la iluminación y la cámara. Si el sistema selecciona una causa solo por similitud visual, puede convertir la incertidumbre en una certeza que no se ha ganado. La pregunta aparente y la pregunta real El sistema no comienza generando una respuesta, sino reconstruyendo la pregunta. Según el caso, puede necesitar saber:

• Cultivo, variedad y estado.
• País o jurisdicción.
• ¿Es agricultura al aire libre, protegida, ecológica o dentro de un régimen especial?
• Parte afectada de la planta y distribución de los síntomas.
• ¿Cuándo comenzó la situación y cómo ha cambiado?
• Meteorología, riego, fertilización y pulverizaciones anteriores.
• La existencia de imágenes, mediciones, análisis o diagnósticos especializados.
• Qué producto o material está considerando el usuario.
• El momento de la cosecha o la presencia de trabajadores, animales y agua en las inmediaciones.
• Qué decisión se requiere ahora: un examen, un tratamiento, operar una máquina o comprender un concepto.

No todas las preguntas deben formularse siempre. El sistema selecciona el menor conjunto de información que cambia la decisión o el nivel de seguridad. Abrumar a los usuarios con veinte preguntas antes de ofrecer cualquier ayuda puede alejarlos, mientras que responder de inmediato a una pregunta incompleta puede exponerlos a un daño. Un buen diseño equilibra la necesidad de reunir contexto con la necesidad de ofrecer un paso seguro e inmediato. La consecuencia del error determina la profundidad de la barrera No todas las preguntas comportan el mismo riesgo:

Cuanto mayor es la consecuencia del error, menor es el margen para conjeturas aceptables, mayor la autoridad de la fuente requerida y mayor la necesidad de verificación humana o de campo. De la intención al seguimiento La vía de asesoramiento puede construirse como una secuencia de etapas:

1. Comprensión de la intención: ¿desea el usuario una explicación, un diagnóstico, una acción o información regulatoria?
2. Contexto crucial plural: una pregunta que falta y que puede cambiar la respuesta.
3. Clasificación del riesgo: ¿cuáles son las consecuencias de una respuesta incorrecta o tardía?
4. Recuperación de evidencia: búsqueda de fuentes especializadas y modernas que resulten adecuadas al lugar y al cultivo.
5. Comprobación de autoridad y vigencia: ¿es la fuente oficial, científica o de asesoramiento, y sigue estando vigente?
6. Síntesis acotada: utilizar lo que las fuentes respaldan y no ir más allá.
7. Comprobación de seguridad: detectar dosis, diagnósticos u órdenes que necesiten una barrera adicional.
8. Mostrar la fuente y la incertidumbre: lo que sabemos, lo que no sabemos y por qué.
9. escalado: especificar la entidad, el especialista o la medición siguiente cuando sea necesario.
10. Seguimiento del resultado: ¿qué hizo el usuario, qué ocurrió y qué aprendió el sistema?

El modelo lingüístico no tiene por qué saltarse estos aros porque sea capaz de escribir un párrafo convincente. La fluidez es una función de la presentación, no un enunciado de decisión. La calidad de la pregunta forma parte de la calidad del servicio El sistema no se recompensa a sí mismo únicamente por tiempos de respuesta breves. La mejor primera respuesta podría ser una pregunta certera:

¿Se refiere a manchas en las hojas o en los frutos? ¿Aparece en plantas aisladas o empieza en el borde de la parcela?

Esta pregunta mejora la vía de decisión más que una larga lista de causas posibles. El sistema puede explicar por qué pregunta:

La distribución de los síntomas cambia las probabilidades y el siguiente paso seguro, así que necesito que la describa antes de sugerir una prueba.

Explicar el motivo de la pregunta aumenta la confianza e impide que el usuario sienta que el sistema está dando largas. El paso seguro antes de la respuesta final Cuando un sistema carece de información suficiente para un diagnóstico, no tiene por qué dejar al usuario sin ayuda. Puede sugerir pasos de bajo riesgo que preserven la evidencia y eviten daños mayores, como documentar la distribución de los síntomas, aislar una muestra siguiendo la orientación adecuada, revisar un registro de operaciones, inspeccionar un dispositivo o contactar con la autoridad competente.

Estos pasos necesitan a su vez límites: el sistema no debe presentar un procedimiento sanitario o químico como un «paso temporal» cuando ese procedimiento requiere autoridad profesional o diagnóstico.

Las preguntas difíciles de asesoramiento no se resuelven con un modelo más grande por sí solo. Requieren conocimiento estructurado, contexto local, una ordenación de la autoridad de las fuentes y políticas de abstención y escalado. Esto comienza por reconocer que una base de conocimiento no es una carpeta en la que se arrojan archivos PDF antes de decirle a un modelo que los busque.

2. Una base de conocimiento no es una carpeta de PDF

Una organización puede tener cientos de folletos, manuales, carteles e informes y creer que ha construido una base de conocimiento por haberlos colocado en una sola carpeta. Pero un archivo no se convierte en conocimiento recuperable por el mero hecho de poder abrirse. El sistema debe saber quién lo emitió, cuándo, para qué país y cultivo, si sigue vigente o ha sido sustituido, y qué tipo de autoridad posee.

Dos párrafos pueden ser lingüísticamente similares, mientras que uno procede de un cartel oficial del país y el otro de un artículo general más antiguo o de otra región. Si el sistema ordenara los resultados únicamente por similitud de palabras, podría situar el texto más fácil de leer por encima de la fuente que gobierna la decisión. Carné de identidad de cada fuente Todo documento necesita metadatos que ayuden a juzgarlo antes de leer el contenido:

Estos enunciados no son notas administrativas al pie. Impiden que un texto de otro país o de una edición más antigua se inserte en una respuesta actual sin advertencia. Descomponer el documento sin desgarrar su significado La recuperación suele requerir dividir documentos largos en unidades más pequeñas. Pero el troceado ciego puede separar la dosis del nombre del producto, la excepción de la regla, la fila del título de la tabla o la advertencia de la acción que restringe.

El documento se divide con arreglo a su estructura semántica:

• El título y la jerarquía de la ruta permanecen con cada fragmento.
• El título de la tabla, los encabezados de columna y las unidades permanecen con la fila recuperada.
• La nota al pie o la advertencia se vincula al pasaje que edita.
• Los números de página y de sección se guardan como referencia.
• Las condiciones y las excepciones no se separan de la recomendación.
• Las imágenes, los gráficos y el texto alternativo se tratan como partes relacionadas, no como decoración.

Si el sistema recupera una fila de una tabla de tratamientos y falta el nombre del cultivo, el estado de uso o la unidad, el texto que falta es más grave que no recuperar. La autoridad de la fuente no es una única ordenación para toda pregunta No existe una fuente superior en todas las materias. El regulador es la autoridad para el registro legal, pero no prueba por sí solo el rendimiento de un modelo de visión por computador. Un estudio controlado puede medir una relación en circunstancias concretas, pero no otorga permiso para utilizar un producto. El folleto de orientación puede convertir el conocimiento en pasos locales, pero puede necesitar actualización si cambia el registro.

Por tanto, la fuente se ordena según el tipo de afirmación:

• Preguntas de registro y restricciones: fuente regulatoria competente y vigente.
• Identidad del producto y su método de uso aprobado: la etiqueta de producto aprobada vigente y el documento oficial pertinente.
• Eficacia o rendimiento dentro de un experimento: un estudio preliminar adecuado a la pregunta.
• Principios generales: revisión científica o evidencia institucional autorizada.
• Implementación local: orientación local cualificada con indicación de su ámbito.
• Descripción de un servicio o programa: material del titular del servicio, con la afirmación atribuida a ese titular y no tratada como una evaluación independiente.

El conocimiento no es solo texto La información puede residir en una tabla, un registro, un dato meteorológico, un mapa, una lista de productos o un diccionario terminológico. La búsqueda en texto libre puede encontrar palabras, pero no siempre preserva las relaciones. El sistema necesita enlazar:

Cultivo → estado → problema → país → producto o práctica → restricciones → fuente → fecha de caducidad.

Estas relaciones impiden que una cláusula válida se utilice fuera de la entidad o del lugar al que pertenece. También permiten preguntar a la base de conocimiento por la carencia: ¿tenemos una fuente válida para este país y este cultivo, o no? Nombres locales y legales Los usuarios buscan con los términos que conocen, que pueden no coincidir con un nombre oficial o científico. Por eso el índice enlaza los términos locales con los nombres científicos o legales sin eliminar el original. Conserva la lengua, la región, el contexto y la confianza de cada correspondencia.

Si un nombre local pudiera referirse a dos plagas o sustancias con riesgos distintos, el sistema no selecciona en silencio la coincidencia más próxima. Presenta opciones inteligibles o solicita un rasgo distintivo, y puede utilizar una imagen de referencia cuando proceda. Ciclo de vida de la fuente La base de conocimiento necesita un proceso continuo:

1. Introducir la fuente y comprobar su identidad y sus derechos.
2. Clasificación según autoridad y ámbito.
3. Descomponerla preservando la estructura y el contexto.
4. Revisarla y aprobarla para su indexación.
5. Vigilar su actualización, sustitución o finalización.
6. Reindexar cuando cambie.
7. Averiguar las respuestas o los productos que utilizaron la versión antigua.
8. Retirar la fuente o rebajar su rango manteniendo su impacto histórico.

Una base de conocimiento que no sabe que una fuente ha sido sustituida puede ser peor que la memoria de un modelo antiguo, porque confiere a lo antiguo la apariencia de algo documentado y moderno.

Una vez organizadas así las fuentes, un sistema de generación aumentada por recuperación puede utilizarlas. La vía sigue exigiendo salvaguardas: una buena recuperación es una condición de una respuesta responsable, no una garantía de ella.

3. La vía de la generación aumentada por recuperación

La generación aumentada por recuperación, o RAG, permite a un modelo buscar en fuentes definidas y gobernadas antes de componer una respuesta, en lugar de fiarse únicamente de lo que se acumuló en sus pesos durante el entrenamiento. Su valor en agricultura es claro porque los registros, las etiquetas de producto aprobadas, la orientación, los precios y la meteorología cambian, y porque la aplicabilidad difiere entre países y cultivos.

Añadir un motor de búsqueda a un modelo de lenguaje no crea automáticamente un asesor fiable. Si el repositorio está desactualizado, los documentos están mal segmentados o los resultados se ordenan solo por similitud lingüística, el modelo producirá una respuesta más persuasiva a partir de evidencia no válida. La vía como barreras La vía responsable puede representarse así:

Pregunta del usuario → comprender la intención → reunir contexto → clasificar el riesgo → construir la consulta → recuperar candidatos → filtrar por autoridad y vigencia → comprobar conflictos e integridad → ordenar la evidencia → síntesis acotada → revisión de seguridad y proporcionalidad → responder con fuente, límites y escalado

Cada flecha representa la probabilidad de perder significado o de introducir un error. Por eso el proceso no se reduce a «investigar y escribir». 1\. Comprender la pregunta y construir el contexto El sistema separa lo que el usuario dijo de lo que él infirió. Si un usuario escribe «Mis hojas están amarillas», conserva el texto original y a continuación pregunta por el cultivo, el estado, la distribución y la ubicación. No añade un diagnóstico a la consulta antes de que exista evidencia.

Podría reformular lo que ha entendido:

Entiendo que está observando un amarilleo de las hojas de tomate dentro de un invernadero, que empezó hace tres días y que aparece primero en las plantas cercanas a la entrada. ¿Es correcto?

La corrección temprana permite evitar toda una serie de recuperaciones falsas. 2\. Clasificación del riesgo antes de la recuperación El sistema determina si la pregunta es educativa, diagnóstica, si atañe a un insumo regulado, si atañe a la salud y la seguridad o si implica control físico. Esta clasificación afecta a:

• El tipo de fuentes aceptables.
• La cantidad de contexto requerida.
• Si pueden ofrecerse alternativas.
• La necesidad de revisión humana.
• Lo que el sistema debe abstenerse de formular.

Un formulario no debería clasificar una pregunta como de bajo riesgo solo porque el usuario la haya redactado en forma genérica. «¿Puedo mezclar estos dos productos?» Puede parecer una pregunta informativa, pero tiene consecuencias operativas y organizativas. 3\. Recuperar candidatos El sistema construye una búsqueda que reúne términos visibles, sinónimos, entidades y contexto. Pueden emplearse la similitud semántica, la búsqueda por palabras y las relaciones estructuradas. Pero la recuperación inicial trae candidatos, no fuentes fiables para la respuesta.

Un documento puede aparecer porque emplea las mismas palabras, aunque trate de otro cultivo o de otro país. Por eso los filtros van antes de la generación. 4\. Filtrado de autoridad y autoridad El sistema comprueba:

• La jurisdicción geográfica.
• La fecha de entrada en vigor y de revisión.
• El cultivo, la variedad y el estado cuando sea necesario.
• El tipo de fuente y su destino.
• La lengua y el estado de la traducción.
• La integridad de la sección y el contexto de la tabla.
• Los derechos de presentación y de cita.
• Si existe un conflicto o una actualización más reciente.

Un infinitivo que incumple una condición crítica no asciende en la ordenación por el mero hecho de su similitud lingüística. 5\. Ordenación de la evidencia La ordenación equilibra múltiples factores:

Esta ordenación no se convierte en un número secreto que el auditor no comprende. Se conservan las razones para elegir una fuente y excluir otras, especialmente en decisiones sensibles. 6\. Formulación ligada a la evidencia Se instruye al modelo para que utilice únicamente lo que respaldan los pasajes recuperados, distinga la cita o el resumen de la inferencia y no rellene lagunas con la memoria del modelo. Si una fuente establece una regla general pero no cubre el producto o el país, el sistema lo dice en lugar de extender la regla a un caso no cubierto.

Es preferible construir la respuesta a partir de unidades:

• Lo que el sistema comprendió de la pregunta.
• Lo que dicen las fuentes cualificadas.
• Lo que falta es el contexto.
• Lo que puede hacerse con seguridad ahora.
• Lo que el sistema no puede informar.
• La fuente, su fecha y su ámbito.
• Escalado o seguimiento.

7\. Comprobación de seguridad y proporción Antes de mostrar la respuesta, el sistema comprueba si el texto:

• Inventa una cifra, una dosis o un periodo.
• Atribuye una afirmación a una fuente que no la respalda.
• Oculta una condición o una excepción.
• Mezcla dos países o productos similares.
• Ofrece un diagnóstico definitivo a partir de evidencia probabilística.
• Utiliza un infinitivo terminado o incompleto.
• Excede el nivel de potestad admisible.

En casos de alta consecuencia, esta revisión no es meramente lingüística; puede requerir reglas deterministas, procedencia formal y revisión humana. Niveles de servicio según el riesgo

• Riesgo bajo: explica un concepto, ayuda a organizar un registro u ofrece un recurso público adecuado.
• Riesgo medio: ofrece posibilidades o alternativas, solicita una analogía, una imagen o un contexto, e impide el paso a una acción no realizada.
• Riesgo alto: acota la pregunta, presenta la fuente oficial adecuada, ofrece precauciones que no exceden su autoridad y escala a un especialista o a un organismo autorizado.

Este escalonamiento no vuelve al sistema menos útil; ajusta el grado de ayuda a la evidencia disponible y al riesgo. Pero ni la mejor vía de recuperación puede reparar un documento desactualizado o una base de conocimiento deficiente: puede encontrar lo que existe, no convertirlo en una fuente válida.

4. La recuperación no arregla una fuente deficiente

Un sistema puede recuperar exactamente el párrafo correcto del documento equivocado. Puede citar un texto sólido de una publicación desactualizada, de otro país o de una recomendación para un cultivo distinto. La cuestión en tales casos no es si el modelo comprendió el párrafo, sino si ese párrafo debería haber entrado en la respuesta en absoluto.

La recuperación acelera el acceso a una fuente, pero no le confiere una autoridad, una vigencia o una pertinencia que la fuente no poseía. Filtros previos a la generación

La fuente correcta para la pregunta correcta Si un usuario pregunta qué puede significar un síntoma agrícola, una revisión científica o un folleto de extensión puede resultar adecuado para desarrollar posibilidades. Si pregunta por el registro o el uso de un producto, el sistema necesita una fuente regulatoria autorizada. Si pregunta por el rendimiento de un producto concreto, un anuncio de la empresa no basta para establecer un efecto independiente.

La profesionalidad no consiste en situar una fuente oficial por encima de cualquier otra fuente en todas las preguntas, sino en elegir el tipo de fuente que tiene autoridad para responder a la afirmación concreta. Los conflictos no se resuelven por votación La plataforma puede recuperar dos fuentes diferentes. Esto no significa que elijamos la más numerosa ni la más reciente sin más. Necesitamos saber:

• ¿Hablan del mismo país?
• ¿Es una la actualización de la otra?
• ¿Responden a dos preguntas distintas?
• ¿Son distintos los métodos de medición o las categorías?
• ¿Es una una regla vinculante y la otra una interpretación general?

Si el conflicto sigue siendo sustantivo, el sistema lo muestra con claridad y no fabrica un acuerdo. Puede decir:

He encontrado dos fuentes cualificadas que discrepaban sobre este requisito y no he podido encontrar una actualización que resolviera el conflicto. Es necesario consultar a la autoridad competente antes de tomar la decisión. La ausencia de una fuente es una consecuencia, no una avería que deba ocultarse Cuando no existe una fuente oficial válida para el país, el cultivo o la fecha, la formulación profesional es:

No dispongo de una fuente válida en este país para hacer esta recomendación.

El sistema ayuda entonces solo dentro de los límites de la evidencia:

• Solicita el nombre del producto o una imagen de su etiqueta.
• Especifica el organismo regulador o de orientación que debería consultarse.
• Se sugiere documentar los síntomas o guardar una muestra conforme a un procedimiento seguro.
• Muestra la información general como general, no como instrucciones locales.

La negativa aquí no es un fallo de la recuperación; es el éxito de una barrera que impide que una fuente inadecuada se convierta en respuesta. Una revisión del inventario no es menos que una revisión del modelo El equipo de conocimiento necesita indicadores como:

• Proporción de fuentes vigentes frente a archivadas.
• Países, cultivos y lenguas no cubiertos.
• Documentos que caducarán próximamente.
• Secciones que fallan por faltar una tabla o una nota al pie.
• Preguntas que no encuentran una fuente cualificada.
• Conflictos abiertos y quién los revisa.
• Respuestas que dependen de una fuente que cambiará más adelante.

Estos indicadores convierten el vacío de conocimiento en un plan de acción, en lugar de que el modelo lo rellene con conjeturas.

No basta con que las fuentes sean correctas en una sola lengua. La orientación llega a usuarios con lenguas, dialectos y niveles de lectura distintos, y una consulta por voz puede entrar en un entorno ruidoso. Por eso la interfaz multilingüe pasa a formar parte de la integridad del significado, y no es una capa cosmética sobre el sistema.

5. La interfaz multilingüe: acercar el conocimiento sin cambiar su significado

Un agricultor puede conocer un nombre local ausente de los boletines oficiales, pronunciar el nombre de una sustancia de forma distinta a su grafía o emplear una unidad habitual en la zona. Si una plataforma obliga a los agricultores a usar un lenguaje científico o administrativo que no manejan, pueden no encontrar el conocimiento adecuado aun cuando exista.

Pero traducir no es sustituir palabras por palabras. Los nombres de cultivos, variedades, plagas, enfermedades, sustancias, unidades y advertencias llevan consigo diferencias que pueden cambiar la decisión. El nombre local puede ser la descripción de un síntoma más que un diagnóstico, o puede referirse a más de un organismo en dos regiones distintas. Tres capas de lengua El sistema puede guardar:

1. Lengua del usuario: la palabra o expresión tal como se escribió o se pronunció.
2. Concepto de referencia: la entidad científica u organizativa asociada a ella tras la verificación.
3. Lengua de la fuente: el texto en el que estaba contenida la información y la autoridad para traducirlo.

Una capa no sustituye a otra. Si el agricultor emplea un nombre local, el nombre se conserva, y el sistema muestra el concepto de referencia sugerido y la puntuación de confianza, y permite la corrección. Cuando la ambigüedad cambia la acción Si un término tiene dos significados que conducen a acciones distintas, el sistema no debería elegir en silencio la palabra más próxima. Puede preguntar:

Cuando dice «insecto blanco», ¿se refiere a insectos pequeños que vuelan al mover la hoja, o a una capa blanca que permanece inmóvil sobre su superficie?

Puede ofrecer opciones gráficas o descripciones distintas, siempre que no convierta la elección en un diagnóstico definitivo sin evidencia suficiente.

Lo mismo vale para los nombres de producto. Las marcas comerciales pueden ser iguales o pueden diferir la sustancia activa, la concentración y el registro. Por eso el sistema pide el nombre completo, una imagen de la etiqueta y el país, y no basa una acción sensible en un nombre abreviado o en una pronunciación posible. Traducción científica y advertencias La traducción necesita proteger elementos que no pueden redondearse libremente:

• Nombres de sustancias activas y de productos registrados.
• Unidades de dosis, concentración y superficie.
• Periodos de tiempo y advertencias.
• Nombres de cultivos, plagas y enfermedades.
• La negación, la excepción y las condiciones.
• Autoridades geográficas y especialidades.

Un pequeño error en la unidad o en la partícula de negación puede volver peligrosa la traducción. Por eso el sistema conserva el texto original, muestra que el texto traducido es una traducción, quién la revisó y cuándo. En una decisión regulatoria o sensible, el fragmento original puede mostrarse junto a la traducción para quienes puedan revisarlo. El audio amplía el acceso y añade nuevos fallos La voz puede convenir a quien tiene las manos ocupadas mientras trabaja, o a quien prefiere hablar a escribir. Pero añade una capa de reconocimiento del habla afectada por el acento, el ruido, el viento y los nombres de producto poco familiares.

El texto interpretado no pasa directamente a una decisión. El sistema muestra lo que ha oído:

He entendido que ha dicho: «Tomates, inicio de floración, manchas en las hojas inferiores». ¿Es correcto?

Para un término de alta consecuencia, como el nombre de una sustancia, una cifra o una unidad, el sistema pide confirmación explícita. También puede permitir al usuario seleccionar y corregir el término en lugar de grabar de nuevo todo el mensaje. Interfaz adecuada para la lectura y el trabajo de campo El multilingüismo no funciona si la pantalla está abarrotada o el texto es largo. La respuesta puede presentarse por capas:

• Un resumen breve que pueda leerse o escucharse.
• El siguiente paso seguro.
• La advertencia está en su sitio, no en un extremo lejano.
• Botón para ver la fuente y los detalles.
• Imágenes o símbolos de apoyo que no sustituyen a las palabras.
• La posibilidad de ampliar el texto y guardar la respuesta para trabajar sin conexión.

El significado no depende solo del color, ni de un símbolo cuya interpretación pueda variar. Las cifras y las unidades se leen con claridad y pueden repetirse y mostrarse por escrito. Medir la equidad entre lenguas No basta con tener un buen rendimiento medio si una lengua es débil. Se mide para cada lengua y dialecto:

• Comprensión exacta de la intención y de las entidades.
• Nombres correctos de los cultivos, los materiales y las unidades.
• Calidad de la recuperación a partir de fuentes competentes.
• Integridad de la traducción y de la proporción.
• Tasa de abstención correcta e incorrecta.
• Comprensión por parte del usuario de la respuesta y del paso siguiente.

La cobertura de la procedencia puede ser deficiente en una lengua, aunque el modelo sea capaz de hablarla con fluidez. El sistema debería aclarar la diferencia entre ser capaz de generar lenguaje y poseer un conocimiento controlado de esa lengua y de ese contexto.

Una interfaz multilingüe lograda hace algo más que dar al sistema una apariencia local; preserva el significado, los límites y la autoridad a medida que la pregunta y la respuesta transitan entre lenguas. Cuando persiste la ambigüedad o falta evidencia, el sistema necesita un lenguaje explícito para la incertidumbre y para la abstención responsable.

6. Incertidumbre y abstención: cuando «no lo sé» forma parte del servicio

Los modelos lingüísticos pueden formular una respuesta completa incluso cuando la pregunta es incompleta o la fuente es débil. Esta capacidad resulta útil en la explicación y peligrosa en la decisión. Porque un planteamiento seguro de sí mismo puede ocultar que el sistema adivinó el cultivo, el país, el diagnóstico o la unidad.

La incertidumbre no es una cifra única. Puede deberse a:

• Ambigüedad de la pregunta o del término.
• Falta de contexto del campo, de la fase o del lugar.
• Imagen o medición débil.
• Fuentes cualificadas contradictorias.
• Ausencia de fuente válida.
• La situación se aparta de la experiencia del modelo.
• La posibilidad de varias causas que no pueden separarse a distancia.
• Una restricción legal o regulatoria que impide la recomendación.

Identificar el tipo de incertidumbre ayuda a elegir el paso siguiente. La falta de una imagen se trata mejor, la ausencia de un país se trata con una pregunta y las fuentes contradictorias requieren una autoridad competente, mientras que la ausencia de evidencia válida puede obligar a la abstención. Tres casos de respuesta

El tercer caso no debe convertirse en un «consulte a un especialista» mecánico tras un párrafo lleno de instrucciones. Si el sistema se abstiene, no debe preceder esa abstención de una prescripción implícita que el usuario pueda llevar a cabo. Estructura de la incertidumbre dentro de la respuesta El sistema puede decir:

Lo que sé: La fotografía muestra amarilleamiento de las hojas inferiores. Lo que no sé: No dispongo de la distribución de los síntomas ni de un registro de riego y fertilización, y no puedo distinguir la causa solo a partir de la imagen. Por qué importa: Las causas posibles requieren acciones distintas, y algunos tratamientos pueden agravar el daño. La siguiente información: Una imagen de la planta entera, una descripción de la distribución de los síntomas y la fecha de la última fertilización y del último riego. Paso seguro ahora: Evite el tratamiento sin diagnóstico y documente las ubicaciones afectadas. derivación: Si el deterioro es rápido o extenso, contacte con un asesor o un especialista local.

Esta estructura hace que la incertidumbre sea accionable, en lugar de una advertencia general. La confianza no significa acertar Un sistema puede asignar una probabilidad alta porque encuentra una fuerte similitud con sus datos y, aun así, no saber que el cultivar, el clima o el producto difieren. Puede estar seguro de haber comprendido un término mientras que la fuente que recuperó es antigua. Deben separarse, por tanto, varias formas de confianza:

• Confianza en la comprensión de la pregunta.
• Confianza en la vinculación del término con una entidad.
• Confianza en la calidad de la entrada.
• Confianza en la idoneidad de la fuente.
• Confianza en la interpretación o la recomendación.

Puede haber una alta y otra baja. No debe reducirse a una franja verde que sugiera una seguridad integral. La abstención tiene umbrales y políticas Abstenerse no se deja al humor del modelo. Existen reglas claras, como:

• Ninguna dosis sin producto, concentración, cultivo, país y fuente válidos.
• Ningún diagnóstico concluyente a partir de una sola imagen resulta suficiente.
• No hay recomendación automatizada cuando dos fuentes competentes se contradicen.
• No utilizar una fuente fuera de su jurisdicción geográfica sin una declaración.
• Ninguna orden de operación cuando se pierde una medición básica o se supera un límite de seguridad.
• No divulgar información sensible fuera de la autoridad del usuario.

También se prueban los umbrales para que el sistema no lo rechace todo y resulte inútil, ni responda a todo y resulte inseguro. La derivación es un camino, no un callejón sin salida Una buena derivación determina:

• El tipo de especialista o entidad requerido.
• Qué información debe prepararse.
• El grado de urgencia y por qué.
• ¿Cuáles son los pasos seguros para obtener ayuda?
• ¿Cómo vuelve la respuesta del especialista al registro del caso?

Si el sistema deriva al usuario a un especialista sin transmitir el contexto, las imágenes y las fuentes que recopiló, el usuario se ve obligado a contar la historia desde cero. Con su consentimiento, puede crearse un resumen compartible que explique la pregunta, lo que se recopiló y lo que sigue siendo desconocido.

Un sistema que se abstiene en el momento adecuado no abandona al usuario; impide que el lenguaje se adelante a la evidencia y dirige al usuario al paso siguiente, más seguro. El valor de estos principios se hace más evidente en los casos de programas y proyectos, donde la presencia de una idea o de una integración de código debe distinguirse de la operación, de la eficacia demostrada y del impacto agrícola.

7. Modelos reales de asesoramiento agrícola inteligente: ¿qué ofrecen y qué establece la evidencia?

Las tres aplicaciones siguientes no pertenecen a la misma categoría y no deben presentarse en una sola lista que sugiera un grado equivalente de madurez o impacto. Farmer.Chat es un servicio que ya utilizan agricultores y que cuenta con datos de uso y un estudio de campo de alcance limitado. GAIA no es tanto una aplicación única como un programa de investigación y desarrollo que estudia cómo construir asesoramiento agrícola generativo sobre fundamentos científicos y éticos. Aladdin AgroGenie, por su parte, es una arquitectura gobernada de búsqueda y recuperación dentro del ecosistema Aladdin. Cuenta con evidencia concreta del repositorio y una cobertura considerable de pruebas locales, pero aún no ha completado el recorrido probatorio hasta el funcionamiento en un entorno activo o el impacto en campo.

La comparación no pregunta, por tanto, «¿cuál es mejor?». Plantea preguntas más precisas: ¿qué problema intenta resolver cada sistema?, ¿cómo recupera la información?, ¿qué clase de evidencia existe?, ¿dónde termina su capacidad y dónde comienza la necesidad del juicio humano?

Farmer.Chat — Un asesor agrícola multilingüe en el bolsillo del agricultor

Un agricultor en el campo puede estar observando hojas amarillas, un animal que ha perdido el apetito o un cielo que anuncia lluvia. La pregunta rara vez se formula en un lenguaje científico completo. Puede llegar como una imagen, una frase hablada en un dialecto local o una oración breve como «¿qué le ocurre a esta planta?» o «¿debo regar hoy?». Farmer.Chat, desarrollado por Digital Green, está concebido para acortar la distancia entre esa pregunta cotidiana y un conocimiento agrícola que pueda utilizarse a tiempo.

El servicio permite formular preguntas mediante texto, voz o imágenes y utiliza la ubicación para adaptar las respuestas al cultivo, las condiciones meteorológicas y el contexto local. Entre los temas declarados figuran la gestión de cultivos y plagas, la fertilización, el riego, el clima, la ganadería y cierta información de mercado. Los materiales de la segunda versión explican que el sistema ahora formula en ocasiones una o dos preguntas aclaratorias antes de responder. Puede solicitar la superficie de la parcela, la ubicación o una imagen más nítida, en lugar de construir una recomendación precisa a partir de una pregunta incompleta [SRC039][SRC040][SRC041].

Esto importa porque una pregunta agrícola no queda completa solo con palabras. Una misma pregunta —«¿cuándo debo sembrar maíz?»— puede exigir conocer la región, la campaña, la disponibilidad de riego, la variedad y el historial de lluvias. Cuanto más contexto pueda reunir el sistema antes de responder, menor será el riesgo de que ofrezca un consejo lingüísticamente correcto pero inadecuado para la parcela en cuestión.

Digital Green informa de que, en julio de 2026, Farmer.Chat había llegado a más de 1,7 millones de agricultores en seis países y dieciséis lenguas. También comunica datos internos según los cuales, tras la segunda versión, aumentó la proporción de personas que abrían la aplicación y formulaban una pregunta real: del 36,6 % al 58,9 % en la India, del 37,7 % al 55,8 % en Kenia, del 45,1 % al 60,2 % en Etiopía y del 44,8 % al 57,4 % en Nigeria. El número medio de preguntas por usuario activo también aumentó en los cuatro mercados [SRC041].

Estas cifras miden uso y participación. Por sí solas no miden la corrección del diagnóstico, la seguridad de las dosis ni los efectos sobre el rendimiento y los ingresos. Tampoco son intercambiables los términos «personas alcanzadas», «usuario», «descarga» y «usuario activo». Por ello, las cifras publicadas en momentos distintos no deben sumarse ni compararse directamente salvo que estén claros la definición, el periodo y el método de cálculo de cada indicador.

Una evaluación realizada por 60 Decibels en colaboración con Digital Green aporta evidencia de campo más útil. Abarcó a 450 agricultores kenianos y señaló que el 83 % utilizaba por primera vez un servicio de asesoramiento agrícola de este tipo, mientras que el 87 % no veía ninguna alternativa adecuada a su alcance. Siete de cada diez dijeron haber actuado conforme a una recomendación de Farmer.Chat durante los treinta días anteriores a la entrevista. El 61 % fue clasificado como «usuario significativo», frente a una referencia keniana del 27 % en el estudio más amplio de 60 Decibels sobre herramientas agrícolas digitales [SRC042].

La evaluación intentó ir más allá de preguntar a los usuarios si se habían beneficiado. Los investigadores vincularon las tres últimas preguntas registradas de cada agricultor con las acciones que este recordaba durante la entrevista. El 96 % recordó al menos una pregunta, el 66 % dijo haber actuado conforme a una respuesta y, dentro de ese grupo, el 80 % describió una acción total o parcialmente coherente con la recomendación registrada [SRC042].

Esta evidencia es más sólida que un recuento de descargas, pero aún exige una interpretación cuidadosa. El estudio se realizó en un solo país, dependió en gran medida del recuerdo y la declaración de los participantes y no fue un ensayo agrícola aleatorizado que midiera rendimiento, beneficio, seguridad de los plaguicidas o corrección diagnóstica. La coherencia entre la acción del agricultor y el consejo demuestra que este influyó en el comportamiento; no demuestra necesariamente que el consejo fuera correcto. Cabe destacar que el 99 % de los participantes describió las recomendaciones del sistema como dignas de confianza. Una confianza elevada puede favorecer la adopción, pero se convierte en un riesgo si avanza más deprisa que la capacidad del sistema para detectar el error, abstenerse y derivar el caso.

Los recursos abiertos asociados al proyecto revelan otra dimensión de su madurez. Digital Green ha publicado un conjunto de datos con aproximadamente 1,45 millones de pares de preguntas de agricultores y respuestas generadas entre agosto de 2024 y junio de 2026, del que se eliminaron nombres, números de teléfono y otros identificadores personales [SRC043]. El conjunto es útil para estudiar tipos de preguntas, cultivos y temas recurrentes, pero no constituye por sí mismo un «conjunto de datos de referencia»: sus respuestas fueron generadas por máquinas y su ficha indica que la selección se basó en mensajes iniciados por usuarios que preferían el inglés. Por tanto, no puede establecer por sí solo la calidad del sistema en las dieciséis lenguas.

También se ha publicado una biblioteca abierta para gestionar las instrucciones (prompts) de Farmer.Chat en modelos de OpenAI, Gemma y Llama. Incluye herramientas para descomponer una respuesta en afirmaciones comprobables, evaluar su especificidad y pertinencia, comparar esas afirmaciones con hechos de referencia y detectar contradicciones [SRC044]. Es un paso útil hacia una evaluación sistemática, pero el repositorio representa un componente de gestión y prueba de instrucciones, no el código completo del servicio de producción. Ni la arquitectura interna completa del servicio ni su nivel último de seguridad pueden inferirse únicamente de ese repositorio.

La interfaz de voz, por importante que sea para usuarios con alfabetización limitada, sigue siendo uno de los eslabones más difíciles del sistema. Una prepublicación de 2026 evaluó 10.934 grabaciones agrícolas en hindi, telugu y odia con varios modelos de reconocimiento automático del habla. La mejor tasa de error de palabras para el hindi fue del 16,2 %, mientras que el mejor resultado para el odia siguió siendo del 35,1 % y solo se logró con separación de hablantes [SRC045]. En términos prácticos, «compatibilidad con voz» no es una capacidad equivalente en todas las lenguas. Un sistema puede comprender de forma aceptable una lengua con abundantes recursos y, sin embargo, oír mal el nombre de un plaguicida, una plaga o una unidad de medida en otra con menos recursos. En agricultura, una sola letra puede cambiar una sustancia, una dosis o una enfermedad. Por eso, el sistema debe mostrar lo que ha entendido y permitir que el usuario lo corrija antes de convertir esa interpretación en una recomendación.

El estudio de 60 Decibels también señala que aproximadamente el 10 % de los agricultores participantes encontró algún problema, entre ellos lentitud, actualizaciones, reconocimiento de imágenes o respuestas demasiado largas o complejas [SRC042]. No es un juicio exhaustivo sobre el servicio, pero recuerda que una «respuesta correcta» no basta si llega tarde, se expresa en un lenguaje inaccesible o se apoya en una imagen que el sistema no comprendió adecuadamente.

La privacidad no es un asunto periférico. La política de Digital Green señala que la organización puede tratar imágenes, vídeos, datos de ubicación, interacciones con el chatbot e información del dispositivo; utilizar proveedores de analítica, chatbots, información meteorológica y diagnóstico de plagas y enfermedades; y transferir potencialmente datos entre países. La política permite solicitar acceso, corrección o eliminación conforme a la legislación aplicable, pero vincula la conservación a la finalidad y las obligaciones jurídicas, en lugar de fijar un único plazo sencillo para todos los tipos de datos [SRC046]. En un entorno agrícola, una imagen, una ubicación y una pregunta pueden revelar más de lo que parece a primera vista: el cultivo, el estado de la parcela, la campaña de producción y quizá las circunstancias económicas del propietario.

Principales fortalezas de Farmer.Chat:

• Puede proporcionar acceso al conocimiento más rápido que esperar la visita de un agente de extensión agraria en zonas con cobertura deficiente.
• Admite preguntas por voz, texto e imágenes, algo importante cuando varían los niveles de alfabetización.
• Es compatible con lenguas locales y con un contexto sensible a la ubicación, en lugar de depender solo del inglés o de consejos genéricos.
• Su versión más reciente solicita cierta información aclaratoria antes de responder.
• Se conecta con redes de extensión y socios locales, en vez de presentarse como un modelo de lenguaje aislado.
• Ha puesto ciertos datos y herramientas de evaluación a disposición de la investigación y el escrutinio públicos.
• Cuenta con un estudio de usuarios relativamente independiente del equipo del producto, y no solo con cifras de descargas o testimonios comerciales.

Principales limitaciones y riesgos de Farmer.Chat:

• La evidencia disponible es más sólida sobre alcance, participación y acciones declaradas que sobre la corrección de los consejos o su efecto en el rendimiento y los ingresos.
• El estudio keniano no establece una exactitud equivalente entre países, cultivos o lenguas.
• El reconocimiento de dialectos y términos agrícolas hablados sigue siendo desigual, especialmente en lenguas con menos recursos.
• El diagnóstico a partir de una sola imagen puede verse afectado por la iluminación, el ángulo de la cámara, síntomas parecidos y la falta de información sobre suelo y clima.
• Algunas respuestas pueden ser demasiado largas o complejas para sus destinatarios.
• Una confianza elevada de los usuarios aumenta las consecuencias de un posible error, no las reduce.
• La personalización mediante ubicación, imágenes y voz aumenta el valor del servicio, pero también la sensibilidad de los datos que deben protegerse.
• El asesoramiento automatizado no debe desplazar a un veterinario o agrónomo cuando el caso implique un diagnóstico crítico, un plaguicida, un medicamento o una dosis con consecuencias sanitarias o jurídicas.

Rango de evidencia actual: Un servicio operativo con alcance comunicado, respaldado por un estudio de usuarios geográficamente limitado y por recursos abiertos de investigación. En las fuentes aquí examinadas, todavía no cuenta con evidencia independiente suficiente de exactitud agrícola general ni de un efecto causal sostenido sobre el rendimiento y los ingresos en todos los países y lenguas.

Lo que el ejemplo conserva: El valor del diálogo multimodal, la lengua local y las conexiones con redes de extensión, junto con la importancia de medir si los usuarios entendieron el consejo y actuaron en consecuencia.

Lo que no puede inferirse: Que toda respuesta sea correcta; que una imagen baste para el diagnóstico; que la compatibilidad sea equivalente entre lenguas; o que un mayor uso implique automáticamente una mayor producción o beneficio.

GAIA — Un programa para construir asesoramiento generativo, no una aplicación única

El nombre GAIA puede sugerir otro chatbot que compite con Farmer.Chat, pero esa interpretación se queda corta. Aquí, GAIA significa Generative AI for Agriculture Advisory —inteligencia artificial generativa para el asesoramiento agrícola—, un programa de investigación y desarrollo dirigido por IFPRI en colaboración con CABI, Digital Green, SCiO y la Universidad de Florida, con apoyo de la Fundación Gates y del Ministerio de Asuntos Exteriores, de la Commonwealth y de Desarrollo del Reino Unido. La página del proyecto de CABI sitúa el periodo del programa entre abril de 2024 y mayo de 2027 [SRC047][SRC048].

GAIA no empieza preguntando «¿qué modelo de lenguaje debemos usar?». Parte de una pregunta más profunda: «¿qué condiciones hacen que el asesoramiento agrícola generado sea exacto, inteligible, equitativo y lícito?». Por ello, su trabajo no se limita a una interfaz conversacional. Abarca la preparación, licencia y gobernanza de contenidos agrícolas; la prueba de cómo se entrega el asesoramiento; el desarrollo de normas para evaluar modelos; el estudio de sesgos de género y lingüísticos; y la conexión de las respuestas con el clima, datos de teledetección, imágenes y registros históricos.

En su primera fase, CABI creó una infraestructura mediante la cual los socios podían utilizar 463 documentos agrícolas revisados por expertos bajo condiciones de licencia definidas. Un prototipo basado en contenidos de CABI se probó con temas de banano y tomate en Kenia, y de banano y arroz en la India. Las pruebas no se dirigieron a una audiencia anónima en línea: entre los participantes hubo agentes de extensión, «doctores de plantas», representantes de organizaciones de productores y organismos agrícolas [SRC048][SRC049].

Los materiales del proyecto indican que dos talleres en Kenia reunieron a cuarenta participantes en los condados de Nakuru y Taita Taveta, mientras que un taller en la India reunió a cuarenta y un participantes, trece de ellos mujeres. Se utilizaron tareas guiadas y abiertas para evaluar la usabilidad de la interfaz, la calidad del diálogo y la pertinencia y exactitud de las respuestas percibidas por los usuarios. Parte de las pruebas se trasladó también a clínicas de plantas en Kenia para observar el modelo en un entorno menos controlado que un taller de formación [SRC049].

La página del proyecto informa de que más del 90 % de los participantes en las pruebas afirmó que utilizaría la herramienta con regularidad [SRC048]. Es una señal alentadora de aceptación, pero no equivale a medir la exactitud agrícola ni el impacto en campo. La intención de uso es un resultado perceptivo y puede verse influida por la novedad o la facilidad de uso. El resumen de la página tampoco ofrece suficiente detalle sobre el denominador, la distribución de participantes, las diferencias entre países y cultivos o el método utilizado para verificar de manera independiente cada respuesta.

La segunda fase, de abril de 2025 a mayo de 2027, pretende ampliar los contenidos fiables, construir una colección compartida de conocimiento, desarrollar herramientas normalizadas para probar el rendimiento de los modelos e incorporar datos en tiempo real y multimodales, como el clima, la teledetección, las imágenes y los registros históricos. También incluye análisis jurídicos en Kenia, la India y Etiopía, investigación sensible al género y pruebas de campo más amplias [SRC048].

Una de las contribuciones importantes de GAIA es tratar los derechos sobre los contenidos como parte de la seguridad del asesoramiento. El conocimiento agrícola exacto no aparece de la nada; es obra de científicos, profesionales de la extensión, instituciones y comunidades locales. Como parte del programa, CABI desarrolló un modelo de licencia para contenidos de inteligencia artificial que especifica los derechos de uso, la atribución de la fuente, los límites al uso comercial y la protección de la propiedad intelectual original [SRC050][SRC051]. Esto aborda un problema recurrente de los sistemas generativos: una respuesta puede parecer gratuita aunque se haya construido con contenidos a cuyos titulares no se reconoció el derecho a consentir, recibir atribución o participar de los beneficios.

La gobernanza no elimina automáticamente el riesgo. El informe del programa sobre riesgos y ética identifica inquietudes relativas a la escasa representación de los datos, la opacidad del modelo, la privacidad, los desequilibrios de poder entre los desarrolladores del sistema y los titulares del conocimiento, y la posible marginación del conocimiento tradicional. El propio informe se clasifica como literatura gris sometida a revisión interna y constituye la base de una herramienta ética aún en desarrollo. Debe tratarse, por tanto, como un marco importante, no como una certificación externa de que se hayan resuelto todos los riesgos [SRC052].

Principales fortalezas de GAIA:

• Trata el asesoramiento generativo como un sistema institucional que combina conocimiento, tecnología, licencias y evaluación, y no solo como una interfaz conversacional.
• Utiliza contenidos agrícolas seleccionados y revisados, en lugar de depender por entero del conocimiento general de un modelo.
• Involucra a agentes de extensión, doctores de plantas y usuarios en el diseño y las pruebas.
• Incluye entre sus objetivos de evaluación la exactitud, la pertinencia local, la atribución y la equidad de género.
• Trabaja en herramientas normalizadas que podrían servir a más de una aplicación u organización.
• Reconoce que el contenido científico conlleva derechos y costes, y busca un modelo de licencia que equilibre el acceso con la protección de la fuente.
• Prevé integrar datos meteorológicos, imágenes y teledetección, lo que puede vincular más estrechamente una respuesta con el lugar y el momento del campo.

Principales limitaciones y riesgos de GAIA:

• GAIA es un programa de investigación y desarrollo, no un único producto terminado que pueda evaluarse como una aplicación uniforme.
• La mayoría de los resultados publicados hasta la fecha se refieren a prototipos, aceptación y gobernanza, no a efectos a largo plazo sobre el rendimiento o los ingresos.
• Las pruebas iniciales se centraron en un número limitado de países, cultivos y participantes; muchos de ellos eran personal de extensión o especialistas, no una muestra representativa de todos los agricultores.
• La disposición a utilizar la herramienta indica aceptación inicial, no exactitud diagnóstica ni seguridad de las recomendaciones.
• Algunas capacidades avanzadas —entre ellas la integración amplia de datos en tiempo real y multimodales y las herramientas normalizadas de evaluación comparativa— son objetivos de la segunda fase y no resultados ya concluidos.
• Ampliar los contenidos fiables conlleva costes continuos de edición, revisión, licencia y actualización.
• Una dependencia excesiva de contenidos institucionales puede marginar conocimientos locales válidos si no existe un mecanismo justo para admitirlos, atribuirlos y revisarlos.
• Una buena gobernanza mejora la seguridad, pero añade tiempo, coste y complejidad; sin financiación sostenible, las herramientas pueden permanecer en fase experimental.

Rango de evidencia actual: Un programa de investigación con múltiples socios, prototipos documentados, pruebas con usuarios, trabajo de gobernanza e instrumentos de licencia, mientras que los resultados más amplios de la segunda fase y el impacto agrícola comparativo siguen en desarrollo y evaluación.

Lo que el ejemplo conserva: Un asesor agrícola responsable no se construye solo a partir del modelo, sino de contenidos cualificados, licencias, atribución, pruebas y participación de profesionales de la extensión y agricultores.

Lo que no puede inferirse: Que GAIA sea un producto comercial terminado; que su prototipo sea adecuado para todo cultivo y país; o que la aceptación comunicada pruebe la corrección de sus respuestas o mejoras en rendimiento e ingresos.

Aladdin AgroGenie — Búsqueda agrícola mediada por evidencia dentro del ecosistema Aladdin

La pregunta de un agricultor rara vez es una consulta estructurada. Cuando alguien pregunta «¿cuánto debo regar esta semana?», no quiere una lista de enlaces. Quiere información sobre la que pueda actuar, acompañada de una fuente, una fecha y un contexto que permitan revisarla si cambia el tiempo o difiere el suelo. Sin embargo, el conocimiento agrícola se distribuye entre tablas estadísticas, entradas de glosarios, boletines de extensión, documentos técnicos y registros locales, y estas fuentes no siempre utilizan los mismos nombres, unidades o relaciones.

Aladdin AgroGenie intenta cubrir esta brecha como una capa gobernada de búsqueda y recuperación dentro del ecosistema Aladdin, no como un modelo de lenguaje general que lo sabe todo. El paquete actual se identifica como v4.2-developed y describe una ruta que comienza con la detección de la lengua y la normalización de cifras, unidades y términos; continúa con el reconocimiento de la intención agrícola y la vinculación de nombres de cultivos, indicadores y ubicaciones con identificadores estables; y después construye una consulta unificada para buscar en fuentes gobernadas, incluidos los datos de AgriStat, el glosario agrícola y la vía RAG conectada a Chat V2 [IMP13].

Si un usuario arabófono escribe, por ejemplo, «إنتاج البطاطا في تركيا عام ٢٠٢٤» («producción de patata en Turquía en 2024»), el sistema no debe apoyarse solo en la similitud verbal. Debe normalizar las cifras, vincular variantes regionales como «البطاطا» y «البطاطس» con la entidad pretendida, distinguir la producción de la superficie o del rendimiento y conservar el país, el año y la unidad. Tras la recuperación, los resultados pasan por comprobaciones de aprobación, estado de publicación y procedencia. Después se crea una huella de evidencia y se ordenan los resultados antes de formular la respuesta en la lengua del usuario.

El paquete admite diez lenguas en sus pruebas: árabe, turco, inglés, indonesio, malayo, chino, francés, español, urdu y persa. La extracción de intención comienza con reglas deterministas cuando es posible y recurre a la inteligencia artificial solo cuando resulta necesario. Cuando se requiere inteligencia artificial, la operación pasa por AiBridge; el resultado se rechaza si ese componente no está disponible o devuelve una respuesta vacía o no verificable. La capa de indexación también impide que registros no aprobados o no publicados entren en los resultados de búsqueda públicos o en el contexto de Chat V2 [IMP13].

La arquitectura admite tres modos de migración:

• Modo sombra: AgroGenie se ejecuta en segundo plano para comparar y observar, mientras el usuario sigue viendo la respuesta heredada.
• Modo delegado: AgroGenie se convierte en la vía principal, con retorno a la ruta anterior cuando falla conforme a reglas definidas.
• Modo de aplicación estricta: La vía gobernada se convierte en la única ruta; si la fuente está ausente o falla la verificación, el sistema devuelve «fuente no disponible» en lugar de completar la respuesta mediante conjeturas.

Esta progresión no es un detalle operativo menor. Es una forma de introducir un sistema que puede influir en decisiones mediante etapas medibles y reversibles. El modo sombra expone las diferencias sin exponer a los usuarios a sus consecuencias; el modo delegado prueba la estabilidad con una red de seguridad; y el modo de aplicación estricta impide el regreso silencioso a una ruta menos gobernada.

El 18 de septiembre de 2026, las pruebas disponibles en el paquete actual se ejecutaron directamente con PHP 8.5.6. La prueba del prototipo superó 104 consultas que abarcaban diez lenguas, múltiples formulaciones, errores ortográficos y puertas para inyección, procedencia, revisión lingüística y fallo de AiBridge. La prueba de ejecución aislada superó 149 comprobaciones, las puertas de la fase nueve superaron 196 comprobaciones y la protección de límites superó 33 comprobaciones, sin fallos ni omisiones. Algunas comprobaciones se solapan porque la prueba de la fase nueve invoca pruebas subordinadas; por ello, las cifras no deben sumarse ni presentarse como un único recuento de pruebas independientes [IMP13].

Este resultado cambia la manera de describir la limitación del texto anterior. En el paquete previo Koot-EL-Kuloob-2.1.39, las pruebas de AgroGenie se detuvieron porque faltaban dos archivos de caché necesarios. La misma detención no volvió a producirse en el paquete actual v4.2-developed, y los cuatro grupos de pruebas descritos arriba finalizaron correctamente. Esto no significa que el defecto se reparase dentro del propio paquete histórico; significa que el juicio anterior no debe trasladarse sin cambios a la versión actual.

Sin embargo, estas pruebas no equivalen al funcionamiento en producción. Los propios documentos del proyecto indican que las pruebas de consultas reales a la base de datos de WordPress, una conexión activa con el proveedor a través de AiBridge, el funcionamiento de Action Scheduler, el comportamiento del navegador y de la interfaz y las cargas de cien mil o un millón de registros siguen aplazadas hasta disponer de un entorno activo de WordPress. El informe de auditoría describe la situación con precisión: la verificación local del código está completa, pero la evidencia de la base de datos real y del navegador aún no se ha verificado; se recomienda desplegar en un entorno de preproducción (staging) para completar la evidencia operativa [IMP13].

La puerta aladdin_agrogenie_enabled también permanece cerrada por defecto, mientras que el modo operativo vuelve a shadow si no se especifica otro. Por ello, la existencia del código y las pruebas no establece que AgroGenie esté activo en todas las instalaciones del producto ni que cambie la respuesta que ve el usuario.

Principales fortalezas de AgroGenie:

• Separa la comprensión de la pregunta de la recuperación de evidencia y la formulación de la respuesta.
• Vincula términos locales con identificadores estables, en lugar de depender solo de coincidencias literales.
• Recupera información de fuentes aprobadas y publicadas, e impide que datos en fase de preparación o en cuarentena lleguen al usuario.
• Conserva con el resultado la fuente y la huella de evidencia, lo que facilita la revisión y la reconstrucción.
• Utiliza la inteligencia artificial a través de AiBridge, en lugar de conectarse con un proveedor externo por una ruta no gobernada.
• Progresa de la observación a la delegación y después a la aplicación estricta, en vez de pasar directamente a una ruta con consecuencias.
• En modo de aplicación estricta, se cierra ante el fallo cuando no hay una fuente disponible, en lugar de convertir el conocimiento ausente en una respuesta segura de sí misma.
• Limita la cantidad de evidencia enviada a Chat V2, lo que reduce la saturación del contexto y la mezcla de fuentes.
• En el paquete actual superó pruebas locales de lenguas, gobernanza, integración y límites entre componentes.

Principales limitaciones y riesgos de AgroGenie:

• El proyecto actual sigue etiquetado como versión de desarrollo; no es evidencia de un servicio público terminado.
• Las pruebas actuales son locales y aisladas, y algunas utilizan dobles de prueba y reflexión sobre la estructura de clases, en lugar de una base de datos y servicios de WordPress en vivo.
• Aún no se han establecido el rendimiento real con una base de datos grande, el tiempo de respuesta bajo carga ni el comportamiento del navegador.
• Esta revisión no probó una conexión activa con un proveedor de inteligencia artificial a través de AiBridge.
• La compatibilidad con diez lenguas en una matriz de pruebas no establece por sí sola la comprensión de dialectos, terminología rural o errores del habla en el campo.
• El sistema no puede ser mejor que sus contenidos aprobados. Si un glosario o registro estadístico está incompleto u obsoleto, la gobernanza puede impedir las conjeturas, pero no crear el conocimiento ausente.
• Cerrarse ante el fallo protege al usuario de una respuesta sin respaldo, pero puede reducir la disponibilidad. A la inversa, la ruta de retorno del modo delegado mejora la disponibilidad al tiempo que reintroduce las características y limitaciones del sistema heredado.
• Debe corregirse una discrepancia documental: el README sigue describiendo la prueba de la fase nueve como compuesta por 150 comprobaciones, mientras que la ejecución actual realizó 196. Esto no modifica el resultado satisfactorio, pero muestra que la documentación debe sincronizarse con el paquete antes de la publicación.
• Ningún estudio de campo demuestra todavía que AgroGenie mejore las decisiones de los agricultores, el rendimiento o los beneficios.

Rango de evidencia actual: Una implementación avanzada en el repositorio que superó pruebas locales directas de búsqueda, lengua, gobernanza e integración, pero que aún necesita evidencia de un entorno de WordPress en vivo, pruebas de navegador y de carga y una evaluación de campo con usuarios reales.

Lo que el ejemplo conserva: Un modelo de búsqueda agrícola que hace más que encontrar texto cercano. Vincula una pregunta con una entidad, un indicador y una fuente; distingue entre la ausencia de respuesta y el permiso para generar una; e introduce el servicio gradualmente mediante modos observables y reversibles.

Lo que no puede inferirse: Que AgroGenie esté habilitado en todas las instalaciones; que haya superado pruebas en un entorno de producción activo; que su rendimiento sea igual en las diez lenguas; o que el éxito de las pruebas de software establezca un impacto agrícola o económico en el campo.

¿Qué nos enseñan los tres casos?

En conjunto, los casos revelan tres capas complementarias de madurez. Farmer.Chat muestra cómo un servicio puede llegar a los agricultores en su propia lengua y a través de un medio que les resulte adecuado. GAIA muestra que la calidad del asesoramiento comienza antes de la conversación, con la selección de contenidos, las licencias y la evaluación de sesgos. AgroGenie muestra cómo puede construirse una capa de búsqueda que impida que una respuesta se desvincule de su fuente.

Sin embargo, los tres comparten una regla: el valor de un asesor agrícola no se mide por la fluidez de su discurso, sino por su capacidad para comprender el contexto, revelar sus fuentes, declarar los límites de su confianza, abstenerse cuando carece de evidencia suficiente y remitir la decisión a una persona cuando las consecuencias del error exceden lo que el sistema puede soportar.

8. Memoria y personalización: contexto que ayuda sin convertirse en una restricción

Si en cada conversación el agricultor tiene que repetir el nombre del cultivo, la parcela, la fase y el sistema de riego, el servicio se vuelve engorroso. La memoria puede acortar la pregunta y hacer la respuesta más pertinente: conoce la parcela a la que se refiere, recuerda las operaciones previas y compara el estado con lo que el usuario registró hace una semana.

Pero la memoria no es un bien absoluto. Podría guardarse un dato equivocado, confundirse dos campañas, trasladarse el contexto de una parcela a otra, revelarse una conversación sensible o utilizarse en el entrenamiento datos que el usuario no consintió. Distintos tipos de memoria Deben separarse:

Mezclar estos tipos hace que la expresión «el sistema recuerda» resulte ambigua. El usuario necesita saber qué se guarda, dónde, durante cuánto tiempo, quién lo ve y cómo borrarlo o corregirlo. La memoria del usuario no es la fuente de verdad Si un usuario dijo en una sesión anterior que su cultivo era tomate, el sistema no debería suponer que toda pregunta futura se refiere a la misma parcela o campaña. El usuario puede estar iniciando una nueva campaña, preguntando por otra parcela o transmitiendo la pregunta de otra persona.

Los campos importantes aparecen al principio de la respuesta o de la pregunta:

Supongo que pregunta por la parcela de tomate n.º 7 en fase de floración, según el registro de esta campaña. ¿Estoy utilizando este contexto?

Esta confirmación permite corregir la memoria antes de que conduzca la recuperación hacia fuentes inadecuadas.

También se da prioridad a los registros documentados sobre el resumen lingüístico arcaico. Si el cultivo cambia en el registro de la campaña, la conversación no se aferra a una declaración anterior. Corrección conservando el efecto El usuario puede ver y editar la información importante. Si se corrige la fecha de cultivo o el nombre de la variedad, se conservan el cambio, su motivo y la fecha de efecto, porque la modificación puede afectar a recomendaciones anteriores o al cálculo de la fase.

La memoria no se convierte en un texto largo y misterioso cuyo contenido el usuario desconoce. Se muestra en campos comprensibles: parcela, cultivo, campaña, lengua, unidad y aprobación, con un botón para corregir o borrar. Reducir lo que se guarda La personalización no exige memorizar cada palabra. Puede mantenerse en un mínimo que sirva a la finalidad, eliminando los detalles sensibles o conservándolos de forma breve. Puede bastar con indicar que una pregunta se ha derivado a un especialista, sin memorizar una descripción personal que no resulta necesaria para el seguimiento.

La política especifica:

• Qué se guarda automáticamente y qué requiere aprobación.
• Duración de la conservación para cada tipo.
• Quién tiene acceso.
• ¿Se incluye en el análisis o en el entrenamiento?
• Cómo exportar o borrar.
• Qué ocurre con los derivados y las copias de seguridad.

La personalización no justifica una discriminación sutil El sistema puede utilizar el tipo de tenencia, la ubicación o la capacidad de pago para personalizar el servicio. Esto debería ser claro y estar relacionado con la utilidad, y no reducir la calidad de la orientación para una categoría ni dirigir productos de un modo que el usuario no comprenda. También debería comprobarse si la memoria está devolviendo errores antiguos o atrapando al usuario en un patrón presupuesto por el sistema.

Una buena memoria hace el contexto visible y corregible, separa el registro verificado de la explotación del resumen de la conversación y recuerda lo mínimo necesario. No demuestra, sin embargo, que la respuesta resultante sea sólida. Un asesor debe evaluarse, por tanto, desde la recuperación y la redacción hasta la seguridad y la acción en el mundo real.

9. Evaluación: de la calidad del texto a la calidad de la decisión

Un sistema puede redactar una respuesta clara y sin errores y, aun así, basarla en una fuente que no es válida para el país. Puede citar una fuente válida pero omitir de la respuesta una excepción decisiva. Puede abstenerse de forma segura, pero en un lenguaje que deja al usuario sin saber qué hacer a continuación. Evaluar el estilo o la similitud con una respuesta modelo no basta, por tanto.

Las revisiones [SRC003][SRC010] respaldan un mapa general de las aplicaciones de apoyo a la toma de decisiones y de las barreras de acceso, pero la evaluación de un asesor concreto exige pruebas que vinculen la calidad de la recuperación, la validez del texto y la integridad con la comprensión del usuario y con la acción resultante. Cuatro capas de evaluación

Una clase no compensa el fallo de la otra. Una recuperación excelente con una redacción incorrecta no produce una respuesta válida, una respuesta prudente sin fuente no alcanza la verificabilidad, y un texto válido que el usuario no comprende no funciona como orientación. Evaluación de la recuperación Se construyen preguntas con fuentes previsibles y rangos de autoridad claros, y después se examinan:

• ¿Apareció la fuente pertinente en los primeros resultados?
• ¿Se excluyó la fuente antigua o la fuente ajena al país?
• ¿Se recuperan el título de la tabla, las unidades y las advertencias junto con la clase?
• ¿Encontró el sistema la excepción, o se limitó a recuperar la regla general?
• ¿Reveló el sistema la ausencia de fuente en lugar de rellenar la laguna?
• ¿Conservó la lengua y la versión correctas?

La recuperación puede fallar aunque un pasaje contenga las mismas palabras, porque el pasaje no tiene la autoridad necesaria para responder. Evaluar la respuesta y la proporción Los especialistas leen la respuesta y las fuentes en las que se basó, y preguntan:

• ¿Está cada afirmación importante respaldada por el documento referenciado?
• ¿Añadió la formulación una cifra o una condición que no existe?
• ¿Se han trasladado el ámbito, el país y la fecha de la fuente?
• ¿Se ha conservado la diferencia entre probabilidad y diagnóstico?
• ¿Aparece la advertencia junto a la acción que restringe?
• ¿Es el lenguaje comprensible para el usuario destinatario sin distorsionar por simplificación?
• ¿Es la respuesta más larga de lo que exige la situación de campo?

La calidad no se mide por la extensión de la respuesta. Tres líneas con una pregunta aclaratoria y una fuente pueden ser mejores que una página entera construida sobre una suposición falsa. Evaluación de la seguridad y la abstención El conjunto de pruebas necesita casos que intenten empujar al sistema más allá de sus límites:

• Pregunta de dosificación sin país o sin producto completo.
• Un producto no registrado en la jurisdicción requerida.
• Dos imágenes son similares por dos razones distintas.
• Un infinitivo más antiguo resulta más claro que el infinitivo actual.
• Instrucciones dentro de un documento que intentan influir en el modelo en lugar de aportar conocimiento.
• Un usuario pide eludir la etiqueta actual aprobada del producto u ocultar un uso.
• Una condición de sanidad animal o de inocuidad de los alimentos que exige una derivación.
• Falta una medición clave en una pregunta de control operativo.

Se miden dos tipos de error:

• Fallo por omisión de la cautela: El sistema respondió cuando debería haberse detenido o haber derivado.
• Abstención excesiva: Rechazar una pregunta que podía responderse de forma segura y útil.

El objetivo no es un sistema que calle, sino uno que sitúe sus límites en el lugar adecuado. De las pruebas de laboratorio al usuario La revisión por expertos por sí sola no demuestra que el usuario haya comprendido la respuesta. Puede comprobarse:

• ¿Sabían los usuarios qué comprendió el sistema de su pregunta?
• ¿Pudieron identificar la fuente y su fecha?
• ¿Pudieron distinguir un paso seguro de un diagnóstico o una prescripción?
• ¿Supieron qué información le faltaba al sistema?
• ¿Pudieron corregir un contexto incorrecto?
• ¿Supieron a quién debía derivarse el caso?
• ¿Realizaron la acción prevista, o entendieron otra cosa?

La evaluación puede necesitar observar el desarrollo del trabajo, y no solo un cuestionario de satisfacción. Al usuario puede gustarle la rapidez de la respuesta, pero ejecutar una acción distinta de la que el texto pretendía. Conjunto de pruebas realista No bastan preguntas limpias escritas en un lenguaje fluido. El conjunto incluye:

• Preguntas breves y ambiguas.
• Errores ortográficos y nombres locales.
• Mensajes de voz con ruidos y acentos.
• Imágenes incompletas o de mala calidad.
• Preguntas que mezclan más de una parcela o campaña.
• Fuentes contradictorias o desactualizadas.
• Datos ausentes y unidades ambiguas.
• Una pregunta cuya respuesta cambia entre dos países.
• Intentos de obtener una respuesta bloqueada con una formulación retorcida.
• Casos que no cuentan con una fuente suficiente.

Se conserva el motivo de la inclusión de cada caso y el riesgo que examina, para que el conjunto no se convierta en una lista de preguntas sin cobertura conocida. Disparidades entre lenguas y grupos El sistema puede tener éxito en la lengua con mayores recursos y entrenamiento, y decaer en la lengua local, el dialecto o la voz de un usuario con baja competencia lectora. Esto no debería ocultarse en una media general.

Se muestra, para cada lengua:

• Comprensión de la intención y de las entidades.
• Recuperación de la fuente adecuada.
• Corrección de los términos y las unidades.
• Tasa de invención y de abstención.
• Derivación exitosa.
• Comprensión del usuario.

También deben examinarse las diferencias entre usuarios con distinta experiencia digital, entre conectividad fiable e intermitente, y entre tipos de tenencia de la tierra. Si un servicio funciona bien solo para quien escribe una pregunta larga y estructurada, no responde a la realidad del asesoramiento para la que fue diseñado. Seguimiento posterior a la implantación La evaluación no termina cuando se lanza un sistema. Las fuentes cambian, surgen nuevas preguntas y el modelo, el índice o la traducción cambian. El seguimiento continuo abarca:

• Preguntas que no encontraron fuente.
• Fuentes antiguas que siguen proporcionando respuestas.
• Tasas de derivación y de abstención por lengua y por tema.
• Correcciones de los especialistas y quejas de los usuarios.
• Casos en los que la recomendación se malinterpretó.
• El rendimiento cambió tras una actualización.
• Accidentes, daños y cuasiaccidentes.

Se mantiene un registro de versiones que permite saber qué modelo, índice y base de conocimiento produjeron cada respuesta sensible. Si aparece un error, pueden identificarse y reevaluarse las respuestas afectadas. El éxito es la calidad de la senda de decisión El éxito no se reduce a la satisfacción del usuario ni al número de conversaciones. Un sistema puede tener éxito porque impidió una prescripción insegura, o porque acortó el tiempo hasta llegar a un especialista, o porque reunió un contexto que hizo la visita más provechosa. Puede haber beneficio en reconocer pronto que la base de conocimiento no cubre un ámbito determinado.

Pero la calidad de un asesor puede cambiar radicalmente cuando la red se debilita. Si cada barrera y cada fuente se diseñan dando por supuesta una conectividad constante, la protección puede desaparecer justo allí donde el agricultor más la necesita. La conectividad intermitente debería formar parte, por tanto, del diseño y de las pruebas.

10. Diseñar para la conectividad intermitente

Un usuario puede empezar su consulta en una parcela sin cobertura, tomar fotografías y conectarse a la red horas después. Los mensajes de texto pueden funcionar pero la imagen no llega a subirse, o la conexión puede resultar demasiado cara para descargar un documento extenso. Si el sistema trata estos casos como fallos excepcionales, servirá a los entornos mejor conectados y funcionará mal en los entornos con mala conexión. No existe un único modo llamado «sin conexión». El servicio puede ser:

• Plenamente conectado y requerir la nube en cada paso.
• Capaz de mostrar localmente fuentes almacenadas y algunas reglas de seguridad.
• Capaz de guardar la consulta y las imágenes y enviarlas más tarde.
• Capaz de realizar una búsqueda limitada en un índice local.
• Capaz de ejecutar un modelo local para tareas concretas.
• Incapaz de comprobar información cambiante como el registro o el precio actual.

El alcance debe describirse con precisión. La expresión «funciona sin conexión» no basta si lo único que permite es abrir páginas guardadas, y admitir el guardado de borradores no significa disponer de un asesor completo en el dispositivo. ¿Qué puede guardarse localmente? Según el dispositivo, los riesgos y los derechos, cabe conservar:

• Reglas básicas de seguridad que no cambian con frecuencia.
• Fuentes seleccionadas de ámbito local con la fecha de su última actualización.
• Diccionario de cultivos, términos y unidades.
• Ficha de la explotación y parcelas necesarias para la tarea.
• Formularios de insumos y de control.
• Índice de búsqueda reducido.
• Consultas, borradores y fotografías pendientes de sincronización con el consentimiento del usuario.

Los datos sensibles no se almacenan sin protección ni sin necesidad. Se aplica cifrado, permisos y borrado del dispositivo de forma remota o local según la capacidad, y el usuario sabe qué permanece en su teléfono. El historial resulta evidente en cada dato cambiante Un documento de orientación general puede seguir siendo válido pese a ser relativamente antiguo, mientras que un precio, un registro o un aviso meteorológico pueden quedar obsoletos con rapidez. Por ello, la interfaz muestra:

Última sincronización de las fuentes: 10 de septiembre de 2026, a las 18:20 Estado de la conexión: Sin conexión Esta información: está guardada localmente y puede no reflejar una actualización posterior a la última sincronización Acción: Compruébelo cuando se restablezca la conexión antes de una decisión estructurada o variable

El sistema no presenta información antigua en presente. Si no puede verificar el registro actual, se abstiene de confirmarlo hasta que se restablezca la conexión o se revise una fuente local actualizada. Cola de sincronización sin duplicación Cuando el dispositivo guarda una consulta o una imagen y después la reenvía, no debe crear dos copias si el usuario intenta enviarla más de una vez. Cada solicitud tiene un identificador y se muestra su estado:

• Guardada localmente.
• A la espera de conexión.
• Enviada.
• Recibida en el servidor.
• Requiere resolución de conflicto o revisión.

Si el usuario modifica el historial en dos dispositivos antes de sincronizar, el sistema no elige en silencio la copia más reciente cuando el cambio es significativo. Muestra la diferencia o aplica una regla documentada, y guarda el historial de copias. Funcionalidad segura en ausencia de la nube La plataforma determina de antemano qué se mantiene:

• Consultar el historial previo con un historial claro.
• Recoger una nueva nota localmente.
• Reproducción de una lista de comprobación fija.
• Mostrar el número de una autoridad local o instrucciones de emergencia aprobadas.
• Impedir una recomendación que requiera una fuente en vivo o una cuenta central.
• Aplazar el análisis complejo de imágenes hasta que haya conectividad.

El sistema no debe sustituir una recuperación fallida por una respuesta procedente de la memoria del modelo sin informar al usuario. Si la vía gobernada no está disponible, lo indica y reduce el servicio al nivel local seguro. Diseño con bajo consumo de datos La carga de comunicación puede reducirse mediante:

• Comprimir las imágenes conservando el original cuando sea necesario.
• Subir primero una miniatura y solicitar después el original si hace falta.
• Enviar el texto y los metadatos antes que los archivos multimedia de gran tamaño.
• Sincronizar los cambios en lugar de descargar la base de datos completa.
• Proporcionar sonido con una calidad adecuada, no mayor de la necesaria.
• Permitir la descarga de un paquete de cultivo o de región en lugar de toda una biblioteca.

Pero la presión no debe destruir un detalle necesario para el diagnóstico. El sistema registra la versión de la imagen utilizada y solicita el original cuando la calidad no es suficiente. Prueba de conexión intermitente El sistema se prueba en escenarios de:

• Interrupción durante la subida de una imagen.
• Una conexión que aparece y desaparece con frecuencia.
• Reloj del dispositivo incorrecto.
• Fuente local caducada.
• Modificación conflictiva entre dos dispositivos.
• Espacio de almacenamiento lleno.
• Pérdida del teléfono o cambio de usuario.
• Una solicitud sensible que el índice local no puede responder.

Se mide si se perdieron o duplicaron datos, si el usuario conocía el estado de la solicitud y si las barreras de seguridad siguieron siendo efectivas.

Un servicio sólido no afirma tener una conexión que no existe, ni convierte la ausencia de red en un motivo para la falta de franqueza. Dice qué funciona localmente, qué está en espera y qué puede quedar sin resolver. Cuando se llega a formular una respuesta, hace falta una estructura coherente que ayude al usuario a ver la comprensión, la evidencia, la carencia y el paso siguiente.

11. Una plantilla de respuesta responsable

No toda respuesta requiere una plantilla de la misma extensión, pero las decisiones sensibles se benefician de una estructura que impida que las advertencias y los límites desaparezcan dentro de un párrafo. La respuesta puede constar de siete partes. 1\. Mi comprensión de la pregunta El sistema reformula el contexto decisivo en una frase breve:

Entiendo que pregunta por unas manchas en las hojas de su cultivo de pimiento dentro de un invernadero, que comenzaron hace dos días, y que desea conocer el paso siguiente antes de emplear ningún producto.

Esta frase brinda al usuario la oportunidad de corregir el cultivo, el entorno o el objetivo. No repita toda la conversación, solo aquello que cambie la decisión. 2\. Información disponible Muestra lo que dicen las fuentes cualificadas sin ampliarlo:

Las fuentes disponibles indican que este aspecto puede asociarse a más de una causa y que no puede discriminarse a partir de una descripción breve por sí sola.

Si existe una fuente oficial local válida, el sistema la nombra e indica su ámbito. Si la información es general, el sistema la describe como general. 3\. ¿Qué falta? Requiere la información mínima que cambiaría el rumbo:

Necesito una fotografía de ambas caras de la hoja, una fotografía de la planta entera, una descripción de si los síntomas están extendidos o comienzan en un punto, y el nombre del país o de la región.

Explica el porqué si la razón no resulta clara para el usuario. 4\. Pasos seguros ahora Ofrece procedimientos de bajo riesgo que no requieren un diagnóstico inexistente:

Documente las plantas afectadas y su ubicación, revise el historial de riego y los tratamientos recientes, y evite aplicar un producto no determinado antes de comprobarlo. Si la afección se extiende con rapidez, prepare una muestra o póngase en contacto con un especialista local.

Lo que es seguro varía según la situación; no existe una lista fija que valga para cualquier enfermedad, animal o alimento. 5\. Lo que no puedo decidir Fija el límite con claridad:

No puedo determinar una sustancia ni una dosis, ni confirmar un diagnóstico con la información actual, y todavía no dispongo de una fuente de registro válida para su país y su producto.

Esta frase precede a cualquier texto que pudiera entenderse como instrucciones, y no va después de él. 6\. Fuente, historial y ámbito Muestra:

• Nombre de la entidad y del documento.
• Fecha de publicación o de revisión.
• País o ámbito.
• Ubicación de la información.
• Si el texto es original o una traducción.
• Un enlace o método de acceso si está permitido.

Si el servicio está sin conexión, aparece la fecha de la última sincronización. 7\. Escalado y seguimiento Determina el destinatario y el paso:

Si los síntomas aparecen en una zona amplia en poco tiempo, o si el fruto está afectado, póngase hoy mismo en contacto con la extensión agraria o con un especialista local en protección vegetal. Envíeles fotografías, la fecha en que comenzó la afección y los registros de riego y de pulverización de las últimas dos semanas.

Después permite registrar lo ocurrido, de modo que la conversación no termine en la derivación. Ejemplo completo: «¿Qué pulverizo?» El sistema puede responder:

Mi comprensión de la pregunta: Desea elegir un tratamiento para unas manchas foliares en tomate, pero todavía no dispongo de un diagnóstico confirmado ni del nombre del país y del producto.

Información disponible: Las manchas foliares pueden tener causas patológicas y no patológicas, y el tratamiento y el registro varían según la causa y el lugar. Una sola fotografía o el nombre genérico de un síntoma no bastan para elegir una sustancia con seguridad.

Lo que necesito: País o región, estado del cultivo, fotografías nítidas de ambas caras de la hoja y de la planta entera, una descripción de la distribución de los síntomas y los nombres de los tratamientos recientes.

Pasos seguros ahora: Documente las ubicaciones afectadas, evite mover herramientas u hojas entre zonas sin una limpieza adecuada, y revise el historial de riego, de ventilación y de tratamientos. Si la afección se está extendiendo con rapidez, póngase hoy mismo en contacto con un especialista local.

Lo que no puedo decidir: No puedo elegir un producto ni una dosis, ni confirmar una enfermedad, antes de que se complete el diagnóstico y se hayan verificado el registro local y la etiqueta vigente aprobada del producto.

Fuente: Todavía no se ha recuperado una fuente local válida porque no se han especificado el país ni el producto.

Paso siguiente: Envíe la información solicitada o comparta este resumen con un técnico de extensión en protección vegetal.

Esta respuesta ni deja solo al usuario ni le entrega una receta hecha de palabras. Convierte una pregunta general en una vía para reunir evidencia y escalar el caso. La plantilla es adaptable y no se convierte en texto automatizado Para una pregunta educativa sencilla, pueden bastar una definición, un ejemplo y una fuente. En una emergencia, el paso seguro y el escalado van primero. En una interfaz de voz, se lee en voz alta el resumen y después se pregunta al usuario si desea los detalles.

Lo importante es que las siete funciones sigan presentes según convenga: comprensión, evidencia, carencia, paso seguro, límite, fuente y escalado. Así, la respuesta pasa de ser un texto de apariencia experta a una herramienta de trabajo que puede revisarse y de la que puede hacerse seguimiento.

Resumen del capítulo

Los servicios digitales de asesoramiento agrícola no comienzan con la capacidad de un modelo para hablar, sino con la capacidad del sistema para reconocer que una pregunta está incompleta. Una sola palabra puede ocultar un cultivo, un estado de crecimiento, un país, un diagnóstico, un producto, una condición meteorológica y una consecuencia. Un asesor responsable no rellena esas lagunas por su cuenta; el sistema las hace visibles, pide aquello que cambiaría la decisión y ajusta el grado de asistencia a la evidencia disponible y al riesgo.

Una base de conocimiento no es un depósito de archivos. Todo documento necesita una identidad, una autoridad, una fecha, un ámbito y unos derechos, mientras que la segmentación debe preservar los títulos, las tablas, las notas al pie y las excepciones. Un párrafo correcto, desgajado de su cultivo, su unidad o su jurisdicción, puede convertirse en la evidencia equivocada dentro de una respuesta elegantemente redactada.

La generación aumentada por recuperación (RAG) ofrece una vía desde una pregunta hasta fuentes actuales y gobernadas, pero no confiere una autoridad que la fuente no poseyera ya. Su valor procede de las salvaguardas: comprender el contexto, clasificar el riesgo, filtrar por autoridad y vigencia, comprobar conflictos, acotar la síntesis y realizar una revisión de seguridad. Si el sistema no encuentra evidencia válida, reconocer la laguna es un resultado profesional, no un defecto que el modelo deba ocultar.

El lenguaje natural es una herramienta de doble filo. Acerca el conocimiento a los agricultores y permite preguntar en dialecto o por voz, pero puede alterar un nombre, una unidad o una negación decisiva. Por ello, el sistema conserva lo que dijo el usuario, muestra lo que entendió, vincula un término local a un concepto de referencia sin borrarlo y pide confirmación cuando la ambigüedad cambiaría la acción.

La incertidumbre no es una debilidad estilística que deba ocultarse. Puede residir en la pregunta, en la imagen, en la fuente o en la transferencia a una región nueva. Una respuesta madura expone lo que se sabe, lo que no se sabe, por qué importa esa laguna, qué medición o información se necesita a continuación y quién tiene la autoridad. La abstención responsable no cierra el camino; sitúa al usuario en una ruta más segura hacia una medición, una fuente o un especialista.

Los casos demuestran la importancia de los rangos de evidencia. Farmer.Chat cuenta con evidencia de funcionamiento institucional y con una evaluación de usuarios que abarca a 450 agricultores de Kenia, mientras que su exactitud agrícola general y su impacto causal siguen sin establecerse [SRC039]–[SRC046]. GAIA cuenta con evidencia de un programa, prototipos y documentos de gobernanza y licencia, mientras que los resultados de su segunda fase y su impacto amplio en campo siguen en desarrollo [SRC047]–[SRC052]. AgroGenie combina el artefacto histórico del paquete fechado el 22 de agosto de 2026 [IMP06] con el paquete de desarrollo actual y sus pruebas locales fechadas el 18 de septiembre de 2026 [IMP13]; ninguno de los dos establece operación en producción ni impacto en campo. La existencia del código es un hecho, la operación otro y el impacto agrícola otro más.

La memoria resulta útil cuando conserva el contexto de parcela y de campaña y hace que ese contexto sea visible y corregible. Se vuelve peligrosa cuando el sistema trata una conversación antigua como fuente de verdad, retiene información sensible sin una finalidad o la emplea para el entrenamiento general de modelos sin consentimiento. Una buena personalización reduce la repetición, pero no ata a los usuarios a información desfasada ni convierte la confianza en vigilancia.

Un asesor no se evalúa únicamente por la elegancia del texto. La evaluación considera qué recuperó el sistema, cómo atribuyó el material, cuándo se abstuvo, si el usuario comprendió el paso siguiente y qué acción se siguió de ello. Las pruebas deben incluir preguntas ambiguas, dialectos, imágenes ausentes, fuentes contradictorias y países distintos, y deben conservar los resultados para cada lengua y cada grupo de usuarios en lugar de una media que oculte a aquellos a quienes el servicio llega mal.

En entornos con conectividad intermitente, la calidad del diseño se hace patente. El sistema responsable muestra qué funciona localmente, el momento de la última sincronización, qué está esperando a la red y qué no puede confirmar. Almacena una solicitud sin duplicarla, protege los datos en el dispositivo y no sustituye una recuperación fallida por una respuesta no gobernada procedente de la memoria del modelo.

El asesoramiento responsable puede resumirse en siete movimientos: comprender, preguntar, recuperar, filtrar, explicar, abstenerse en el límite y escalar con contexto. Juntos convierten el diálogo en un puente entre una pregunta incompleta, una fuente autorizada y una acción defendible. Sin ellos, la fluidez se convierte en una forma más rápida de ocultar un supuesto.

Un sistema que responde a todo no es más inteligente; a menudo es menos consciente de sus límites. Un sistema digno de confianza sabe que algunas de sus mejores respuestas no son prescripciones, sino preguntas, fuentes, advertencias o derivaciones oportunas.

Notas sobre la evidencia

Las revisiones [SRC003] y [SRC010] respaldan el mapeo general del apoyo a la toma de decisiones agrícolas y de las barreras de acceso y uso. [SRC039]–[SRC046] documentan Farmer.Chat mediante fuentes con distintos grados de autoridad: páginas, datos y herramientas del desarrollador; un estudio de usuarios realizado fuera del equipo del producto en colaboración con Digital Green; y una prepublicación no revisada por pares sobre reconocimiento del habla agrícola. En conjunto, estas fuentes respaldan las descripciones de la funcionalidad, el uso y los resultados acotados de la muestra keniana; no respaldan la generalización de la exactitud ni del impacto causal. [SRC047]–[SRC052] documentan la identidad, las alianzas, los prototipos, el trabajo de gobernanza y los instrumentos de licencia de GAIA; no establecen la eficacia de un producto terminado ni un impacto amplio en campo. [IMP06] conserva el estado del paquete histórico de AgroGenie y su restricción de aceptación, mientras que [IMP13] documenta el paquete actual y las pruebas ejecutadas el 18 de septiembre de 2026, sin elevar esa evidencia a prueba del funcionamiento de WordPress en un entorno activo ni de impacto agrícola.

Las vías de preguntas, las fichas de respuesta, las tablas de salvaguardas y el ejemplo «¿Qué debo pulverizar?» son construcciones educativas y de diseño que muestran cómo pueden construirse servicios de asesoramiento responsables. No son el resultado de una evaluación de campo ni una recomendación agrícola o jurídica independiente.