Estudio Comparativo: Aplicaciones y Software de Inteligencia Artificial Desarrollados Específicamente para Apoyar la Agricultura en Todo el Mundo: Características y Desafíos

Ponencia de Investigación para la Conferencia Internacional sobre Inteligencia Artificial en los Sistemas Agroalimentarios

Autor: Dr. Aladdin Ali · Fundador y Director General, Aladdin International · Desarrollador de Aladdin Agri AI · Inteligencia Artificial Agrícola Gobernada en 10 Idiomas · Junio de 2026

Tipo de ponencia: Investigación académica integral Público destinatario: Agricultores, ingenieros agrónomos, técnicos de extensión agrícola, responsables de políticas, investigadores y profesionales del desarrollo Alcance geográfico: Global Nivel de lengua: Español científico profesional con explicaciones accesibles para los actores del sector agrícola

Resumen

Este estudio tiene por objeto identificar, clasificar y evaluar de forma comparativa las aplicaciones y plataformas de software de inteligencia artificial desarrolladas para apoyar la agricultura en todo el mundo. Mediante un método de revisión sistemática de la literatura combinado con un análisis comparativo de casos, se examinaron más de 150 fuentes y las aplicaciones se agruparon en catorce categorías funcionales: gestión de cultivos, detección de enfermedades, predicción de rendimiento, monitoreo del suelo, control de malezas, cosecha autónoma, riego de precisión, gestión ganadera, acuicultura, asesoramiento agrícola, agricultura climáticamente inteligente, optimización de la cadena de suministro e inocuidad de los alimentos. Los resultados muestran que los sistemas de inteligencia artificial logran avances mensurables a lo largo de la cadena de valor agrícola. Entre los resultados reportados figuran una exactitud de detección de enfermedades de hasta el 93,1%, una exactitud de identificación de malezas del 97%, un coeficiente de determinación (R²) de 0,92 para la predicción de rendimiento, y reducciones de hasta el 30% en el consumo de agua, de fertilizantes y en el tiempo de transporte. Entre los obstáculos para una adopción amplia se cuentan los costos elevados, la infraestructura insuficiente, el conocimiento técnico limitado, los problemas de calidad de los datos y las restricciones de interoperabilidad. El estudio ofrece recomendaciones prácticas para agricultores, agroempresas, desarrolladores de tecnología, investigadores y responsables de políticas, y aborda las preguntas de investigación que permanecen abiertas en este campo. Uno de los capítulos de la ponencia presenta una plataforma integrada basada en la gobernanza, diseñada con las necesidades del pequeño agricultor como referencia predeterminada, que se ofrece a través de la web, dispositivos móviles y computadoras de escritorio en diez idiomas.

Palabras clave: inteligencia artificial, agricultura de precisión, aplicaciones de inteligencia artificial agrícola, aprendizaje automático, aprendizaje profundo, robótica agrícola, sistemas de apoyo a la decisión, agricultura sostenible, inocuidad de los alimentos, agricultura inteligente, pequeños agricultores

Índice

Volumen I: Fundamentos de la Inteligencia Artificial en la Agricultura Mundial

1. Introducción: La transformación de la inteligencia artificial en la tecnología agrícola
2. Metodología de investigación y marco comparativo
3. Clasificación de las aplicaciones de inteligencia artificial agrícola

Volumen II: Estudio Integral de las Aplicaciones de Inteligencia Artificial Agrícola

1. Una plataforma integrada basada en la gobernanza: Aladdin Agri AI
2. Sistemas de gestión de cultivos y producción
3. Detección de enfermedades de los cultivos y aplicaciones de sanidad vegetal
4. Sistemas de predicción de rendimiento y pronóstico de cosecha
5. Monitoreo del suelo y aplicaciones de gestión de nutrientes
6. Control de malezas y sistemas de control robótico
7. Cosecha autónoma y sistemas robóticos
8. Riego de precisión y sistemas de gestión del agua
9. Gestión ganadera y monitoreo de la sanidad animal
10. Acuicultura y aplicaciones de gestión pesquera
11. Asesoramiento agrícola y sistemas de apoyo a la decisión
12. Agricultura climáticamente inteligente y herramientas de sostenibilidad
13. Optimización de la cadena de suministro y aplicaciones poscosecha
14. Inocuidad de los alimentos y aplicaciones de control de calidad

Volumen III: Análisis Integrado y Direcciones Futuras

1. Fuentes internacionales, conjuntos de datos e instituciones de investigación
2. Características y beneficios en las distintas categorías de aplicación
3. Desafíos en la implementación
4. Recomendaciones estratégicas
5. Conclusión y trayectorias futuras

Volumen IV: Material de Apoyo

1. Referencias
2. Anexos

• Declaraciones y manifestaciones (conflicto de intereses, financiación, disponibilidad de datos, ética)

Volumen I: Fundamentos de la Inteligencia Artificial en la Agricultura Mundial

Capítulo 1: Introducción: La transformación de la inteligencia artificial en la tecnología agrícola

1.1 El imperativo agrícola mundial

La agricultura mundial se encuentra en una coyuntura crítica, enfrentada a presiones sin precedentes provenientes de múltiples direcciones. Las Naciones Unidas proyectan una población mundial de 10.000 millones de personas para 2050, lo que exige aumentar la producción de alimentos en un 70%. Al mismo tiempo, las prácticas agrícolas tradicionales, que dependen de la toma de decisiones empírica, de operaciones manuales intensivas en mano de obra y de una asignación fija de recursos, se han vuelto cada vez menos sostenibles. Estas prácticas adolecen de baja eficiencia en el uso de los recursos, elevadas pérdidas poscosecha y una capacidad limitada para adaptarse a las condiciones cambiantes del campo.

El cambio climático agrava estas presiones, con fenómenos meteorológicos extremos cada vez más frecuentes e intensos. La escasez de agua afecta a las regiones agrícolas de todo el mundo, mientras que la degradación del suelo reduce la capacidad productiva. La escasez de mano de obra, en particular en los países desarrollados, impone restricciones adicionales a la producción. En este contexto, la inteligencia artificial ha surgido como un motor central de la digitalización y la inteligencia agrícolas.

1.2 El surgimiento de la inteligencia artificial en la agricultura

A finales del siglo XX, con la integración de tecnologías avanzadas como el sistema de posicionamiento global (GPS), los sensores y la robótica, la toma de decisiones basada en datos, la gestión avanzada de cultivos, el uso optimizado de los recursos y la integración de sistemas impulsados por inteligencia artificial en la detección de plagas hicieron posible la transición a la agricultura de precisión. Hoy, la integración profunda de la inteligencia artificial es un motor esencial de la digitalización y la inteligencia en la ingeniería agrícola y alimentaria, pues aumenta la eficiencia de la producción, optimiza los recursos y mejora la calidad de los productos.

La inteligencia artificial posee un gran potencial para desarrollar tecnologías agrícolas inteligentes de alta precisión y bajo costo que respondan a la creciente demanda de producción agrícola de alto rendimiento en todo el mundo. Se prevé que las tecnologías de inteligencia artificial en la agricultura figuren entre los temas de investigación agrícola más importantes del presente y del futuro, ya que aportan contribuciones de peso a la sostenibilidad mediante el monitoreo de las condiciones en las explotaciones, la mejora del apoyo a la decisión, la protección del suelo, el ahorro de agua, la limitación de las emisiones de carbono, la reducción del uso de gases de efecto invernadero, el aumento de la productividad, la facilitación y mejora de las operaciones agrícolas y el desarrollo de diversas soluciones a problemas pendientes.

1.3 La proliferación de las aplicaciones de inteligencia artificial

El alcance de las aplicaciones de inteligencia artificial en la agricultura se ha ampliado de manera notable en los últimos años. Desde el monitoreo de cultivos y la detección de enfermedades hasta la cosecha autónoma y la optimización de la cadena de suministro, las tecnologías de inteligencia artificial se despliegan a lo largo de toda la cadena de valor agrícola. Esta ponencia ofrece un estudio integral y un análisis comparativo de las principales aplicaciones y plataformas de software de inteligencia artificial desarrolladas específicamente para uso agrícola en todo el mundo.

La investigación se centra en identificar, clasificar y evaluar las características, las capacidades y los desafíos de implementación de estas tecnologías. El análisis abarca plataformas de gestión de explotaciones, sistemas de detección de enfermedades, herramientas de predicción de rendimiento, aplicaciones de monitoreo del suelo, robots de control de malezas, sistemas de cosecha autónoma, tecnologías de riego de precisión, plataformas de gestión ganadera, sistemas de acuicultura, asistentes conversacionales de asesoramiento, herramientas climáticamente inteligentes, sistemas de optimización de la cadena de suministro y aplicaciones de inocuidad de los alimentos.

1.4 Objetivos y alcance

Este estudio se propone:

1. Identificar las principales aplicaciones y plataformas de software de inteligencia artificial desarrolladas específicamente para uso agrícola en todo el mundo.
2. Clasificar estas aplicaciones según la función agrícola y el enfoque técnico.
3. Evaluar las características, las capacidades y los puntos de referencia de desempeño de los sistemas líderes.
4. Comparar las tecnologías dentro de cada categoría de aplicación.
5. Analizar los desafíos y las barreras para la adopción.
6. Ofrecer recomendaciones estratégicas para agricultores, agroempresas y responsables de políticas.

1.5 Estructura de la ponencia

Esta ponencia se organiza en cuatro volúmenes. El Volumen I establece los fundamentos de la inteligencia artificial en la agricultura mundial. El Volumen II ofrece un estudio integral de las aplicaciones de inteligencia artificial agrícola en catorce categorías funcionales. El Volumen III presenta un análisis integrado y las direcciones futuras. El Volumen IV contiene material de apoyo, que incluye las referencias y los anexos.

Capítulo 2: Metodología de investigación y marco comparativo

2.1 Enfoque de la investigación

Este estudio emplea una metodología de revisión sistemática de la literatura combinada con un análisis comparativo de casos. La investigación siguió cuatro fases.

Fase 1: Identificación. Se realizó una búsqueda exhaustiva en bases de datos académicas (Web of Science, Scopus, Google Scholar, IEEE Xplore) y en fuentes del sector, con cadenas de búsqueda relativas a las aplicaciones de inteligencia artificial en la agricultura, la agricultura de precisión, la robótica agrícola, el aprendizaje automático en la gestión de cultivos y temas afines.

Fase 2: Cribado. Se cribaron los títulos, los resúmenes y las sinopsis según su pertinencia para las aplicaciones de inteligencia artificial desarrolladas específicamente para uso agrícola. Se incluyeron productos en desarrollo, prototipos de investigación y sistemas desplegados comercialmente.

Fase 3: Inclusión. El corpus final comprende más de 150 documentos, entre ellos artículos con revisión por pares, especificaciones técnicas, documentación de productos, estudios de caso e informes del sector.

Fase 4: Síntesis. Se extrajo la evidencia, se la clasificó por dominio de aplicación y se la sintetizó mediante métodos narrativos apropiados para el análisis comparativo.

2.2 Categorías de fuentes

Entre las fuentes principales figuran:

Investigación académica: Revistas con revisión por pares, entre ellas Precision Agriculture, Computers and Electronics in Agriculture, Biosystems Engineering, Field Crops Research, así como actas de congresos de IEEE, ASABE y otras sociedades profesionales.

Fuentes del sector y comerciales: Documentación de productos, sitios web de empresas, especificaciones técnicas, solicitudes de patente e informes del sector de empresas de tecnología agrícola de todo el mundo.

Informes de organizaciones internacionales: Publicaciones de la Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO), el Banco Mundial, el Instituto Internacional de Investigación sobre Políticas Alimentarias (IFPRI), el Grupo Consultivo para la Investigación Agrícola Internacional (CGIAR) y otras instituciones internacionales de investigación agrícola.

Plataformas de código abierto: Repositorios de GitHub y documentación de proyectos de inteligencia artificial agrícola de código abierto.

2.3 Marco comparativo

Cada categoría de aplicación se analiza mediante un conjunto coherente de dimensiones:

• Tecnología central: Los enfoques de inteligencia artificial y aprendizaje automático empleados (redes neuronales convolucionales, modelos de lenguaje grandes, aprendizaje por refuerzo, entre otros).
• Características principales: Funciones y capacidades centrales.
• Métricas de desempeño: Exactitud reportada, ganancias de eficiencia y otras medidas cuantitativas.
• Contexto de despliegue: Escala, geografía y base de usuarios destinataria.
• Capacidades de integración: Interoperabilidad con otros sistemas.
• Estructura de costos: Modelos de precios y asequibilidad.
• Desafíos: Barreras y limitaciones de implementación.

2.4 Limitaciones

Este estudio reconoce ciertas limitaciones: el ritmo acelerado del desarrollo de la inteligencia artificial implica que algunos sistemas evolucionan con rapidez; los sistemas comerciales pueden no divulgar públicamente todas sus especificaciones técnicas; las métricas de desempeño pueden reportarse en condiciones ideales no reproducibles en todos los entornos.

Capítulo 3: Clasificación de las aplicaciones de inteligencia artificial agrícola

3.1 Taxonomía de la inteligencia artificial agrícola

Con base en la revisión integral, las aplicaciones de inteligencia artificial agrícola pueden clasificarse en las siguientes categorías:

Sistemas de gestión de cultivos y producción:

• Sistemas de información para la gestión de explotaciones (FMIS)
• Plataformas de nube agrícola inteligente
• Asesores agronómicos multilingües

Detección de enfermedades de los cultivos y sanidad vegetal:

• Aplicaciones de detección de enfermedades basadas en dispositivos móviles
• Modelos multimodales grandes para el diagnóstico de plagas
• Sistemas de visión por computadora para el análisis foliar

Predicción de rendimiento y pronóstico de cosecha:

• Modelos de aprendizaje automático para la estimación del rendimiento
• Sistemas de agricultura de precisión con múltiples módulos
• Análisis de zonas de estabilidad con aprendizaje automático interpretable

Monitoreo del suelo y gestión de nutrientes:

• Redes de sensores del Internet de las cosas para parámetros del suelo
• Análisis de fertilidad basado en inteligencia artificial
• Apoyo a la decisión para la gestión integrada de nutrientes

Control de malezas y control robótico:

• Detección de malezas basada en aprendizaje profundo
• Robots de deshierbe autónomos (mecánicos y láser)
• Tecnologías de pulverización de precisión

Cosecha autónoma y robótica:

• Robots de cosecha de frutas y hortalizas
• Visión por inteligencia artificial para la detección de la madurez
• Manipulación poscosecha automatizada

Riego de precisión y gestión del agua:

• Programación del riego basada en inteligencia artificial
• Monitoreo de la humedad del suelo en tiempo real
• Sistemas de riego por goteo automatizados

Gestión ganadera:

• Monitoreo audiovisual de aves de corral
• Detección de la sanidad integrada con satélites
• Robots de monitoreo autónomos
• Visión por computadora para el análisis del comportamiento

Acuicultura y pesca:

• Monitoreo de la calidad del agua
• Detección y prevención de enfermedades
• Optimización de la alimentación
• Evaluación de las poblaciones

Asesoramiento agrícola y apoyo a la decisión:

• Asistentes conversacionales de inteligencia artificial generativa para agricultores
• Sistemas de generación aumentada por recuperación (RAG)
• Plataformas de asesoramiento multilingües y multimodales

Agricultura climáticamente inteligente:

• Seguimiento de la huella de carbono
• Medición del carbono del suelo
• Monitoreo de las emisiones de gases de efecto invernadero
• Planificación de la resiliencia climática

Optimización de la cadena de suministro:

• Logística de cadena de frío con inteligencia artificial y cadena de bloques
• Pronóstico de la demanda
• Optimización de rutas

Inocuidad de los alimentos y control de calidad:

• Inteligencia artificial espectral para la detección de contaminación
• Visión por computadora para la clasificación de calidad
• Detección de patógenos en tiempo real

3.2 Enfoques técnicos

La revisión identificó varios enfoques técnicos dominantes:

Redes neuronales convolucionales (CNN): Ampliamente utilizadas en tareas basadas en imágenes, como la detección de enfermedades, la identificación de malezas y la clasificación de frutas. Las redes neuronales convolucionales alcanzan una alta exactitud en las tareas de reconocimiento de patrones visuales.

Modelos de lenguaje grandes (LLM) e inteligencia artificial generativa: Cada vez más aplicados al asesoramiento agrícola, al razonamiento diagnóstico y al apoyo a la decisión. Sistemas como CropGPT y FarmerChat emplean modelos de lenguaje grandes para el apoyo interactivo a los agricultores.

Internet de las cosas (IoT) y redes de sensores: Proporcionan la infraestructura de datos para los sistemas de inteligencia artificial, lo que permite el monitoreo en tiempo real del suelo, el clima, la sanidad de los cultivos y las condiciones de los animales.

Robótica y sistemas autónomos: Integran la inteligencia artificial con la actuación física para la siembra, el deshierbe, la cosecha y otras operaciones de campo.

Aprendizaje por refuerzo: Aplicado a los sistemas de control robótico para lograr un comportamiento adaptativo en entornos dinámicos.

Inteligencia artificial explicable (XAI): Enfoque emergente para hacer interpretables las decisiones de la inteligencia artificial ante agricultores y agrónomos, lo que genera confianza y posibilita una toma de decisiones fundamentada.

3.3 Distribución geográfica

Las aplicaciones de inteligencia artificial agrícola han surgido en todas las principales regiones agrícolas:

América del Norte: A la cabeza en plataformas de gestión de explotaciones (Agrotics), equipos autónomos (John Deere, Blue River Technology) y sistemas de asesoramiento.

Europa: Sólida en robótica (Nature Robots, Farming Revolution, Terra Oracle AI), software de agricultura de precisión (Agricon) y herramientas de sostenibilidad (CinSOIL).

Asia: Sector en rápido crecimiento en la India (Cropin, Kisan AI), China (plataformas de agricultura inteligente) y el Sudeste Asiático.

Sur Global: Aplicaciones emergentes centradas en los pequeños agricultores, entre ellas FarmerChat de Digital Green, el proyecto GAIA y sistemas de asesoramiento de bajo costo.

Volumen II: Estudio Integral de las Aplicaciones de Inteligencia Artificial Agrícola

Capítulo 4: Una plataforma integrada basada en la gobernanza: Aladdin Agri AI

4.1 Alcance, posicionamiento y filosofía de diseño

Una proporción considerable de las aplicaciones examinadas en los capítulos siguientes se desarrolla, ya sea como herramientas de una sola función, ya sea como plataformas de nivel empresarial orientadas a grandes operaciones comerciales. Este capítulo examina en detalle una plataforma integrada construida en torno a una prioridad de diseño distinta. Aladdin Agri AI, desarrollada en el marco de la iniciativa que lidera el autor de este manuscrito, es un ecosistema de inteligencia artificial destinado a ofrecer orientación agrícola localizada y verificada por expertos sin comprometer los derechos de propiedad intelectual ni la privacidad de los datos de la explotación. En la sección Declaraciones y manifestaciones, al final del manuscrito, se incluye una declaración de conflicto de intereses sobre la relación del autor con esta plataforma.

El rasgo más definitorio de la plataforma es su definición del usuario destinatario. Muchas soluciones comerciales de inteligencia artificial agrícola presuponen el acceso a análisis de laboratorio, a infraestructura de sensores y a conectividad de banda ancha. Aladdin Agri AI, en cambio, considera usuario predeterminado al pequeño agricultor que carece de estos recursos. La plataforma está diseñada para operar en diez idiomas y se ofrece a través de tres canales: la web, los dispositivos móviles y la computadora de escritorio. Esta estructura busca acercar el conocimiento agrícola experto a agricultores de distintos niveles de ingreso y condiciones de infraestructura.

4.2 Principio de diseño: situar al pequeño agricultor en el centro

El principio del asesoramiento de bajos recursos se sitúa en el centro de la filosofía de diseño de la plataforma. Conforme a este principio, el agricultor que carece de acceso a análisis de laboratorio, de agua o foliar, que no dispone de instrumentos y que cuenta con un ancho de banda limitado es el usuario predeterminado, y no la excepción. Los datos del sector indican que una gran proporción de los pequeños agricultores carece de estos recursos, de modo que un sistema que dependa únicamente de datos de medición ideales excluiría a la mayoría de su público destinatario.

Este principio configura de manera directa la lógica de orientación de la plataforma. La orientación general y accionable se genera a partir de lo que el agricultor ya posee, lo que incluye la evaluación visual, la etapa de crecimiento, el tacto del suelo, el estado del riego, los insumos previos y las referencias aprobadas, y dicha orientación permanece disponible en todo momento. Solo las salidas que requieren una dosis exacta específica del sitio o un cálculo preciso quedan condicionadas a un análisis. La derivación al laboratorio o al especialista se presenta como información que mejora la precisión, no como una negativa o una advertencia. El sistema no niega una capacidad entera porque falten los datos ideales.

Este enfoque se equilibra con el principio de que las condiciones de bajos recursos nunca justifican una certeza fabricada o insegura. Cuando la información es incompleta, el sistema permanece dentro de los límites de lo conocido y expone la incertidumbre con claridad. Esta opción de diseño es la característica central que distingue a la plataforma de las herramientas de nivel empresarial que solo atienden a grandes operaciones agrícolas.

4.3 Un marco de gobernanza de ocho principios

La plataforma opera dentro de un marco de ocho principios rectores destinados a mantener la orientación agrícola asistida por inteligencia artificial segura, coherente y responsable.

El primer principio es el acceso al asesoramiento de bajos recursos descrito antes. El segundo es el enrutamiento gobernado de la inteligencia artificial: toda llamada a la inteligencia artificial pasa por una pasarela aprobada, y la capa del usuario no tiene acceso directo a los proveedores. El tercero es la integración de módulos: ningún módulo se aísla ni se desactiva de un modo que quiebre la continuidad del servicio, las dependencias del flujo de trabajo o la propiedad de los datos. El cuarto es la ciberseguridad sin retroceso: la verificación de capacidades, la depuración de las entradas, el escape de las salidas, las consultas seguras y la limitación de la tasa se aplican según el nivel de riesgo, y se impide la exposición de información de proveedor, modelo, esquema o registro.

El quinto principio es la gestión de la traducción y la integridad de los diez idiomas: se admiten los diez idiomas, y el idioma de la interfaz frontal se mantiene separado del idioma de administración. El sexto es la ejecución austera y la disciplina de recursos. El séptimo es la contención de capacidades en lugar de su eliminación: una capacidad nunca se suprime ni se oculta para evitar un riesgo; solo se restringe la acción insegura, mientras que el servicio en sí permanece visible y utilizable. El octavo es la disciplina contra la alucinación: no se fabrica ningún archivo, función, estadística ni salida, y toda afirmación es rastreable hasta una fuente verificable. Este marco se plantea como una respuesta a la dificultad que enfrentan los modelos de inteligencia artificial general no gobernados para producir soluciones seguras y apropiadas al contexto local en el ámbito agrícola.

4.4 Una arquitectura de inteligencia central de tres capas

En el núcleo de la plataforma se encuentra una capa de inteligencia compuesta por tres componentes complementarios.

El motor de consultas, denominado Aladdin AgroGenie, es un motor semántico que interpreta dialectos locales, expresiones coloquiales y el uso mixto de idiomas para extraer orientación agrícola verificada a partir de la pregunta del usuario. Permite que el agricultor formule preguntas en lenguaje cotidiano sin emplear términos técnicos.

La capa de lenguaje y tono, denominada Aladdin Humanizer, convierte los datos técnicos en consejos claros y directamente accionables, adecuados a las condiciones del campo. Su propósito es llevar la salida técnica árida a un lenguaje más cercano a la realidad del agricultor.

La pasarela de gobernanza de la inteligencia artificial, denominada AiBridge, hace pasar todas las recomendaciones generadas por inteligencia artificial por una capa de revisión. Su función es limitar la entrega al usuario de salidas no verificadas o erróneas y proteger la seguridad del cultivo. Todas las llamadas a la inteligencia artificial se gestionan a través de esta pasarela, y no existe ninguna vía de acceso directo a los proveedores ni de ejecución autónoma de modelos desde la capa de la interfaz frontal.

4.5 El sistema de asistente agrícola asistido por inteligencia artificial

La plataforma ofrece orientación a través de tres personas expertas públicas. Estas personas no son proveedores de inteligencia artificial independientes; son identidades de orientación que operan bajo el mismo marco de gobernanza.

Habiba, la asistente agrícola amable, es una guía práctica y tranquilizadora orientada al agricultor común. Brinda orientación con atención a los usuarios en condiciones de baja alfabetización y bajos recursos.

Anas, el experto agrícola avanzado, ofrece una interpretación agronómica en profundidad para los usuarios profesionales. Esta profundidad se pone a disposición de quien la necesita, sin imponerse al agricultor común.

Namaa, el analista de datos agrícolas, presenta datos e información numérica. La exactitud de las cifras y los datos es la responsabilidad central de esta persona.

El sistema de asistente está diseñado en torno al principio de atender al riesgo de la inacción. Cuando el silencio de la gobernanza podría conducir a la pérdida del cultivo, por ejemplo cuando no hay un especialista disponible, en un momento crítico o ante una pérdida inminente, el sistema ofrece una orientación general y accionable, acompañada de una etiqueta de confianza, una derivación a un especialista y un encuadre observable. Este enfoque busca evitar que el agricultor quede sin apoyo en un momento de incertidumbre.

4.6 Entrega multicanal: web, móvil y escritorio

La plataforma se entrega en tres formas para poder llegar al agricultor en cualquier condición. Esta estructura multicanal busca extender el servicio más allá de los usuarios con infraestructura de gama alta, hasta alcanzar a agricultores en circunstancias diversas.

El espacio de trabajo en la nube de nivel empresarial, en la web, es un entorno de trabajo multilingüe. Aloja tarjetas de servicio sensibles al rol e incluye un paso de revisión humana para las decisiones de alto riesgo.

La aplicación móvil Habiba es una aplicación de campo que opera sin conexión en zonas de baja conectividad. Ofrece diagnóstico instantáneo del cultivo y orientación práctica paso a paso. Su capacidad sin conexión resulta decisiva para llegar a los pequeños agricultores de zonas rurales con acceso limitado a internet.

El motor de escritorio, SADIK-1.0, es un motor analítico diseñado para investigadores y agroempresas, que ofrece modelización de la viabilidad económica y pronóstico estadístico.

La presencia de estos tres canales refleja una opción de diseño que permite a la plataforma llegar no solo a las grandes operaciones agrícolas, sino también a los pequeños agricultores que tienen un acceso limitado a internet o que solo disponen de un dispositivo móvil.

4.7 Las tarjetas de servicio del espacio de trabajo

El espacio de trabajo web se compone de un conjunto de tarjetas de servicio sensibles al rol. El espacio de trabajo contiene diecisiete tarjetas de servicio, que se ordenan según el rol del usuario, y ninguna de ellas se oculta al usuario. Los doce módulos agrícolas especializados destacados por su nombre en el material promocional de la plataforma se resumen en la tabla siguiente. Las tarjetas restantes abarcan servicios funcionales como la comparación de estadísticas agrícolas, la elaboración de estudios de viabilidad, la presentación de observaciones y la consulta de asesoramiento.

4.8 Áreas funcionales especializadas y métodos

La plataforma aborda varias funciones agrícolas mediante métodos diferenciados. Esta sección resume las principales áreas funcionales y los enfoques empleados en cada una.

Diagnóstico de enfermedades de las plantas. El diagnóstico se realiza mediante un flujo de observación guiada construido sobre las respuestas del agricultor y mediante una lógica de diagnóstico diferencial. El sistema distingue entre las posibles causas a partir de los síntomas visuales y ofrece evaluaciones utilizables sin acceso a un laboratorio. La confianza de la salida diagnóstica está acotada, y se recomienda la derivación a un especialista en los casos inciertos.

Manejo de plagas y umbrales económicos. El manejo de plagas aplica el enfoque del Nivel de Daño Económico (EIL) y el Umbral Económico (ET). Este enfoque se apoya en el marco clásico introducido por Stern y sus colegas en 1959\. Los valores umbral no se estiman; se calculan a partir de insumos aprobados, como la densidad de monitoreo, la pérdida de rendimiento específica del cultivo, el valor del cultivo y la eficacia del control, y quedan sujetos a la aprobación del agrónomo. Cuando falta un insumo requerido, el resultado no se fabrica, sino que se marca como no disponible. Esta área prioriza los métodos no químicos, en consonancia con los principios del manejo integrado de plagas (MIP).

Estadísticas agrícolas. Esta función proporciona acceso a datos de observación aprobados a través de una capa de búsqueda que admite consultas en lenguaje natural. El usuario puede especificar criterios como el cultivo, la métrica, el año y el alcance en lenguaje cotidiano, y el sistema solo devuelve datos verificados, junto con información sobre la fuente y la confianza.

Viabilidad y análisis económico. La plataforma ofrece una función de viabilidad que modela los costos previstos y los posibles retornos económicos antes de la siembra. Esta función se amplía en el motor analítico de escritorio hacia una modelización económica más profunda y un pronóstico estadístico.

Gestión del agua, los nutrientes y el entorno de cultivo. Las funciones de riego inteligente, fertilización de precisión y agricultura protegida generan recomendaciones operativas a partir de los insumos disponibles, como la humedad del suelo, el microclima y las necesidades del cultivo. También en estas funciones, las salidas de dosis exacta quedan condicionadas a un análisis, mientras que la orientación general permanece disponible en todo momento.

Sostenibilidad y manipulación poscosecha. La función de sostenibilidad evalúa estrategias de rotación de cultivos que apoyan la recuperación del suelo. La función de calidad poscosecha ofrece guías de manipulación segura que preservan el valor del cultivo del campo al destino.

Gobernanza de la terminología y el conocimiento. La plataforma incluye un diccionario agrícola gobernado que aporta definiciones precisas de los términos científicos. La expansión coherente de la base de conocimiento en los diez idiomas se apoya en un proceso de importación gobernado y en un enfoque de generación aumentada por recuperación (RAG). En todos estos procesos, el contenido se verifica antes de su publicación.

4.9 Análisis comparativo con otras plataformas

La mayoría de las soluciones examinadas en este manuscrito se centran en una función concreta o en una escala de usuario concreta. La tabla siguiente compara la plataforma Aladdin Agri AI con plataformas representativas tratadas en capítulos anteriores, a lo largo de dimensiones pertinentes para llegar al pequeño agricultor. La comparación se basa en las características declaradas en las descripciones promocionales y técnicas de las plataformas.

Como muestra la tabla, varias de las plataformas examinadas también ofrecen soporte multilingüe o se dirigen al pequeño agricultor. Lo que distingue a Aladdin Agri AI no es una afirmación aislada de superioridad, sino una combinación de características: la adopción del pequeño agricultor como usuario predeterminado, la consolidación de funciones multidominio dentro de un único marco de gobernanza, la entrega a través de tres canales, un marco explícito de gobernanza y control de la alucinación, y un modelo de acceso de bajo costo o gratuito. La comparación con soluciones especializadas basadas en hardware, como el control robótico de malezas, solo es significativa en dimensiones limitadas, porque esas soluciones atienden un caso de uso y una estructura de costos distintos.

4.10 Modelo de acceso, equidad y precios

El modelo de acceso de la plataforma está diseñado para reflejar de manera directa su objetivo de llegar al pequeño agricultor a bajo costo. El acceso para los estudiantes de agricultura se ofrece de forma gratuita gracias al apoyo de patrocinadores. La tarifa de acceso anual para los agricultores se mantiene en un nivel simbólico de unos doce dólares estadounidenses, lo que refleja el principio de acceso fácil y bajo costo. Se prevén tarifas de acceso de unos cien dólares estadounidenses para las agroempresas y de unos ciento veinte dólares estadounidenses para los centros de investigación.

Esta estructura escalonada hace sostenibles el acceso gratuito de los estudiantes y el acceso de bajo costo de los agricultores, al apoyarse en los ingresos de los usuarios empresariales y de investigación junto con las contribuciones de los patrocinadores. El modelo busca que el conocimiento agrícola experto sea accesible para agricultores de distintos niveles de ingreso, y no un privilegio. Este diseño es coherente con el objetivo central de la plataforma de no limitarse a las grandes operaciones agrícolas.

4.11 Posicionamiento y limitaciones

Aladdin Agri AI se distingue de las soluciones de una sola función y de las plataformas centradas en lo empresarial examinadas en este manuscrito mediante un diseño que sitúa al pequeño agricultor en el centro. Las características distintivas de la plataforma son el enrutamiento de las salidas de inteligencia artificial a través de una capa de revisión, la conservación de la aprobación humana para las decisiones de alto riesgo, la adaptación del servicio a los canales web, móvil y de escritorio, y la disponibilidad constante de orientación general para el agricultor en condiciones de bajos recursos.

Conviene subrayar que las descripciones presentadas en este capítulo se basan en la documentación de diseño y los registros de implementación de la plataforma. Las descripciones funcionales que aquí figuran son capacidades documentadas a nivel de diseño y desarrollo; no constituyen afirmaciones definitivas de eficacia basadas en una comparación de campo independiente ni en un punto de referencia de desempeño externo. Los principales desafíos que enfrentan las plataformas integradas se superponen con las barreras de interoperabilidad, calidad de los datos, infraestructura y adopción que se tratan en el Capítulo 20\. Superar estos desafíos en el contexto del pequeño agricultor será decisivo para la concreción del objetivo de diseño declarado de la plataforma.

Capítulo 5: Sistemas de gestión de cultivos y producción

5.1 Sistemas de información para la gestión de explotaciones (FMIS)

Los sistemas de información para la gestión de explotaciones constituyen la capa fundamental de la agricultura basada en inteligencia artificial, pues integran datos de múltiples fuentes para apoyar la toma de decisiones en todas las operaciones de la explotación. Las plataformas FMIS modernas emplean aprendizaje automático, computación en la nube, imágenes satelitales y redes de sensores del Internet de las cosas para proporcionar una inteligencia integral de la explotación.

La función central de los FMIS es recopilar, analizar y actuar sobre los datos agrícolas. Estos sistemas han evolucionado de simples herramientas de registro a sofisticadas plataformas de inteligencia artificial capaces de realizar análisis predictivos, monitoreo en tiempo real y recomendaciones automatizadas.

5.2 Cropin Cloud: una nube agrícola inteligente

Cropin Cloud representa un hito importante en la inteligencia artificial agrícola, y se presenta como la primera plataforma de nube agrícola inteligente del mundo. Desarrollada por Cropin, que cuenta con quince años de experiencia en la industria agroalimentaria mundial, la plataforma proporciona un conjunto completo de capacidades específicas para la agricultura, diseñadas para acelerar la transformación digital con la inteligencia artificial como prioridad en todo el ecosistema agrícola.

Componentes centrales:

Cropin Cloud integra tres componentes principales:

1. Cropin Apps: Una cartera integrada de aplicaciones y soluciones personalizables que captan y digitalizan datos agrícolas desde la explotación hasta el almacén y la mesa. Estas aplicaciones están diseñadas para escalar la transformación digital en la agricultura, los alimentos y las industrias afines.

1. Cropin Data Hub: Aporta el poder de los datos unificados al permitir la interconexión con todas las fuentes de datos agrícolas, desde las aplicaciones de gestión de explotaciones en campo, los dispositivos del Internet de las cosas, los datos de mecanización de los recursos agrícolas, los drones y la información satelital de teledetección hasta los datos meteorológicos.

1. Cropin Intelligence: Ofrece soluciones de inteligencia artificial agéntica (Agentic AI) altamente personalizadas y una plataforma de inteligencia agrícola impulsada por inteligencia artificial generativa, con acceso a 22 modelos de inteligencia artificial de aprendizaje profundo contextuales que aportan conocimientos accionables e inteligencia predictiva.

Modelos de inteligencia artificial:

Cropin Intelligence utiliza 22 modelos de inteligencia artificial probados en campo, que incluyen la detección de cultivos, la estimación del rendimiento, la programación del riego, la predicción de plagas y enfermedades, la absorción de nitrógeno, la detección del estrés hídrico, la estimación de la fecha de cosecha, la detección de cambios y la calificación de parcelas. Estos modelos se construyen mediante una amplia cuadrícula de conocimiento de cultivos, que abarca más de 400 cultivos y más de 10.000 variedades, entrenada con millones de puntos de datos del mundo real.

Características principales:

Cropin Cloud proporciona varias capas de inteligencia:

• Inteligencia a nivel de parcela: Pronósticos precisos sobre rendimiento, etapa del cultivo, sanidad, estrés hídrico, plagas y enfermedades.
• Inteligencia regional: Modelos de inteligencia artificial que analizan datos de suelo, clima, satélite y rendimiento para obtener conocimientos agrícolas profundos.
• Herramientas de sostenibilidad: Hacen seguimiento de la huella de carbono, el consumo de agua y la salud del suelo, lo que ayuda a las organizaciones a aplicar prácticas ambientalmente responsables.
• Cropin Sage: Una plataforma de inteligencia agrícola en tiempo real, impulsada por inteligencia artificial generativa, para ayudar a los usuarios a formular preguntas complejas sobre la producción de alimentos pasada, presente y futura.

Despliegue:

Cropin Intelligence ha sido desplegada por más de 250 empresas de los sectores público y privado de todo el mundo. Entre sus aplicaciones figuran el apoyo al banco Rabo en la India para la evaluación crediticia, la implementación de uno de los mayores programas de seguro de cosechas (PMFBY) de la India, que abarca 250.000 unidades aldeanas, y la ayuda a Rainforest Alliance para identificar plantas de cacao y predecir sus rendimientos.

5.3 Agrotics: plataforma de agricultura inteligente basada en SaaS

Agrotics es una plataforma de tecnología agrícola basada en SaaS, diseñada para empoderar a los productores con conocimientos basados en datos en pos de una agricultura más inteligente y sostenible. La plataforma aprovecha el software en la nube, el aprendizaje automático, los macrodatos, las imágenes satelitales y las tecnologías del Internet de las cosas para actuar como asistente virtual de la explotación.

Capacidades centrales:

• Monitoreo del clima: Hace seguimiento de los datos meteorológicos y las condiciones del microclima en tiempo real.
• Tecnología del Internet de las cosas: Capta datos de campo en tiempo real mediante sensores inteligentes.
• Manejo de plagas y enfermedades: Detecta riesgos de forma temprana y adopta medidas preventivas.
• Planificación de la temporada: Organiza toda la temporada agrícola para alcanzar la máxima productividad.
• Datos de pronóstico: Brinda acceso a pronósticos meteorológicos hiperlocales.
• Imágenes satelitales: Brinda acceso a imágenes satelitales actualizadas para monitorear la sanidad de los cultivos.
• Alertas y predicciones inteligentes: Permite actuar en el momento oportuno con predicciones impulsadas por inteligencia artificial.

Usuarios destinatarios:

Agrotics está construida para todos los actores de la agricultura, entre ellos agricultores, agroempresas, asesores e investigadores que desean tomar mejores decisiones con datos inteligentes.

5.4 Terra Oracle AI: asesor agronómico multilingüe

Terra Oracle AI aborda un desafío fundamental de la agricultura moderna: los productores se ahogan en datos, pero están ávidos de respuestas. Ya se trate de informes de análisis de suelo, imágenes satelitales, estaciones meteorológicas, sistemas de riego, informes de monitoreo o recomendaciones agronómicas, todo llega por separado y deja a los agricultores desbordados.

Arquitectura de la plataforma:

Terra Oracle AI combina dos capas tecnológicas con patente en trámite: un asesor agronómico de inteligencia artificial explicable y una plataforma de escaneo del suelo que utiliza una arquitectura de doble sensor que combina la espectroscopía de radiación gamma con la detección óptica.

Capa de razonamiento agronómico:

La plataforma analiza en conjunto varios flujos de datos, entre ellos las propiedades del suelo, el clima, los índices de vegetación NDVI, el comportamiento del riego, la topografía, las operaciones de campo y el desempeño histórico de los cultivos. Lo que la distingue es la capa de razonamiento agronómico construida sobre los datos.

Características principales:

• Alertas agronómicas proactivas
• Recomendaciones específicas para cada explotación
• Razonamiento explicable
• Interacción conversacional multilingüe de inteligencia artificial

Aprendizaje adaptativo:

La plataforma está diseñada para volverse específica de cada explotación con el tiempo, pues aprende de hecho el comportamiento de cada parcela y operación. Esta capacidad adaptativa representa un avance de peso respecto de los sistemas de recomendación estáticos.

Despliegue y pruebas:

La tecnología se ha probado en agricultura extensiva, cultivos en hileras bajo riego, papa, tomate, pepino, cebolla, zanahoria, cultivos especiales y aplicaciones hortícolas. Se han realizado proyectos piloto en Europa y Asia, entre ellos la India, Francia, España, Eslovenia, Rumania, Polonia, Bulgaria y Ucrania. En la India se han llevado a cabo demostraciones para la producción de papa y maní, exhibiendo capacidades de inteligencia artificial multilingüe adaptadas a los usuarios locales.

Reconocimiento:

En 2026, la empresa recibió el Agritechnica Asia Applied Technology Trophy en la categoría «Soluciones Digitales y de Automatización».

5.5 AgriNEXT: ecosistema impulsado por inteligencia artificial que integra satélites e Internet de las cosas

AgriNEXT representa un ecosistema impulsado por inteligencia artificial que integra satélites e Internet de las cosas para la agricultura de precisión. Al alimentar un motor centralizado de inteligencia artificial con datos tanto del nivel del terreno como satelitales, AgriNEXT ofrece una visión integral de la plantación, lo que permite una gestión de precisión, es decir, la capacidad de aplicar agua, fertilizantes y plaguicidas solo donde y cuando se necesitan.

Impacto en la sostenibilidad:

Al optimizar el uso de los recursos, AgriNEXT ayuda a las agroempresas a reducir su huella de carbono y a transitar hacia prácticas sostenibles. Las capacidades predictivas de la inteligencia artificial también permiten un pronóstico de rendimiento más preciso, lo que ayuda a las empresas a gestionar las cadenas de suministro y a mitigar los riesgos derivados de la volatilidad climática y las enfermedades.

5.6 FarmMind: inteligencia artificial agéntica para productores modernos

FarmMind es una plataforma todo en uno que combina inteligencia artificial, sistemas de información geográfica (SIG), monitoreo, economía y tableros, diseñada para poner el poder de la agricultura de precisión y la inteligencia artificial directamente en manos de los productores. Impulsada por inteligencia artificial agéntica, la plataforma está diseñada para productores, consultores y profesionales agrícolas modernos.

5.7 Análisis comparativo de las plataformas de gestión de explotaciones

Capítulo 6: Detección de enfermedades de los cultivos y aplicaciones de sanidad vegetal

6.1 La importancia de la detección temprana de enfermedades

Las enfermedades de las plantas constituyen una amenaza considerable para la productividad agrícola y la seguridad alimentaria. La detección tradicional de enfermedades se apoya en inspecciones manuales de campo y en el conocimiento experto, que resultan costosos en tiempo, intensivos en mano de obra y a menudo de exactitud limitada. La detección de enfermedades impulsada por inteligencia artificial ofrece el potencial de un diagnóstico rápido, exacto y escalable.

La integración de la inteligencia artificial en la agricultura marca una nueva era de precisión y eficiencia. Las redes neuronales convolucionales (CNN) permiten la detección temprana de enfermedades de los cultivos mediante la clasificación basada en imágenes, lo que reduce la pérdida de rendimiento.

6.2 AGMRI: aplicación automatizada de inteligencia de cultivos

AGMRI es una plataforma de inteligencia artificial que combina imágenes de muy alta resolución con aprendizaje automático y visión por computadora para ofrecer una visión detallada «a nivel de hilera», completa e ininterrumpida, de cada hectárea y cada parcela durante toda la temporada. Diseñada para agricultores, agrónomos y especialistas en cultivos, AGMRI alerta a los usuarios sobre lo que ocurre en sus parcelas, lo que permite una intervención temprana.

6.3 CropGPT: modelo multimodal grande para el diagnóstico de plagas y enfermedades

CropGPT representa un avance de peso en el diagnóstico de enfermedades de los cultivos impulsado por inteligencia artificial. Los enfoques existentes se apoyan sobre todo en datos de una sola modalidad para diagnosticar cultivos específicos y carecen de la capacidad de ofrecer un razonamiento diagnóstico explicable, lo que limita su escalabilidad y su generalización. CropGPT supera estas limitaciones al permitir el diagnóstico en todos los tipos de cultivo y al ofrecer explicaciones diagnósticas interactivas.

Arquitectura:

CropGPT es un marco de extremo a extremo que integra un codificador visual y un modelo de lenguaje grande. El codificador visual emplea un módulo DynamicFocus propuesto para extraer características de imagen de múltiples niveles que abarcan información global, local y a nivel de objeto. El modelo de lenguaje grande incorpora un diseño de cadena de pensamiento, que permite un diagnóstico interactivo paso a paso junto con un razonamiento explicativo.

Conjunto de datos y entrenamiento:

Para posibilitar un ajuste fino eficaz y alcanzar un desempeño sólido en diversos cultivos, se construyó un conjunto de datos denominado CropInstruct con base en un paradigma automatizado y de costo eficiente, que alivió de manera notable la escasez de datos multimodales de enfermedades de los cultivos de alta calidad. Una estrategia de aumento del conocimiento en el momento de la prueba mejora el desempeño diagnóstico de cero disparos sin necesidad de reentrenamiento, lo que potencia aún más la generalización del modelo a una amplia gama de cultivos.

Desempeño:

Los resultados experimentales muestran que CropGPT alcanza una exactitud de 0,931 en el diagnóstico (una mejora de al menos el 35,6%), 71,2 de BLEU-4 en la descripción de imágenes (al menos el 44,4%) y 85,3 de BLEU-4 en el razonamiento (al menos el 47,3%) en 79 categorías de plagas y enfermedades de los cultivos, con un desempeño superior al de modelos multimodales de vanguardia como GPT-4o y al de modelos clásicos de aprendizaje profundo en entornos unimodales. En la evaluación de cero disparos, alcanza una exactitud de 0,795 en 10 cultivos no vistos, y supera a Qwen-VL-Max en un 7,3%.

6.4 TatarAI: detección de enfermedades en dispositivos móviles y gestión de la sanidad vegetal

TatarAI lleva la agricultura a la era digital al analizar las plantas y mejorar el rendimiento con tecnología impulsada por inteligencia artificial, diseñada tanto para agricultores como para cultivadores domésticos. La aplicación facilita la gestión del diagnóstico de enfermedades, la planificación de la fertilización y el seguimiento del desarrollo de las plantas directamente desde un teléfono móvil.

Capacidades:

• Diagnóstico de plantas (basado en cámara): Tome una foto de un cultivo o una planta de interior y deje que TatarAI detecte problemas en hojas, tallos, frutos o raíces mediante un análisis visual de inteligencia artificial.
• Detección y clasificación de enfermedades: Obtenga descripciones detalladas de las enfermedades detectadas, como la roya del trigo, el mildiú velloso del girasol o el tizón foliar.
• Sugerencias de tratamiento: Reciba planes de tratamiento químico u orgánico específicos, con recomendaciones de dosis, momento de aplicación y consejos de uso.
• Sugerencias inteligentes basadas en la ubicación: Obtenga consejos de riego y fertilización adaptados al suelo, la humedad y el clima de la región.
• Seguimiento del crecimiento: Monitoree el progreso con comparaciones visuales, puntuaciones de sanidad semanales y notas guardadas.
• Gestión de múltiples parcelas: Gestione varias parcelas y los datos de cada cultivo por separado.

Adaptación geográfica:

El sistema se adapta a las condiciones locales. Un campo de trigo en Tekirdağ y un invernadero de tomate en Antalya requieren cuidados distintos, y TatarAI lo tiene en cuenta.

Privacidad:

Los datos del usuario son enteramente privados. La ubicación solo se utiliza para personalizar las sugerencias. Las fotos se analizan únicamente con fines de inteligencia artificial y nunca se comparten con terceros.

6.5 Modelos CNN para móviles para la detección de enfermedades en hojas de maíz

El maíz es el cultivo de mayor producción del mundo, por encima de la producción de trigo y arroz. Sin embargo, su rendimiento se ve afectado con frecuencia por diversas enfermedades foliares. Se requiere una identificación temprana mediante herramientas de fácil acceso para aumentar el rendimiento.

Enfoque técnico:

Los investigadores desarrollaron una aplicación móvil novedosa, en tiempo real y de uso sencillo para la detección y clasificación de enfermedades en hojas de maíz. Los modelos VGG16, AlexNet y ResNet50 se implementaron y compararon en la detección de enfermedades del maíz. Se utilizaron en total 4.188 imágenes de tizón, roya común, mancha gris foliar y hojas sanas para entrenar cada modelo.

Desempeño:

• VGG16 alcanzó una exactitud de prueba del 95%
• AlexNet alcanzó una exactitud de prueba del 91%
• ResNet50 alcanzó una exactitud de prueba del 72%

VGG16 superó a los demás modelos en cuanto a exactitud y se implementó en una aplicación móvil para ofrecer detección de enfermedades en tiempo real.

Uso de la aplicación:

La aplicación desarrollada mejorará la detección temprana de enfermedades y la toma de decisiones, y contribuirá a una mejor gestión de los cultivos y a la seguridad alimentaria para los técnicos de extensión, los gerentes de agroempresas y los responsables de políticas.

6.6 Marco de aprendizaje profundo de tres niveles para el diagnóstico de enfermedades en múltiples cultivos

Un marco de tres pasos que se apoya en el reconocimiento de patrones y la clasificación de los síntomas visuales de las enfermedades ofrece un diagnóstico fiable y aplicable en campo. El enfoque combina la adquisición de imágenes mediante la cámara de un teléfono inteligente con un canal de procesamiento estructurado que incluye la extracción de características, la clasificación y la entrega del resultado a través de una aplicación móvil construida sobre una arquitectura de tres niveles.

6.7 Especificaciones técnicas y puntos de referencia de exactitud

Capítulo 7: Sistemas de predicción de rendimiento y pronóstico de cosecha

7.1 La importancia del pronóstico de rendimiento

La predicción exacta del rendimiento es esencial para la planificación de la explotación, la asignación de recursos, la coordinación con el mercado y la seguridad alimentaria. Los sistemas de pronóstico de rendimiento impulsados por inteligencia artificial se nutren de imágenes satelitales, datos meteorológicos, información del suelo y patrones históricos para generar predicciones exactas y oportunas.

Las redes de memoria a corto y largo plazo (LSTM) apoyan la modelización predictiva para el pronóstico de rendimiento y la evaluación de la salud del suelo, lo que contribuye a la asignación de recursos.

7.2 Cropin Intelligence: 22 modelos de inteligencia artificial probados en campo

Como se señaló antes, Cropin Intelligence utiliza 22 modelos de inteligencia artificial probados en campo, que aportan conocimientos predictivos y prescriptivos para la agricultura. Estos incluyen:

• Detección de cultivos
• Estimación del rendimiento
• Programación del riego
• Predicción de plagas y enfermedades
• Absorción de nitrógeno
• Detección del estrés hídrico
• Estimación de la fecha de cosecha
• Detección de cambios
• Calificación de parcelas

Estos modelos permiten una toma de decisiones dinámica mediante aprendizaje automático avanzado construido sobre la amplia cuadrícula de conocimiento de cultivos.

7.3 Sistema de agricultura de precisión impulsado por inteligencia artificial para la predicción de rendimiento

Un sistema de agricultura de precisión impulsado por inteligencia artificial desarrolla métodos de agricultura inteligente mediante algoritmos de aprendizaje automático y aprendizaje profundo. Cuatro módulos inteligentes se ocupan de la predicción del rendimiento del cultivo, la programación del riego, las recomendaciones de fertilizantes y la identificación de enfermedades.

Especificaciones técnicas:

• Predicción del rendimiento y programación del riego mediante modelos de Random Forest y Gradient Boosting
• Identificación de enfermedades mediante una red neuronal convolucional basada en MobileNetV2
• Coeficiente de determinación (R²) de 0,92 para la predicción del rendimiento
• Exactitud del 90% para la clasificación de enfermedades

7.4 Zonas de estabilidad del rendimiento con aprendizaje automático interpretable

Un marco universal que integra las Zonas de Estabilidad del Rendimiento (YSZ) y el aprendizaje automático interpretable potencia la toma de decisiones en entornos agrícolas variables.

Metodología:

El marco analiza datos plurianuales de rendimiento, suelo y precipitaciones para desarrollar las zonas de estabilidad del rendimiento, evaluar la estabilidad temporal del rendimiento e integrar el aprendizaje automático (árboles de decisión) a fin de favorecer la interpretación de los factores del rendimiento.

Hallazgos:

Se identificó una dinámica temporal de peso en las interacciones entre el suelo y el rendimiento. Las evaluaciones de un solo año no logran captar la variabilidad interanual crítica de los factores del rendimiento. Las zonas de estabilidad del rendimiento delimitaron de manera eficaz áreas de producción espacialmente coherentes, al distinguir las zonas estables de alto rendimiento de las regiones inestables, mientras que los árboles de decisión identificaron los factores clave de la variabilidad del rendimiento.

Contribución:

En conjunto, estas herramientas proporcionan un enfoque basado en datos para optimizar la producción de cultivos de manera sostenible, lo que cubre una brecha crítica en la analítica de cultivos.

7.5 Marco de Internet de las cosas y aprendizaje automático para el pronóstico inteligente de cultivos

Un marco que aprovecha una red de sensores distribuida para el monitoreo in situ en tiempo real de parámetros agronómicos críticos (humedad del suelo, niveles de nutrientes, microclima, sanidad de los cultivos) dota a las partes interesadas de una inteligencia accionable para la asignación precisa de recursos, el riego y la fertilización optimizados, la detección temprana de enfermedades y las decisiones de mercado fundamentadas.

7.6 Plataformas de código abierto

Varias plataformas de código abierto ofrecen capacidades de predicción de rendimiento impulsadas por inteligencia artificial:

AgriPredict AI: Una plataforma integrada web e inteligencia artificial diseñada para empoderar a los pequeños agricultores con herramientas inteligentes basadas en datos para la predicción de rendimiento, el monitoreo del clima, la analítica de la explotación y las recomendaciones accionables.

Cropl: Un SDK de Python para la predicción del rendimiento de cultivos impulsado por imágenes satelitales y aprendizaje automático, que proporciona acceso programático a los pronósticos de rendimiento para desarrolladores, actuarios, aseguradoras y organismos gubernamentales.

AgriIntel: Una plataforma de agricultura inteligente impulsada por inteligencia artificial, construida con la pila MERN y servicios de inteligencia artificial en Python, que proporciona recomendaciones basadas en inteligencia artificial, detección de enfermedades de los cultivos, análisis del clima, conocimientos de mercado y herramientas de agricultura inteligente.

7.7 Análisis comparativo de las herramientas de pronóstico de rendimiento

Capítulo 8: Monitoreo del suelo y aplicaciones de gestión de nutrientes

8.1 El papel crucial de la salud del suelo

La salud del suelo es fundamental para la productividad y la sostenibilidad agrícolas. Los métodos tradicionales de análisis del suelo suelen ser costosos, lentos y solo ofrecen instantáneas periódicas de las condiciones del suelo. Los sistemas de monitoreo del suelo basados en inteligencia artificial ofrecen una evaluación continua y en tiempo real de los parámetros del suelo, lo que permite una gestión de nutrientes de precisión.

8.2 Marcos de análisis de la fertilidad del suelo basados en Internet de las cosas e inteligencia artificial

Se ha desarrollado un novedoso marco basado en inteligencia artificial e Internet de las cosas para el análisis de la fertilidad del suelo en tiempo real y la recomendación adaptativa de cultivos en la agricultura inteligente. El sistema incluye una red de sensores del Internet de las cosas que mide datos multidimensionales del suelo, entre ellos los niveles de humedad, acidez (pH), nitrógeno, fósforo y potasio, y los envía a un motor de analítica basado en inteligencia artificial.

8.3 Fusión de sensores inteligentes para el análisis de nutrientes del suelo en tiempo real

Un sistema sofisticado para el análisis de nutrientes del suelo en tiempo real y el ajuste automático de cultivos emplea aprendizaje por refuerzo impulsado por inteligencia artificial. Se ha demostrado la eficacia del sistema para lograr una detección precisa de los nutrientes del suelo con tasas de error mínimas y una mejor toma de decisiones para el ajuste automático de cultivos.

8.4 Modelos de predicción de la humedad del suelo a escala de parcela

Los sensores de suelo autónomos y asequibles y la tecnología del Internet de las cosas permiten el monitoreo de la humedad del suelo en tiempo real, lo que ofrece oportunidades para la calibración de modelos en tiempo real y la optimización del riego. Un estudio demuestra el uso de datos de sensores de humedad del suelo en un marco de modelización inversa bayesiana, lo que ofrece soluciones prácticas para la predicción de la humedad del suelo en tiempo real.

8.5 Sistemas de apoyo a la decisión para la gestión integrada de nutrientes

Se están desarrollando herramientas digitales in situ impulsadas por inteligencia artificial para la detección de contaminantes en el suelo, las plantas y los alimentos, con calibración de modelos mediante algoritmos de aprendizaje automático para mejorar las tasas de error. Estas herramientas se interconectan con sistemas de apoyo a la decisión dotados de mecanismos de cadena de bloques y ciberseguridad, lo que permite decisiones fundamentadas y la toma de decisiones automatizada para el Manejo Integrado de Plagas (MIP) y la Gestión Integrada de Nutrientes (INM).

8.6 Monitoreo de la salud del suelo en el trigo

La iniciativa WHEATWATCHER une el monitoreo de la salud del suelo, la evaluación de la sanidad vegetal y la trazabilidad de los alimentos mediante un sistema digital de monitoreo del suelo que evalúa los factores nutricionales, químicos y biológicos que inciden en los granos de trigo, desde su crecimiento en el campo hasta la producción de harina.

8.7 Análisis comparativo de las tecnologías de monitoreo del suelo

Capítulo 9: Control de malezas y sistemas de control robótico

9.1 El desafío del control de malezas

Las malezas compiten con los cultivos por el agua, los nutrientes y la luz, lo que reduce los rendimientos de manera notable. Los enfoques tradicionales, entre ellos el uso generalizado de herbicidas, la labranza intensiva del suelo y el trabajo manual, son cada vez menos sostenibles. Los herbicidas contribuyen a la resistencia y a la toxicidad ambiental, la labranza acelera la erosión del suelo y la escasez de mano de obra limita la viabilidad del deshierbe manual.

9.2 Detección y eliminación robótica de malezas basada en aprendizaje Q profundo

La investigación examina el uso del aprendizaje Q profundo (DQL) en sistemas robóticos para identificar y eliminar malezas en la gestión de cultivos de precisión. Los hallazgos experimentales indican la eficacia del sistema, al alcanzar una exactitud del 97% en la identificación de malezas, una disminución del 75% en el uso de herbicidas y una mejora del 30% en la eficiencia de eliminación de malezas.

9.3 LaserWeeder de Carbon Robotics y el Modelo Grande de Plantas (LPM)

Carbon Robotics ha dado un paso importante en el control de malezas impulsado por inteligencia artificial con el Modelo Grande de Plantas (LPM), un modelo de base para la identificación de plantas. LaserWeeder se posiciona como una forma de reducir de manera notable o eliminar el uso de herbicidas posemergentes. Según la empresa, LaserWeeder puede reemplazar todo el uso de productos químicos posemergentes.

Desempeño:

Los resultados muestran una eliminación de malezas del 80-85% sin herbicidas y una reducción del 70-80% en la perturbación del suelo.

9.4 Robot de deshierbe ligero y autónomo alimentado por energía solar

Un robot de deshierbe ligero, plenamente autónomo y alimentado por energía solar utiliza inteligencia artificial basada en redes neuronales profundas para detectar malezas entre las plantas deseadas. Puede destruir las malezas de manera eficaz mediante métodos de contacto (mecánicos) y sin contacto (haz de energía), según el tamaño y el tipo de maleza, así como las condiciones del suelo y el clima, sin generar ningún riesgo de incendio.

9.5 EM-GROW: robots con apoyo espacial para explotaciones orgánicas

EM-GROW combina la localización basada en sistemas globales de navegación por satélite (GNSS) con un sistema de detección de plantas impulsado por inteligencia artificial. El sistema ofrece una alternativa eficiente, respetuosa del medio ambiente y que ahorra mano de obra frente al control manual de malezas.

9.6 Análisis comparativo de los sistemas robóticos de control de malezas

Capítulo 10: Cosecha autónoma y sistemas robóticos

10.1 El desafío de la mano de obra en la cosecha

La cosecha es una de las operaciones más intensivas en mano de obra de la agricultura, en particular para cultivos especiales como las frutas y las hortalizas, que requieren una manipulación delicada. La escasez de mano de obra, el aumento de los costos y la necesidad de una calidad constante han impulsado el desarrollo de sistemas robóticos de cosecha impulsados por inteligencia artificial.

10.2 Cosechadora de Eternal.ag: robot de cosecha de tomate plenamente autónomo

La cosechadora de Eternal.ag es un robot de cosecha plenamente autónomo, diseñado para invernaderos de tomate, que opera hasta 22 horas diarias de manera constante y funciona como parte de un sistema inteligente impulsado por inteligencia artificial para asegurar la calidad del producto. El robot aborda la generalizada escasez de mano de obra del sector a la vez que mejora la eficiencia operativa.

10.3 Recolección de fresas con visión por inteligencia artificial, dedos de silicona y un ventilador

Un sistema robótico de recolección de fresas exhibe un grado de matiz que acerca la automatización un paso más a igualar el juicio humano en el campo. En lugar de tratar cada objeto parecido a una baya como listo para la cosecha, el robot puede decidir cuándo recolectar, cuándo esperar y cuándo reposicionarse para obtener una mejor vista, un rasgo esencial para un cultivo que madura un fruto a la vez.

10.4 Cosecha robótica de pepinos ocultos

La cosecha de pepino en entornos de invernadero enfrenta desafíos como los puntos de corte ocultos y las estructuras vegetales superpuestas. Un sistema robótico de cosecha plenamente integrado combina innovaciones de percepción, control y efector final para abordar estos problemas.

10.5 Cosecha automatizada de manzanas e inspección de calidad poscosecha

La investigación del Departamento de Agricultura de los Estados Unidos (USDA) está desarrollando una nueva tecnología robótica de costo eficiente para la cosecha automatizada de manzanas y una tecnología de imagen de nueva generación para la inspección de calidad de frutas y hortalizas durante la manipulación poscosecha.

10.6 Análisis comparativo de los robots de cosecha

Capítulo 11: Riego de precisión y sistemas de gestión del agua

11.1 El desafío de la escasez de agua

La escasez de agua afecta a las regiones agrícolas de todo el mundo, y el riego representa la mayor parte de las extracciones de agua dulce. El riego de precisión impulsado por inteligencia artificial optimiza el uso del agua, lo que reduce el desperdicio a la vez que mantiene o mejora los rendimientos de los cultivos.

Los modelos basados en inteligencia artificial y el monitoreo con drones pueden aumentar el rendimiento de los cultivos hasta en un 20% y reducir el uso de agua y fertilizantes en un 30%.

11.2 Riego de precisión basado en inteligencia artificial con interacción persona-máquina

La investigación del Laboratorio GEAR del Instituto Tecnológico de Massachusetts (MIT) aborda las restricciones específicas de los agricultores con recursos limitados. Los investigadores sintetizaron los requisitos funcionales de una herramienta capaz de atender las necesidades de eficiencia a la vez que se integra en las prácticas manuales actuales, y propusieron un concepto de diseño de interacción persona-máquina de programación automática y operación manual (AS-MO).

11.3 Programación inteligente del riego con aprendizaje automático

Las técnicas de aprendizaje automático apoyan la optimización del riego al integrar las entradas de los sensores con los datos meteorológicos. Los sistemas de riego basados en inteligencia artificial optimizan la eficiencia del uso del agua al integrar las entradas de los sensores con los datos meteorológicos.

11.4 Optimización de la eficiencia del uso del agua en tiempo real

El riego inteligente, la robótica blanda y los sistemas autónomos demuestran su eficacia en aplicaciones específicas como la poda, el deshierbe y la acuaponía. La integración de la inteligencia artificial con el Internet de las cosas y los drones muestra un fuerte potencial para el riego agrícola.

11.5 Marcos de riego automatizado basados en Internet de las cosas

Un sistema inteligente de apoyo a la decisión para la agricultura de precisión utiliza modelos de aprendizaje profundo basados en redes neuronales convolucionales para la programación del riego, junto con la predicción de rendimiento y la identificación de enfermedades.

11.6 Análisis comparativo de las tecnologías de riego con inteligencia artificial

Capítulo 12: Gestión ganadera y monitoreo de la sanidad animal

12.1 La importancia de la inteligencia artificial en la ganadería

La producción ganadera representa un componente principal de la agricultura mundial. Las aplicaciones de inteligencia artificial en la gestión ganadera se centran en el monitoreo de la sanidad animal, la optimización de la alimentación, la reproducción y la gestión ambiental, lo que mejora tanto la productividad como el bienestar animal.

12.2 Inteligencia de Granjas Avícolas (PoultryFI): plataforma de inteligencia artificial multisensor integrada

La Inteligencia de Granjas Avícolas (PoultryFI) es una plataforma modular y de costo eficiente que integra seis módulos impulsados por inteligencia artificial: Optimizador de la Ubicación de Cámaras, Monitoreo Audiovisual, Analítica y Alertas, Conteo de Huevos en Tiempo Real, Pronóstico de Producción y Rentabilidad, y otros cuatro. Es uno de los primeros sistemas que combina la detección de bajo costo, la analítica en el borde y la inteligencia artificial prescriptiva para monitorear de manera continua las parvadas, predecir la producción y optimizar el desempeño.

12.3 BirdWatch: monitoreo de la sanidad avícola integrado con satélites

BirdWatch ayuda a los productores avícolas a identificar riesgos de enfermedad, ambientales y de bienestar antes de que se agraven. Al integrar sensores dentro del galpón, BirdWatch ayuda a los agricultores individuales y a los grandes integradores avícolas que contratan estas granjas a monitorear y proteger sus parvadas mediante la combinación de sensores en la granja con datos satelitales e inteligencia artificial.

12.4 BroBot: robot autónomo de monitoreo de la sanidad avícola

BroBot, desarrollado por académicos turcos de la Universidad Çanakkale Onsekiz Mart (ÇOMÜ), es el primer robot nacional y doméstico de monitoreo de la sanidad avícola de Türkiye. BroBot monitorea una gran cantidad de datos mediante los sensores que lleva incorporados, y notifica de inmediato a los propietarios de la granja, los veterinarios o los cuidadores cuando detecta algún problema entre las aves. A diferencia de sus homólogos en el extranjero, BroBot puede detectar no solo a los pollos de engorde enfermos o muertos, sino también monitorear indicadores de bienestar.

12.5 Internet de las cosas y redes de sensores inalámbricos para la gestión de galpones de pollos de engorde

La combinación del Internet de las cosas, las cámaras de videovigilancia impulsadas por inteligencia artificial, las redes de sensores inalámbricos y los sistemas de control automatizados ofrece una solución multifacética para la gestión integral de los galpones de pollos de engorde. Los datos en tiempo real, los conocimientos predictivos y los controles automatizados contribuyen de manera conjunta a la reducción de costos, la mitigación de pérdidas y la toma de decisiones fundamentada.

12.6 Sistemas de visión artificial para granjas avícolas inteligentes

Se ha desarrollado un sofisticado sistema de visión artificial que utiliza aprendizaje profundo e incorpora el algoritmo YOLOv11 para monitorear y gestionar las aves de corral de manera automática. Las granjas avícolas pueden monitorear la salud, el comportamiento y las condiciones ambientales de las aves de forma más eficiente y exacta mediante la integración de sensores, automatización y analítica avanzada.

12.7 Visión por computadora para el monitoreo del comportamiento de las gallinas ponedoras

Se ha desarrollado un sistema basado en inteligencia artificial para monitorear el comportamiento de las gallinas ponedoras mediante visión por computadora, destinado a granjas avícolas de pequeña escala, que permite la evaluación del bienestar y la detección temprana de comportamientos anómalos.

12.8 Análisis comparativo de los sistemas de inteligencia artificial en la ganadería

Capítulo 13: Acuicultura y aplicaciones de gestión pesquera

13.1 El auge de la Acuicultura 4.0

La industria de la acuicultura opera ahora como sistemas autogestionados basados en datos, denominados «Acuicultura 4.0», porque se han implementado tecnologías de la Industria 4.0 como el Internet de las cosas, la inteligencia artificial y la analítica de macrodatos. La inteligencia artificial se ha convertido en una tecnología ampliamente adoptada en toda la acuicultura, que alcanzó una producción mundial de 185 millones de toneladas en 2022\.

13.2 Sistemas de piscicultura impulsados por inteligencia artificial

Los sistemas de piscicultura impulsados por inteligencia artificial se utilizan en sistemas de acuicultura de recirculación en tierra (RAS), sistemas de jaulas en mar abierto y piscifactorías en aguas abiertas. Estos sistemas promueven una producción sostenible de productos del mar mediante la analítica de datos en tiempo real, la automatización y el monitoreo predictivo, que optimizan el uso del alimento, reducen el desperdicio, mejoran la salud de los peces y minimizan el impacto ambiental.

13.3 Modelización predictiva y sistemas de apoyo a la decisión

Una revisión de la modelización predictiva y los sistemas de apoyo a la decisión en la acuicultura sostenible examina de manera crítica cómo la inteligencia artificial transforma las operaciones de acuicultura. La alimentación de precisión reduce de manera notable la intervención manual y el desperdicio operativo. La inteligencia artificial puede utilizarse en la acuicultura para limitar el desperdicio de insumos y recortar los gastos hasta en un 30%.

13.4 Monitoreo de la calidad del agua y detección de enfermedades en tiempo real

Entre las principales aplicaciones de la inteligencia artificial en la acuicultura figuran el monitoreo de la calidad del agua en tiempo real, la detección de enfermedades, la estimación automatizada de la biomasa de peces y los calendarios de alimentación optimizados. Se están implementando sistemas impulsados por inteligencia artificial para monitorear la salud de los peces, optimizar los calendarios de alimentación y prevenir brotes de enfermedades.

13.5 Evaluación de las poblaciones de peces y reducción de la captura incidental

La inteligencia artificial fortalece la gestión pesquera mediante el aprendizaje automático, el monitoreo en tiempo real y la analítica predictiva, que mejoran las evaluaciones de las poblaciones, reducen la captura incidental y potencian la conservación de los ecosistemas. La inteligencia artificial monitorea la actividad pesquera en todo el mundo y promueve la sostenibilidad de la pesca en mar abierto. La inteligencia artificial también se utiliza para combatir la pesca ilegal, no declarada y no reglamentada (INDNR).

13.6 Calendarios de alimentación optimizados y estimación de la biomasa

La inteligencia artificial tiene el potencial de mejorar la acuicultura al facilitar una gestión más eficiente del crecimiento, la alimentación y la reproducción de los peces durante períodos prolongados, con una estimación automatizada de la biomasa de peces mediante técnicas de inteligencia artificial.

13.7 Análisis comparativo de las tecnologías de acuicultura

Capítulo 14: Asesoramiento agrícola y sistemas de apoyo a la decisión

14.1 Tender un puente sobre la brecha de la extensión agrícola

Los servicios tradicionales de asesoramiento agrícola enfrentan limitaciones considerables para llegar a los pequeños agricultores con información oportuna y exacta. Los avances en los modelos de lenguaje grandes (LLM) muestran potencial para empoderar los sistemas de extensión agrícola; no obstante, su aplicación directa puede plantear riesgos debido a la falta de información específica del contexto.

14.2 FarmerChat de Digital Green: asistente de inteligencia artificial localizado y multilingüe

FarmerChat es un asistente impulsado por inteligencia artificial, desarrollado por Digital Green, que brinda a los agricultores asesoramiento agrícola gratuito, localizado y climáticamente inteligente en sus propios idiomas, mediante texto, video, voz e imágenes. La herramienta está diseñada para ampliar el acceso de los agricultores a información oportuna y confiable sobre la gestión de cultivos, los mercados y la resiliencia climática.

FarmerChat reimagina la manera en que los agricultores acceden a un conocimiento confiable y localizado a una fracción de los costos tradicionales, con pruebas de usuario en marcha para anclar la innovación de la inteligencia artificial en la retroalimentación real de los agricultores, a fin de asegurar que las herramientas sean exactas, inclusivas y refuercen de verdad la resiliencia en los sistemas alimentarios.

14.3 Vayazh: asesor agrícola asistido por inteligencia artificial con tecnología RAG

Vayazh es un asesor agrícola asistido por inteligencia artificial, diseñado para apoyar a principiantes, aficionados y productores agrícolas de pequeña escala en la mejora de la toma de decisiones y la productividad. Su objetivo principal es posibilitar una orientación agrícola accesible, exacta y consciente del contexto mediante la integración del conocimiento específico del dominio con datos ambientales en tiempo real.

Enfoque técnico:

Vayazh emplea un modelo de generación aumentada por recuperación (RAG) con ajuste fino, entrenado con conjuntos de datos agrícolas fiables, que abarcan el cuidado de los cultivos, el control de plagas, la gestión del riego y la planificación estacional. El marco integra información meteorológica en tiempo real para formular sugerencias de manera dinámica según las condiciones regionales, como aplazar el riego cuando se pronostica lluvia.

Innovación principal:

El hallazgo más notable es que la integración de la inteligencia artificial conversacional con el conocimiento agrícola formalizado y la detección ecológica da como resultado una mejor programación de las tareas, una mayor interacción del usuario y un mayor cumplimiento de las prácticas agrícolas ecológicamente sostenibles.

14.4 Kisan AI: sistema de asesoramiento de cultivos inteligente y consciente de la rentabilidad

Los sistemas tradicionales de asesoramiento agrícola optimizan sobre todo el rendimiento biológico y a menudo pasan por alto el precio de mercado, lo que puede llevar a los agricultores hacia decisiones agronómicamente sólidas pero financieramente inviables. Kisan AI aborda esta brecha al incorporar la conciencia de la rentabilidad en las recomendaciones de cultivos. Un asistente conversacional de inteligencia artificial de nueve idiomas, impulsado por la API de Anthropic Claude, unifica todos los módulos en una única plataforma instalable en dispositivos móviles y accesible para los agricultores de toda la India.

14.5 CottonBot: asistente para el cultivo de algodón impulsado por un modelo de lenguaje grande

CottonBot es un asistente impulsado por inteligencia artificial, diseñado para apoyar a los productores de algodón con directrices agrícolas integrales, que incluyen el manejo de plagas, la fertilización del suelo, el control de malezas, la gestión de nematodos y recomendaciones de riego en tiempo real, conscientes del contexto y específicas de cada explotación, mediante herramientas de LLM-RAG e inteligencia artificial agéntica.

14.6 Agro Bot: redes neuronales artificiales y procesamiento del lenguaje natural para el asesoramiento agrícola

Agro Guide Bot ofrece recomendaciones personalizadas instantáneas que abarcan diversos temas relacionados con la agricultura. El bot brinda a los agricultores consejos fiables para manejar decisiones agrícolas complejas mediante el suministro de análisis de pronósticos meteorológicos, condiciones del suelo, sugerencias de control de plagas y recomendaciones de herramientas agrícolas recientes, utilizando Redes Neuronales Artificiales (ANN) y Procesamiento del Lenguaje Natural (NLP).

14.7 Proyecto GAIA: inteligencia artificial generativa para la agricultura

El proyecto de Inteligencia Artificial Generativa para la Agricultura (GAIA), liderado por el IFPRI, tiene por objeto potenciar la eficacia, la fiabilidad y la pertinencia contextual del asesoramiento agrícola generado por inteligencia artificial para los productores de pequeña escala del Sur Global.

Fase I (2023-2024): Generó conocimientos clave sobre el diseño y el desarrollo de asistentes conversacionales agrícolas impulsados por inteligencia artificial, mediante el conocimiento agrícola curado, las implementaciones piloto y la investigación sobre la gobernanza de los datos y la evaluación del sesgo de género. El proyecto demostró el potencial de las herramientas de asesoramiento impulsadas por inteligencia artificial y, al mismo tiempo, identificó áreas de mejora.

Fase II (2025-2027): Tiene por objeto seguir potenciando los servicios de asesoramiento agrícola impulsados por inteligencia artificial mediante:

• La ampliación de la agregación de contenido junto con la implementación de marcos sólidos de gobernanza de datos y el desarrollo de un conjunto de herramientas de ética de la inteligencia artificial generativa;
• La habilitación de un asesoramiento dinámico mediante la integración de fuentes de datos en tiempo real, analítica predictiva y modelos multimodales, incluidas imágenes de la sanidad de los cultivos;
• El establecimiento de protocolos integrales de evaluación y de puntos de referencia para valorar el desempeño de los modelos de lenguaje grandes en los servicios de extensión agrícola, con un enfoque en la exactitud, la oportunidad, la sensibilidad de género y la contextualización.

14.8 Análisis comparativo de las plataformas de asesoramiento

Capítulo 15: Agricultura climáticamente inteligente y herramientas de sostenibilidad

15.1 El imperativo de la agricultura climáticamente inteligente

El cambio climático plantea amenazas existenciales para la agricultura mundial. Las tecnologías agrícolas inteligentes, cuando se integran con métricas de ingeniería, pueden contribuir a la mitigación de los gases de efecto invernadero de la agricultura y a la construcción de sistemas alimentarios resilientes al clima.

15.2 Herramientas de sostenibilidad de Cropin: seguimiento de la huella de carbono

Las herramientas de sostenibilidad de Cropin hacen seguimiento de la huella de carbono, el consumo de agua y la salud del suelo, lo que ayuda a las organizaciones a aplicar prácticas ambientalmente responsables. La plataforma proporciona analítica avanzada para hacer seguimiento del uso del agua, la huella de carbono, la labranza, la deforestación, la biomasa aérea, la gestión de los residuos de cultivos y más, a fin de optimizar las prácticas de manera eficiente.

15.3 CinSOIL: inserción y medición del carbono del suelo

CinSOIL es una solución de software para insertar las emisiones de carbono a nivel de explotación y empoderar a los agricultores para restaurar la salud del suelo. CinSOIL ha desarrollado una manera práctica y basada en la ciencia de medir cuánto carbono se almacena en los suelos, lo que da como resultado una forma más rápida y fiable de verificar los niveles de carbono del suelo.

15.4 Farmdee-Mesook: plataforma de agricultura inteligente con conciencia de los gases de efecto invernadero

La agricultura inteligente, mediante la integración de la modelización de cultivos, la teledetección satelital y la inteligencia artificial, ofrece estrategias basadas en datos para potenciar la productividad, optimizar el uso de insumos y mitigar las emisiones de gases de efecto invernadero (GEI). Este estudio presenta Farmdee-Mesook, una plataforma intuitiva de agricultura inteligente con conciencia de los gases de efecto invernadero.

15.5 Inteligencia artificial para el monitoreo de las emisiones agrícolas y el cero neto

Cuando se implementan de manera eficaz, las herramientas de inteligencia artificial pueden convertir datos agrícolas fragmentados en conocimientos accionables, lo que ayuda a los agricultores a mejorar la eficiencia y a recortar las emisiones. Se están utilizando modelos avanzados de aprendizaje automático para predecir rendimientos, hacer seguimiento del secuestro de carbono, modelar emisiones y simular cómo los cambios en las prácticas afectan los resultados.

15.6 Tecnologías de invernadero inteligente con inteligencia artificial y 5G

Los invernaderos inteligentes basados en el Internet de las cosas utilizan 5G y computación en el borde para una automatización avanzada basada en datos, un riego de precisión y principios de zonificación escalables. Los robots de invernadero proporcionan soluciones de automatización para los sistemas de cultivo protegido.

15.7 Análisis comparativo de las tecnologías de sostenibilidad

Capítulo 16: Optimización de la cadena de suministro y aplicaciones poscosecha

16.1 La importancia de la optimización de la cadena de suministro

Las pérdidas poscosecha y las ineficiencias de la cadena de suministro representan un desperdicio considerable de recursos agrícolas. La optimización de la cadena de suministro impulsada por inteligencia artificial reduce el desperdicio, potencia la rentabilidad y mejora la sostenibilidad al tender un puente sobre la brecha entre la producción de la explotación y la demanda del consumidor.

16.2 Plataformas de optimización de la cadena de suministro agroalimentaria impulsadas por inteligencia artificial

Una plataforma de optimización de la cadena de suministro agroalimentaria impulsada por inteligencia artificial tiene por objeto agilizar la cadena de suministro agroalimentaria mediante el uso de inteligencia artificial avanzada, aprendizaje automático, cadena de bloques y logística inteligente. La plataforma tiende un puente sobre la brecha entre la producción de la explotación y la demanda del consumidor, lo que reduce el desperdicio, potencia la rentabilidad y mejora la sostenibilidad.

16.3 Inteligencia artificial generativa y cadena de bloques para la logística de cadena de frío

Una novedosa arquitectura de extremo a extremo que integra el aprendizaje por refuerzo multiagente (MARL), la tecnología de cadena de bloques y la inteligencia artificial generativa proporciona un marco de cadena de suministro escalable, inteligente y sostenible. El sistema recorta el tiempo de transporte en un 30% y mejora la fiabilidad de la entrega y la calidad de la fruta, y resulta particularmente adecuado para entornos con recursos limitados o conectividad intermitente.

16.4 Inteligencia artificial para el pronóstico de la demanda y la planificación logística

La investigación sobre el uso de la inteligencia artificial en la distribución agrícola pone de relieve la capacidad de la inteligencia artificial para mejorar el pronóstico del rendimiento de los cultivos, anticipar la demanda, optimizar la logística y minimizar el desperdicio. Mediante el uso de la inteligencia artificial, las partes interesadas del sector agrícola pueden establecer cadenas de suministro más sólidas, adaptativas y responsables, lo que refuerza la seguridad alimentaria mundial.

16.5 Confianza en la calidad e integración de la cadena de bloques

La integración de la inteligencia artificial y la tecnología de cadena de bloques puede modular el inventario de seguridad mínimo, lo que podría impulsar un crecimiento notable de los ingresos de las empresas. Aprovechar la inteligencia artificial puede reforzar la eficiencia general de la cadena de suministro agrícola. La investigación sobre las tecnologías de cadena de bloques e inteligencia artificial generativa en la cadena de suministro agrícola se orienta a ayudar a los agricultores a tomar decisiones exactas y a lograr una optimización inteligente en los asuntos de producción, comercialización y finanzas.

16.6 Análisis comparativo de las tecnologías de la cadena de suministro

Capítulo 17: Inocuidad de los alimentos y aplicaciones de control de calidad

17.1 El papel crucial de la inocuidad de los alimentos

Asegurar la inocuidad y la calidad de los alimentos a lo largo de la cadena de suministro agrícola es esencial para la salud pública y la confianza de los consumidores. Los sistemas de inocuidad de los alimentos impulsados por inteligencia artificial permiten una detección rápida y exacta de contaminantes, adulterantes y defectos de calidad.

17.2 Espectroscopía integrada con inteligencia artificial para la detección de la inocuidad de los alimentos

La integración de la inteligencia artificial y el aprendizaje automático ha mejorado de manera notable la evaluación de la calidad de los alimentos, con modelos como las redes neuronales convolucionales (CNN) que alcanzan una exactitud de hasta el 99,85% en la identificación de adulterantes. Esta revisión pone de relieve la integración de la espectroscopía avanzada, el análisis impulsado por inteligencia artificial y las nuevas tecnologías de sensores.

17.3 Inteligencia artificial multimodal para la inocuidad y la calidad de los alimentos en tiempo real

El aseguramiento en tiempo real de la inocuidad y la calidad de los alimentos requiere decisiones a la velocidad de la línea, desde la explotación hasta la venta minorista, mediante señales que abarcan la visión, la espectroscopía, los compuestos volátiles, la biodetección y la telemetría de procesos. La inteligencia artificial multimodal fusiona estos datos heterogéneos para detectar peligros, verificar la autenticidad y predecir la frescura en cuestión de segundos.

17.4 Inteligencia artificial basada en la nube para el monitoreo de la calidad de los granos

Un sistema de inteligencia artificial basado en la nube automatiza la detección de la calidad y la contaminación de los granos mediante visión por computadora y aprendizaje profundo. Las imágenes captadas en los centros de distribución se analizan mediante la colaboración borde-nube, lo que permite una clasificación y unas alertas de inocuidad en tiempo real. La red neuronal convolucional alcanzó una exactitud del 96% en la identificación de la calidad de los granos y la detección de la contaminación.

17.5 Aprendizaje automático y profundo para la integridad de los alimentos

Los enfoques basados en inteligencia artificial, aprendizaje automático y aprendizaje profundo ofrecen un nuevo paradigma en la gestión de la inocuidad de los alimentos mediante el monitoreo en tiempo real, el análisis no destructivo y los mecanismos dinámicos de apoyo a la decisión. Desafíos como la estandarización de los datos, la transparencia de los modelos y el cumplimiento normativo se destacan como cuestiones clave por abordar.

17.6 Tecnologías de inteligencia artificial espectral para la inocuidad de los alimentos

Los enfoques de inteligencia artificial espectral apoyan la detección de diversos peligros de inocuidad y calidad en los sistemas de carne, productos del mar y productos agrícolas. Los canales integrados de inteligencia artificial espectral pueden identificar adulteración, contaminación y defectos de calidad en diversas categorías de alimentos.

17.7 Análisis comparativo de las tecnologías de inocuidad de los alimentos

Volumen III: Análisis Integrado y Direcciones Futuras

Capítulo 18: Fuentes internacionales, conjuntos de datos e instituciones de investigación

18.1 Principales instituciones internacionales de investigación

Varias organizaciones internacionales se sitúan a la vanguardia de la investigación y el desarrollo de la inteligencia artificial agrícola:

CGIAR (Grupo Consultivo para la Investigación Agrícola Internacional): Una alianza mundial de 15 centros de investigación que trabajan por la seguridad alimentaria. La investigación de acceso abierto del CGIAR se utiliza para potenciar la exactitud y la pertinencia del asesoramiento generado por inteligencia artificial.

IFPRI (Instituto Internacional de Investigación sobre Políticas Alimentarias): Al frente del proyecto GAIA, el IFPRI explora las aplicaciones de la inteligencia artificial en los sistemas alimentarios, desde el apoyo a la decisión a nivel de explotación hasta el análisis de políticas.

FAO (Organización de las Naciones Unidas para la Alimentación y la Agricultura): El sistema AGRIS de la FAO cataloga la investigación y la tecnología agrícolas de todo el mundo, incluidas las aplicaciones de inteligencia artificial en la agricultura de precisión.

Digital Green: Una organización de desarrollo mundial que empodera a los pequeños agricultores mediante el aprovechamiento de la tecnología y las alianzas de base.

CABI (Centro para la Agricultura y las Biociencias Internacional): Proporciona materiales de conocimiento agrícola de propiedad exclusiva que se utilizan en los sistemas de asesoramiento de inteligencia artificial.

18.2 Conjuntos de datos públicos para la inteligencia artificial agrícola

Entre los principales conjuntos de datos públicos que apoyan el desarrollo de la inteligencia artificial agrícola figuran:

• CropInstruct: Un conjunto de datos construido para el diagnóstico multimodal de enfermedades de los cultivos, que alivia la escasez de datos multimodales de enfermedades de los cultivos de alta calidad.
• Conjunto de datos de enfermedades de hojas de maíz: 4.188 imágenes de tizón, roya común, mancha gris foliar y hojas de maíz sanas para el entrenamiento de redes neuronales convolucionales.
• Cuadrícula de conocimiento de cultivos: La cuadrícula de Cropin abarca más de 400 cultivos y más de 10.000 variedades, entrenada con millones de puntos de datos del mundo real.

18.3 Colaboraciones de investigación

Varias colaboraciones de investigación notables están haciendo avanzar la inteligencia artificial agrícola:

Colaboración del proyecto GAIA: Liderada por el IFPRI con los socios CABI, SCiO, la Universidad de Florida y Digital Green.

Alianza IFPRI-Digital Green: Explora innovaciones de inteligencia artificial para los pequeños agricultores mediante pruebas de usuario de FarmerChat.

WHEATWATCHER: Una iniciativa de Horizon Europe que une el monitoreo de la salud del suelo, la evaluación de la sanidad vegetal y la trazabilidad de los alimentos.

Capítulo 19: Características y beneficios en las distintas categorías de aplicación

19.1 Resumen de los beneficios principales

19.2 Ventajas transversales

1. Escalabilidad: Los sistemas de inteligencia artificial pueden desplegarse en millones de hectáreas, y llegar a agricultores que los servicios tradicionales de extensión no alcanzan.

1. Reducción de costos: Muchas aplicaciones de inteligencia artificial operan a una fracción de los costos tradicionales. FarmerChat, por ejemplo, proporciona conocimiento localizado a una fracción de los costos tradicionales.

1. Precisión: La inteligencia artificial permite una gestión específica del sitio, lo que reduce los insumos a la vez que mantiene o mejora los rendimientos.

1. Operación en tiempo real: Los sistemas de inteligencia artificial proporcionan monitoreo continuo y alertas inmediatas, lo que permite una respuesta rápida a los problemas emergentes.

1. Integración de datos: Las plataformas de inteligencia artificial integran múltiples flujos de datos (suelo, clima, satélite, históricos) en un apoyo a la decisión unificado.

1. Explicabilidad: Las técnicas emergentes de inteligencia artificial explicable hacen interpretables las decisiones de la inteligencia artificial, lo que genera la confianza del agricultor y posibilita una toma de decisiones fundamentada.

Capítulo 20: Desafíos en la implementación

20.1 Desafíos técnicos

Calidad y cantidad de los datos: Un desafío primordial es obtener grandes cantidades de datos de alta calidad para crear modelos basados en inteligencia artificial hoy y en el futuro. Esto constituye una fuente de preocupación para todas las empresas.

Estandarización de los datos: Desafíos como la estandarización de los datos, la transparencia de los modelos y el cumplimiento normativo se destacan como cuestiones clave por abordar.

Sincronización de datos de múltiples fuentes: Persisten desafíos como las barreras de sincronización de datos de múltiples fuentes, los elevados costos de los equipos inteligentes y las limitaciones de adaptabilidad de los modelos en entornos agrícolas complejos.

Adaptabilidad de los modelos: Los modelos diseñados para un contexto a menudo fallan cuando se transfieren a cultivos, climas o sistemas de cultivo diferentes.

Interoperabilidad: La interoperabilidad limitada entre las distintas plataformas de inteligencia artificial y los sistemas agrícolas crea silos de datos y reduce la eficiencia.

20.2 Desafíos económicos

Costos elevados: Los costos elevados, las preocupaciones por la privacidad, la infraestructura inadecuada y el conocimiento técnico limitado crean barreras para una adopción amplia.

Costos de los equipos: Los elevados costos de los equipos inteligentes plantean barreras para los pequeños agricultores.

Incertidumbre sobre el retorno de la inversión: Los beneficios económicos de la adopción de la inteligencia artificial pueden no ser evidentes de inmediato, en particular para las explotaciones pequeñas.

20.3 Desafíos de implementación

Déficits de infraestructura: La infraestructura inadecuada, en particular en las regiones en desarrollo, limita el despliegue de los sistemas de inteligencia artificial que requieren conectividad y energía fiables.

Conocimiento técnico limitado: El conocimiento técnico limitado entre los agricultores y los trabajadores agrícolas restringe el uso eficaz de las herramientas de inteligencia artificial.

Barreras para la adopción: La adopción varía debido a barreras financieras, de infraestructura y de gobernanza, en especial en las regiones en desarrollo.

20.4 Desafíos sociales y éticos

Brecha digital: El acceso desigual a la tecnología corre el riesgo de ampliar la brecha entre las explotaciones comerciales de gran escala y los pequeños agricultores.

Privacidad y seguridad de los datos: La recopilación y el uso de los datos de las explotaciones suscitan preocupaciones sobre la propiedad, la privacidad y el posible uso indebido.

Desplazamiento de la mano de obra: La automatización puede desplazar a los trabajadores agrícolas, lo que exige prestar atención a las políticas de transición justa.

Sesgo algorítmico: Los modelos entrenados con datos de un contexto pueden tener un mal desempeño para agricultores, cultivos o regiones subrepresentados.

20.5 Brechas de investigación

La revisión sistemática de la literatura identificó brechas de investigación en la integración de la inteligencia artificial con campos emergentes como la gestión de nutrientes y en la ampliación del uso de los sistemas de sensores. Abordar estas brechas es esencial para desarrollar sistemas agrícolas más sostenibles y resilientes.

Capítulo 21: Recomendaciones estratégicas

21.1 Recomendaciones para los agricultores

1. Comience con soluciones específicas: Comience con una sola aplicación de inteligencia artificial (por ejemplo, la detección de enfermedades) antes de ampliar a una gestión integral de la explotación.
2. Evalúe el costo-beneficio: Valore la propuesta de valor específica para su cultivo, su región y el tamaño de su explotación.
3. Priorice la inteligencia artificial explicable: Elija sistemas que ofrezcan recomendaciones interpretables, lo que permite una anulación fundamentada cuando corresponda.
4. Conserve el conocimiento local: Utilice la inteligencia artificial como complemento, y no como sustituto, del conocimiento agrícola tradicional.
5. Invierta en alfabetización digital: Desarrolle las competencias necesarias para usar con eficacia las herramientas de inteligencia artificial.

21.2 Recomendaciones para las agroempresas

1. Integre múltiples sistemas: Conecte las aplicaciones de inteligencia artificial a lo largo de la cadena de valor para obtener el máximo beneficio.
2. Contribuya a la calidad de los datos: Invierta en la recopilación de datos de alta calidad para mejorar el desempeño de los modelos.
3. Planifique la interoperabilidad: Elija plataformas que admitan estándares abiertos y portabilidad de los datos.
4. Atienda la ciberseguridad: Implemente medidas de seguridad sólidas para los sistemas conectados a la inteligencia artificial.
5. Brinde capacitación: Apoye la capacitación de los usuarios para maximizar la adopción y los beneficios.

21.3 Recomendaciones para los desarrolladores de tecnología

1. Priorice la explicabilidad: Construya sistemas que los agricultores puedan comprender y en los que puedan confiar.
2. Admita múltiples idiomas: Habilite interfaces multilingües para llegar a usuarios diversos.
3. Optimice para la baja conectividad: Desarrolle capacidades sin conexión y de bajo ancho de banda.
4. Diseñe para la asequibilidad: Cree modelos de precios escalonados accesibles para los pequeños agricultores.
5. Asegure la privacidad de los datos: Implemente mecanismos sólidos de protección de los datos.
6. Realice pruebas de sesgo: Valide los modelos en cultivos, regiones y grupos de usuarios diversos.

21.4 Recomendaciones para los responsables de políticas

1. Invierta en infraestructura digital: Amplíe la conectividad y el acceso a la energía en las zonas rurales.
2. Apoye los programas de alfabetización digital: Capacite a los agricultores y a los agentes de extensión.
3. Establezca marcos de gobernanza de datos: Proteja los derechos sobre los datos de los agricultores a la vez que posibilita la innovación.
4. Brinde incentivos para la adopción: Subsidie las herramientas de inteligencia artificial para los pequeños agricultores.
5. Financie la investigación sobre la integración de sistemas: Apoye la investigación en interoperabilidad y sistemas de sensores.
6. Desarrolle marcos normativos: Equilibre la seguridad, la eficacia y la innovación.

21.5 Recomendaciones para los investigadores

1. Aborde las brechas de investigación identificadas: Priorice la integración de la gestión de nutrientes y la ampliación de los sistemas de sensores.
2. Realice evaluaciones de impacto rigurosas: Valore el desempeño en el mundo real en contextos diversos.
3. Desarrolle protocolos de puntos de referencia: Establezca métricas de evaluación estandarizadas.
4. Investigue la interoperabilidad: Desarrolle estándares abiertos para el intercambio de datos.
5. Estudie los impactos sociales: Monitoree el desplazamiento de la mano de obra y los efectos sobre la equidad.

Capítulo 22: Conclusión y trayectorias futuras

22.1 Resumen de los hallazgos

Esta revisión integral ha identificado y analizado las principales aplicaciones y plataformas de software de inteligencia artificial desarrolladas específicamente para uso agrícola en todo el mundo. La evidencia muestra que la inteligencia artificial se aplica a lo largo de toda la cadena de valor agrícola, desde el monitoreo de cultivos y la detección de enfermedades hasta la cosecha autónoma y la optimización de la cadena de suministro, con avances mensurables.

El análisis revela varios hallazgos clave:

1. Las aplicaciones de inteligencia artificial abarcan todos los dominios agrícolas: La gestión de cultivos, la detección de enfermedades, la predicción de rendimiento, el monitoreo del suelo, el control de malezas, la cosecha, el riego, la ganadería, la acuicultura, el asesoramiento, la agricultura climáticamente inteligente, la optimización de la cadena de suministro y la inocuidad de los alimentos se benefician todos de las tecnologías de inteligencia artificial.

1. Los avances de desempeño están documentados y son de peso: Los sistemas alcanzan una exactitud de detección de enfermedades de hasta el 93,1%, una exactitud de identificación de malezas del 97%, un R²=0,92 para la predicción de rendimiento y reducciones del 30% en agua, fertilizantes y tiempo de transporte.

1. Existe un ecosistema diverso de plataformas: Desde nubes integrales de agricultura inteligente (Cropin) hasta soluciones especializadas (Terra Oracle AI, FarmerChat, LaserWeeder), los agricultores y las agroempresas disponen de opciones adaptadas a sus necesidades específicas.

1. La adopción enfrenta barreras de peso: Los costos elevados, los déficits de infraestructura, el conocimiento técnico limitado, los desafíos de calidad de los datos y las restricciones de interoperabilidad limitan la adopción amplia, en particular para los pequeños agricultores.

1. Persisten brechas de investigación: En particular en la integración de la inteligencia artificial con la gestión de nutrientes y en la ampliación del uso de los sistemas de sensores.

22.2 El futuro de la inteligencia artificial en la agricultura

La modernización de la producción agrícola y alimentaria exhibe una trayectoria clara, que progresa de la mecanización a la automatización y que ahora avanza de manera sostenida hacia una agricultura y una ingeniería alimentaria inteligentes. Varias tendencias emergentes darán forma al futuro de la inteligencia artificial en la agricultura:

Inteligencia artificial en el borde y procesamiento en el dispositivo: Trasladar el cómputo de la inteligencia artificial a los dispositivos de borde reduce la dependencia de la conectividad en la nube, lo que permite el procesamiento en tiempo real en entornos agrícolas remotos.

Inteligencia artificial generativa e integración de modelos de lenguaje grandes: Los modelos de lenguaje grandes impulsarán cada vez más los sistemas de asesoramiento agrícola, y proporcionarán a los agricultores un apoyo conversacional y consciente del contexto.

Modelos de base para la agricultura: Modelos como el Modelo Grande de Plantas (LPM) para la identificación de plantas permitirán el aprendizaje por transferencia entre cultivos y contextos.

Sistemas multimodales: La integración de la visión, el lenguaje, los sensores y otras modalidades proporcionará una inteligencia integral de la explotación.

Ecosistemas autónomos: Los sistemas autónomos de extremo a extremo gestionarán operaciones agrícolas enteras con una intervención humana mínima.

Integración de la sostenibilidad: La inteligencia artificial desempeñará un papel cada vez más importante en el seguimiento, la verificación y la optimización de las emisiones agrícolas y el secuestro de carbono.

22.3 Reflexiones finales

Se prevé que las tecnologías de inteligencia artificial en la agricultura figuren entre los temas de investigación agrícola más importantes del presente y del futuro. Estas tecnologías aportan contribuciones de peso a la sostenibilidad mediante el monitoreo de las condiciones en las explotaciones, la mejora del apoyo a la decisión, la protección del suelo, el ahorro de agua, la limitación de las emisiones de carbono, la reducción del uso de gases de efecto invernadero, el aumento de la productividad, la facilitación y mejora de las operaciones agrícolas y el desarrollo de diversas soluciones a problemas pendientes.

El camino por delante requiere la colaboración entre agricultores, agroempresas, desarrolladores de tecnología, investigadores y responsables de políticas. Al trabajar de manera conjunta, la comunidad agrícola mundial puede utilizar la inteligencia artificial para construir sistemas alimentarios más productivos, sostenibles y resilientes, lo que ayudará a alimentar a una población en crecimiento a la vez que se administran con prudencia los recursos del planeta.

Volumen IV: Material de Apoyo

Capítulo 23: Referencias

Las referencias a continuación se presentan en su idioma original (inglés) para preservar la integridad de la cita y su trazabilidad hasta las fuentes publicadas.

1. Özoğul, G. (2025). Applications of artificial intelligence technologies in agriculture: advantages, challenges, risks, prospects, and recommendations. Cogent Food & Agriculture, 11(1), 2568199\.

1. Veronika Yuni T, Saromah, & Gunawan, B. (2025). Smart Farming Technologies for Global Food Security: A Review of Robotics and Automation. Digitus: Journal of Computer Science Applications, (4), 186-201.

1. (2025). Revolutionizing agriculture: A comprehensive review on artificial intelligence applications in enhancing properties of agricultural produce. Food Chemistry: X, 29, 102748\.

1. Mohammed, S. P., Deepika, J., Sritharan, N., Ravichandran, V., Prasanthrajan, M., & Kannan, P. (2025). A systematic literature review on artificial intelligence in transforming precision agriculture for sustainable farming: Current status and future directions. Plant Science Today, 12(2).

1. (2025). A Comprehensive Review of AI Methods in Agri-Food Engineering: Applications, Challenges, and Future Directions. Electronics, 14(20), 3994\.

1. (2026). Integrating stability zones and machine learning for enhanced crop management. Precision Agriculture, 27, 38\.

1. (2025). IoT and Machine Learning Framework for Precision Agri-Business and Smart Crop Forecasting. IEEE Conference Paper.

1. (2026). Intelligent Decision Support System for Sustainable Precision Agriculture: A Deep Learning Approach. IEEE Conference Paper.

1. (2026). AI-Driven Precision Agriculture System for Crop Health Monitoring & Yield Prediction. IEEE Conference Paper.

1. Getnet Tigabie Askale, Achenef Behulu Yibel, Belayneh Matebie Taye, & Gashaw Desalegn Wubneh. (2025). Mobile based deep CNN model for maize leaf disease detection and classification. BMC.

1. (2026). CropGPT: A large multimodal model for precise and explainable diagnosis of crop pests and diseases. Elsevier / Computers and Electronics in Agriculture.

1. TatarAI: Crop & Plant Health. App Store.

1. Cropin. (2025). Cropin Intelligence – predictive agri-business insights platform. https://www.cropin.com

1. Deutschland.de. (2026). High tech in the fields: Driverless farm machinery, artificial intelligence and smart livestock breeding.

1. Tehrani, R. (2025). Autonomous Farms Are Taking Root, but Big Questions Remain. TMCnet Blog.

1. (2025). Vayazh \- Leveraging AI and NLP to Empower Farmers with Real-Time Agricultural Insights. IEEE Conference Paper.

1. IFPRI. (2025). Generative AI for Agriculture (GAIA) – Phase I & II. https://www.ifpri.org

1. IFPRI. (2025). IFPRI and Digital Green expand collaboration to test AI innovations for smallholder farmers. https://www.ifpri.org

1. Agrotics: Smart Farming App. App Store.

1. Cropin. (2025). Intelligent agriculture cloud \- agri-cloud solutions. https://www.cropin.com

1. HortiDaily. (2026). AI agronomic advisor turns fragmented farm data into multilingual, real-time decisions.

1. (2025). Poultry Farm Intelligence: An Integrated Multi-Sensor AI Platform for Enhanced Welfare and Productivity. arXiv.

1. BirdWatch. ESA Business Applications.

1. (2025). ÇOMÜ Academics Developed Artificial Intelligence Supported BroBot. YÖK.

1. (2026). Artificial Intelligence for Blue Transformation: A Review of Predictive Modeling and Decision Support Systems in Sustainable Aquaculture. Wiley.

1. (2026). AI-Powered Fish Farming Global Market Report 2026\. GII Research.

1. (2025). "GenAI \+ blockchain" to coordinate agricultural supply chains to improve quality trust: an agent-based simulation study. Frontiers.

1. (2026). Generative AI and Blockchain-Integrated Multi-Agent Framework for Resilient and Sustainable Fruit Cold-Chain Logistics. MDPI.

1. (2026). Strawberry Picking Using AI Vision, Silicone Fingers, and a Fan. ASME.

1. (2026). Automated Fruit and Vegetable Harvesting. Fraunhofer Institute.

1. (2026). Eternal.ag raises €8M to automate greenhouse harvesting with AI-powered robots. Tech.eu.

1. (2025). A Novel AI-Enabled IoT Framework for Real-Time Soil Fertility Analysis and Adaptive Crop Recommendation in Smart Agriculture. IEEE.

1. (2026). Deep Q-Learning-Based Robotic Weed Detection and Removal in Precision Crop Management. IEEE.

1. Carbon Robotics. (2026). Carbon Robotics expands autonomous weed control across crops. Organic Grower Magazine.

1. (2025). AI-Integrated Spectroscopy for Food Safety. AGRIS.

1. (2026). Spectral-AI technologies for food safety: Advances, challenges, and future directions. ScienceDirect.

1. (2025). Cloud Based AI System for Food Grain Quality and Safety Monitoring. JISEM.

Capítulo 24: Anexos

Anexo A: Glosario de terminología de inteligencia artificial agrícola

Anexo B: Matriz comparativa de características

Anexo C: Directorio de instituciones internacionales

Organizaciones de investigación:

• CGIAR: cgiar.org
• IFPRI: ifpri.org
• CABI: cabi.org
• FAO: fao.org

Plataformas del sector:

• Cropin: cropin.com
• Digital Green: digitalgreen.org
• Terra Oracle AI: (con sede en Europa)

Código abierto:

• Repositorios de GitHub de AgriPredict AI, Cropl, AgriIntel, entre otros.

Anexo D: Lista de verificación para la evaluación de aplicaciones de inteligencia artificial agrícola

Para los agricultores y las agroempresas que evalúan aplicaciones de inteligencia artificial:

Evaluación técnica:

• ¿El sistema ofrece recomendaciones explicables?
• ¿El modelo de inteligencia artificial está validado para su cultivo y su región?
• ¿Qué métricas de exactitud o desempeño se reportan?
• ¿El sistema se integra con su equipo existente?

Evaluación de la usabilidad:

• ¿La interfaz es accesible para usuarios con su nivel de alfabetización técnica?
• ¿Hay soporte multilingüe disponible?
• ¿El sistema funciona sin conexión o con conectividad limitada?

Evaluación de costos:

• ¿Cuál es el costo total de propiedad (incluidas la capacitación, el soporte y las actualizaciones)?
• ¿Existe un modelo de precios escalonado apropiado para su escala?
• ¿Cuál es el retorno de la inversión esperado?

Evaluación de los datos:

• ¿Quién es propietario de los datos recopilados por el sistema?
• ¿Qué protecciones de privacidad existen?
• ¿Puede exportar sus datos en formatos utilizables?

Evaluación del soporte:

• ¿Se ofrece capacitación?
• ¿Qué soporte técnico hay disponible?
• ¿Existen comunidades de usuarios o estudios de caso que pueda consultar?

Declaraciones y manifestaciones

Declaración de conflicto de intereses

El autor de este manuscrito, el Dr. Aladdin Ali, es el fundador y director general de Aladdin International y el desarrollador de la plataforma Aladdin Agri AI presentada en el Capítulo 4\. Esta relación constituye un posible conflicto de intereses y se divulga aquí de manera explícita. La evaluación presentada en el Capítulo 4 se basa en la documentación de diseño e implementación de la plataforma y, como se señala en la Sección 4.11, no se sustenta en un punto de referencia de campo independiente de terceros. Se aconseja a los lectores tener en cuenta esta relación al interpretar dicho capítulo. Los demás capítulos del manuscrito abordan plataformas de terceros documentadas públicamente, y no se declara ninguna relación comercial con esas plataformas.

Financiación

El autor declara que no se recibió financiación externa específica de ningún organismo público, comercial o sin fines de lucro para la realización de este estudio. El trabajo se llevó a cabo en el marco de la iniciativa liderada por el autor.

Disponibilidad de datos y materiales

Este es un artículo de revisión. Todos los datos analizados se obtuvieron de las fuentes publicadas y de acceso público que se enumeran en el Capítulo 23\. No se generó ningún conjunto de datos primario nuevo para este estudio. La documentación de la plataforma a la que se hace referencia en el Capítulo 4 es propiedad exclusiva de Aladdin International.

Declaración de ética

Este estudio no involucró ninguna investigación con participantes humanos, datos humanos ni sujetos animales. Por consiguiente, no se requirió la aprobación de un comité de ética.

Contribuciones del autor

La conceptualización, el diseño de la metodología, la búsqueda bibliográfica, el análisis y la redacción del manuscrito fueron realizados por el autor único.

Declaración de transparencia sobre las herramientas utilizadas

Se utilizaron herramientas asistidas por inteligencia artificial en la preparación y la edición lingüística de este manuscrito. La responsabilidad por la exactitud científica, la integridad de las fuentes y la forma final del contenido recae en el autor. Todas las estadísticas y citas se sustentan en las fuentes primarias que se enumeran en el Capítulo 23\.

Fin del Manuscrito

Este estudio se preparó para la Conferencia Internacional sobre Inteligencia Artificial en los Sistemas Agroalimentarios. Versión revisada para su publicación en revistas agrícolas internacionales y su presentación en conferencias internacionales. Versión 1.1. 2026\.