Capítulo uno: La agricultura bajo presión compuesta

Primera parte — ¿Por qué importa la transformación agrícola?

La pregunta de esta parte: ¿qué problema se supone que debe resolver la inteligencia artificial en la agricultura?

El discurso sobre la agricultura digital suele partir de las trayectorias de desarrollo de sus productos y de las capacidades técnicas disponibles, y luego sale a buscar casos de uso en la agricultura. Este libro toma el camino en sentido contrario: comienza por el problema agrícola, por la decisión y su consecuencia, y por el ser humano que puede pagar el precio de un error o cosechar el fruto de una elección acertada; después examina la tecnología, no como una respuesta que precede a la pregunta, sino como una posibilidad que debe demostrar con pruebas que encaja con el problema, que es viable en la realidad y que merece formar parte de la decisión agrícola.

Los tres primeros capítulos establecen el terreno sobre el que se asienta el libro entero. El primero parte de la agricultura bajo el peso de sus presiones compuestas; el segundo pregunta cuándo el cambio se convierte en una transformación genuina que toca la decisión y el resultado, en lugar de ser meramente un procedimiento antiguo que ha pasado del papel a la pantalla; y el tercero pone en manos del lector una escala para las pruebas con la que distinguir un hecho que ha ganado su derecho a la confianza, una afirmación repetida hasta llegar a parecer un hecho, y una promesa que aún necesita demostración.

Estos tres capítulos son la clave de todo lo que sigue. Quien los lea podrá leer críticamente cualquier capítulo aplicado de este libro; quien los omita puede verse ante cifras que no sabrá cómo ponderar.

Capítulo uno: La agricultura bajo presión compuesta

El mensaje del capítulo

La agricultura no se enfrenta a un único problema que pueda resolverse con una única herramienta. Opera bajo una presión compuesta en la que interactúan la escasez de agua, la degradación del suelo, la variabilidad meteorológica, la energía, la mano de obra, los precios, la financiación y las infraestructuras. El valor de la inteligencia artificial no empieza por su capacidad de predecir, sino por su capacidad de hacer visibles estas relaciones mientras la decisión todavía es posible.

1. El campo como sistema vivo y económico a la vez

Cuando un sistema digital ve una mancha de color alterado en una imagen de satélite, puede describirla como un descenso en un índice de vegetación. El agricultor, sin embargo, se pregunta: ¿la causa es la sed, o la salinidad, o una enfermedad, o una diferencia de variedad, o la sombra de una nube, o una avería en el riego? La respuesta cambia la acción, el coste y el riesgo. Esta distancia entre detectar una señal e interpretarla agronómicamente es la distancia en la que un sistema acierta o fracasa.

Revisiones recientes revelan la amplitud de lo que las aplicaciones de inteligencia artificial son capaces de ver, predecir y automatizar, desde el seguimiento del campo hasta la estimación del rendimiento y la mejora de la calidad de los alimentos. Pero revelan, al mismo tiempo, un límite menos glamuroso y más decisivo: la capacidad técnica no se convierte en beneficio agrícola a menos que encuentre datos dignos de confianza, infraestructuras capaces de transportarlos, competencias humanas que sepan usarlos y un rendimiento que se sostenga cuando pasa de un cultivo a otro, de una campaña a otra y del laboratorio al campo [SRC001][SRC002][SRC003]. Por esta razón, la expresión «alimentar a una población mundial creciente» puede ser un objetivo humanitario legítimo, pero no es un salvoconducto automático para cada sensor o robot. Antes de la herramienta viene la presión concreta; antes de la predicción viene la decisión que puede cambiarse; y antes de la promesa vienen la ventana de actuación, la línea de base y el resultado que dirá, con pruebas, que la tecnología aportó valor real.

La agricultura es un sistema biológico; la planta no deja de crecer porque se haya caído la red. Es un sistema económico; un agricultor puede conocer el mejor tratamiento y aun así carecer de liquidez para comprarlo. Es un sistema institucional; un plaguicida puede ser eficaz en un estudio publicado y, sin embargo, no estar registrado para ese cultivo en la jurisdicción correspondiente. Y es un sistema social; una recomendación correcta puede ser rechazada porque no concuerda con la lengua del usuario, o con su experiencia, o con el reparto del trabajo dentro del hogar. Cualquier diseño que suprima una de estas dimensiones produce una respuesta incompleta.

2. Un mapa de los retos agrícolas y sus vías de transmisión

La tabla anterior deja claro que un reto no se convierte en beneficio por el mero hecho de añadir «IA». Entre ambos se extiende una cadena causal que debe ponerse a prueba: una medición válida, una interpretación adecuada, una opción accionable, una respuesta en el momento oportuno y el seguimiento del resultado. Si se rompe un solo eslabón, el sistema puede no lograr efecto alguno, aunque el propio modelo de predicción sea preciso.

3. Clima y precipitación: de la lectura de promedios a la ingeniería de decisiones

El valor del clima no se mide por lo que dicen los promedios por sí solos, sino por las decisiones que permiten en el lugar correcto y en el momento correcto. Un promedio nacional de precipitación puede ser estadísticamente correcto y, aun así, tener un valor limitado cuando se aplica a una parcela concreta. Del mismo modo, una previsión a corto plazo puede ayudar a aplazar un riego o una aplicación, pero no proporciona por sí sola una base suficiente para planificar una inversión a largo plazo en un cultivo perenne. De ahí que deba trazarse una distinción clara entre tres horizontes temporales, cada uno con sus propias preguntas, herramientas y decisiones:

• Meteorología operativa: sustenta decisiones inmediatas, como el momento de la aplicación o de la cosecha.
• La campaña: de semanas a meses, orientando la elección de variedad, la determinación de la fecha de siembra y la estimación de las necesidades de insumos.
• El clima: años y décadas, poniendo a prueba la viabilidad a largo plazo de un cultivo, la eficiencia de las infraestructuras hídricas a largo plazo y la factibilidad de la inversión.

El error comienza cuando un sistema trata estos horizontes como si fueran uno solo; una información que es correcta en una escala temporal puede volverse engañosa al trasladarse a otra. El coste de esta confusión aumenta en las regiones áridas, donde el valor marginal de cada unidad de agua es mayor, y donde las exigencias del bombeo, la desalación o la refrigeración pueden desplazar la carga del recurso hídrico a la energía sin eliminarla realmente. Por esta razón, no basta con describir un sistema de producción como «más eficiente por kilogramo». La eficiencia relativa por sí sola no revela la magnitud de la presión total sobre los recursos. La pregunta decisiva es: ¿condujeron las ganancias de eficiencia a una ampliación de la superficie cultivada o a un aumento de los ciclos de producción, de modo que la extracción total de agua aumentó pese a la mejora del rendimiento por unidad de producto? La separación entre eficiencia por unidad y consumo total no es un detalle contable, sino una condición fundamental para evaluar el impacto real. Este asunto volverá como eje analítico en los capítulos sobre riego, invernaderos y sostenibilidad. Estudios realizados en algunas regiones del mundo indican que la escasez de agua, la dependencia de suministros externos y las cadenas de frío no son expedientes independientes, sino eslabones interconectados de un mismo sistema de seguridad alimentaria y de recursos. No obstante, muchas cifras difundidas en esos estudios difieren según la definición del mercado, el periodo temporal y el alcance de la medición; por ello no son adecuadas para construir una cifra regional definitiva que pueda generalizarse con confianza. Lo que sí puede retenerse científicamente es la estructura de la decisión en sí: una comparación rigurosa debería ponderar la producción nacional, el tipo de cultivo, la intensidad de agua y energía, la robustez de las importaciones y la capacidad de las existencias para absorber choques. Desde esta perspectiva, no todo aumento de la agricultura protegida cuenta como una ganancia automática para la sostenibilidad; su valor real lo determina lo que logra en el nivel del sistema entero, no lo que sugieren indicadores de eficiencia aislados.

Conclusión estratégica: el clima no se convierte en conocimiento accionable salvo cuando se lee en la escala correcta, y la eficiencia no se convierte en sostenibilidad salvo cuando reduce la presión global sobre los recursos, en lugar de redistribuirla o ampliarla de otra forma.

4. El suelo: un reto lento y difícil de ver

No todo reto es tan ruidoso como una inundación; algunos avanzan en silencio y se acumulan lentamente, como ocurre cuando se degrada la estructura del suelo. En este contexto, los sistemas digitales tienden a dar prioridad a lo que es fácil de medir repetidamente, mientras que propiedades que cambian más lentamente, o cuyo análisis en laboratorio resulta más costoso, pueden seguir siendo más decisivas para comprender la realidad y tomar decisiones. La repetición de mediciones de humedad del suelo, por densa que sea, no compensa la ausencia de conocimiento sobre su textura, o su salinidad, o su profundidad efectiva. Del mismo modo, un mapa de color o de reflectancia espectral no se convierte en un análisis fiable de la fertilidad a menos que se apoye en una calibración precisa y en una muestra representativa. Aquí surge un riesgo editorial y técnico de gran importancia: que la densidad de los datos se transforme en una ilusión de conocimiento. Una abundancia de mediciones no significa necesariamente completitud de la comprensión, del mismo modo que la precisión de la presentación no garantiza la solidez de la inferencia. El método correcto empieza por construir capas claras de certeza; la observación se registra tal como es, se preservan su fuente, su unidad y su marca temporal, y después se sitúa junto a ella la inferencia como interpretación de esa observación, no como sustituto de ella. Y cuando los datos no son suficientes, la recomendación del sistema debería expresar esa carencia con claridad: recabar una información adicional, o realizar una comprobación in situ, o completar el análisis con una muestra representativa. Un sistema fiable no rellena las lagunas de conocimiento con cifras imaginadas; convierte la incertidumbre en un paso práctico hacia un conocimiento más preciso y una decisión más sólidamente fundamentada.

5. Mano de obra: del espectro de la sustitución a la realidad de la migración de tareas

El debate sobre la automatización y la entrada de la inteligencia artificial en el ámbito operativo se reduce a menudo a una única pregunta angustiada: ¿cuántos empleos desaparecerán? Sin embargo, esta medida, pese a toda su importancia, no revela la transformación más profunda que se está produciendo dentro de las propias ocupaciones. La automatización no siempre elimina el trabajo tanto como redistribuye sus tareas, cambia las competencias requeridas y traslada responsabilidades de una parte a otra. La tarea de inspección visual inicial puede pasar del trabajador a una cámara, pero esa transferencia crea a cambio otras tareas: instalar el dispositivo, limpiarlo, verificar la validez de sus alertas, reparar sus averías y documentar los casos excepcionales que no puede interpretar. La máquina puede aligerar la carga del trabajo peligroso o repetitivo y, sin embargo, puede al mismo tiempo crear una nueva dependencia de un técnico especializado o de un proveedor lejano. Desde este punto de vista, el informe de la Organización de las Naciones Unidas para la Alimentación y la Agricultura sobre automatización sitúa los principios de inclusión y adecuación al contexto en el corazón de la transformación, advirtiendo de que los efectos de la automatización difieren según el tamaño de la explotación, los recursos disponibles y la estructura institucional que la rodea [SRC031]. En consecuencia, la evaluación de la automatización no debería limitarse al puesto de trabajo, sino penetrar hasta el nivel de la tarea misma. Esta evaluación comienza con una serie de preguntas decisivas:

• ¿Qué tarea ha cambiado y cómo ha cambiado?
• ¿Quién la realizaba antes de la automatización y quién la supervisa después?
• ¿Qué nuevas competencias exige ahora su ejecución?
• ¿Quién asume la responsabilidad cuando la máquina se avería o falla?
• ¿Disminuyen realmente los riesgos físicos, o se transforman en cargas agotadoras de vigilancia mental?
• ¿Disponen los trabajadores de una vía clara de formación, cualificación y transición hacia los nuevos papeles?

La automatización responsable no da por supuesto que el mercado laboral se reordenará automáticamente, ni trata a los trabajadores como un efecto secundario del progreso técnico. Considera la transformación como un proceso institucional y humano integrado, en el que el movimiento de tareas, competencias y responsabilidades se gestiona con el mismo cuidado que se dedica a la introducción de las máquinas.

6. Precios y financiación: cuando la información es correcta y no accionable

El agricultor no siembra dentro de un «promedio estadístico» desnudo; toma sus decisiones en una campaña concreta, dentro de un presupuesto limitado y bajo el peso de obligaciones ya existentes. Por tanto, la corrección aritmética de una recomendación no basta para garantizar su validez sobre el terreno. Una herramienta analítica puede recomendar una variedad con un retorno esperado más alto y, sin embargo, su necesidad de liquidez temprana, o una capacidad limitada de almacenamiento, pueden hacer que otra variedad resulte más adecuada y más viable. Del mismo modo, la inversión en un cultivo determinado puede parecer rentable según un análisis a cinco años, y aun así quedar fuera del alcance de quien no puede afrontar el pago inicial ni sobrevivir a una sola campaña de pérdidas. De ahí que el reto económico no pueda reducirse al precio del insumo por sí solo; es el producto de un sistema interconectado de costes, riesgos y restricciones, entre los que figuran:

• la volatilidad y la inestabilidad de los precios;
• el momento del pago y la disponibilidad de liquidez;
• el coste del endeudamiento y las condiciones de financiación;
• riesgos frente a los que no cabe asegurarse;
• el tiempo requerido para la formación y la cualificación;
• los periodos de interrupción y las pérdidas que de ellos se derivan;
• la disponibilidad de piezas de repuesto y el coste de su mantenimiento;
• el derecho del agricultor a transferir sus datos al cambiar de proveedor.

Estas relaciones revelan por qué una buena tecnología puede difundirse a un ritmo lento, incluso cuando sus beneficios están probados. Una adopción lenta no significa necesariamente que los agricultores sean «resistentes a la innovación»; puede ser una respuesta racional ante una tecnología prometedora que todavía no encaja con la realidad de la liquidez, o con la estructura del riesgo, o con las condiciones de explotación. El valor real de cualquier recomendación no se mide solo por su corrección teórica, sino por la capacidad del agricultor de aplicarla y de mantenerla sin exponer su explotación a una sangría financiera que no pueda soportar.

7. Estructura de las explotaciones y desigualdad en el acceso a las tecnologías agrícolas

Las explotaciones difieren enormemente en superficie, recursos financieros, naturaleza de la producción y capacidad para usar tecnologías modernas. Los estudios relativos a la estructura de las explotaciones y a la concentración de la tierra indican que los tamaños de las explotaciones y sus papeles en la producción están marcados por una diversidad clara [SRC037]. No obstante, los juicios no deberían construirse solo sobre el tamaño de la explotación; las explotaciones pequeñas no son iguales entre sí en sus necesidades y capacidades, del mismo modo que las grandes no siempre son las más capaces de adoptar cualquier tecnología o de beneficiarse de ella. Pero el tamaño de la explotación sigue siendo un factor influyente en la viabilidad económica de la tecnología. La explotación grande puede, en la mayoría de los casos, repartir el coste de comprar un dispositivo o un sistema digital sobre una superficie de producción más amplia, y puede estar en mejores condiciones de emplear a un técnico especializado, absorber las pérdidas de un ensayo fallido y negociar con los proveedores los precios y las condiciones de uso de los datos. En cuanto a la explotación pequeña, la tecnología puede serle útil técnicamente y, sin embargo, no resultar económicamente asequible si se ve obligada a soportar el coste íntegro por sí sola.

Un ejemplo ilustrativo: un servicio compartido en lugar de una compra individual Supongamos que un grupo de agricultores necesita utilizar un dron para vigilar los cultivos y detectar zonas de estrés dentro de sus parcelas. Comprar un dron por separado, formar a un operador y mantener el aparato puede no ser una opción económica para cada agricultor, sobre todo si el uso es estacional o limitado. Esto puede abordarse mediante una cooperativa o un servicio local de extensión agraria que posea el dron y lo opere por cuenta de varios agricultores. El organismo operador recoge los datos con arreglo a un protocolo claro y proporciona a cada agricultor resultados específicos de su explotación, garantizándole al mismo tiempo el derecho a saber cómo se usan, se conservan y se transfieren sus datos. Con este mecanismo, el coste del aparato y de su explotación se distribuye entre un número mayor de beneficiarios, sin privar al pequeño agricultor del beneficio que la tecnología proporciona. Lograr la equidad en el acceso no se limita a la manera de poseer los dispositivos; incluye también el diseño de los medios de prestación del servicio. Mensajes de texto breves, o llamadas telefónicas, o recurrir a un agente de extensión agraria pueden ser más adecuados que una aplicación digital compleja que exige un terminal avanzado, conexión permanente a internet y competencias técnicas elevadas. Por tanto, la modernidad agrícola no debería medirse por el número de dispositivos en uso ni por su grado de complejidad, sino por su capacidad de mejorar la decisión, reducir los riesgos y llegar a distintas categorías de agricultores en condiciones justas. La tecnología agrícola exitosa no es necesariamente la más avanzada, sino la más adecuada a las necesidades de los usuarios y la más capaz de poner su beneficio a disposición sin hacer del tamaño de la explotación o de la limitación de recursos un obstáculo para beneficiarse de ella.

8. Proyecciones históricas: cuando una proyección sobrevive y pierde su contexto

Algunas cifras adquieren una autoridad que excede a los documentos en los que nacieron. Se repiten en informes y presentaciones hasta que parecen una verdad fija a la que el tiempo no afecta. Entre las más destacadas de estas cifras se encuentra la afirmación de que el mundo necesita aumentar la producción de alimentos en un 70% para 2050. Sin embargo, comprender este número exige regresar a su contexto original: ¿qué medía?, ¿desde qué punto partía? y ¿sobre qué supuestos se sostenía? En 2009, la Organización de las Naciones Unidas para la Alimentación y la Agricultura presentó dos imágenes interrelacionadas del futuro alimentario mundial, y no una sola cifra que fundiera el crecimiento demográfico y la producción de alimentos en un único significado. La primera imagen se apoyaba en la proyección demográfica de variante media de las Naciones Unidas en su Revisión de 2007, y estimaba un aumento de la población mundial desde unos 6,8 mil millones de personas en el momento en que se elaboró el documento hasta 9,1 mil millones de personas en 2050, un incremento de aproximadamente el 34%. La segunda imagen se refería al volumen de producción necesario para atender la demanda proyectada en un mundo más poblado, más urbanizado y con mayores ingresos, y bajo pautas alimentarias cambiantes. Según este escenario, atender esa demanda podría exigir aumentar la producción mundial de alimentos en torno a un 70% para 2050, en comparación con la media de 2005-2007 [SRC014].

¿Qué mide la cifra del 70%? Esta cifra no significa que la población mundial vaya a crecer un 70%, ni significa que el rendimiento de cada hectárea deba aumentar en la misma proporción. Es el resultado de un escenario a largo plazo que combinó un conjunto de variables interrelacionadas, entre las que destacan:

• el crecimiento demográfico;
• el aumento de los niveles de renta;
• la expansión de la urbanización;
• el cambio de las pautas de consumo alimentario;
• los supuestos relativos a recursos, rendimientos e insumos;
• el desarrollo tecnológico;
• los flujos comerciales.

También es esencial señalar que el documento no utilizó un único periodo de referencia en todos sus indicadores. Mientras que el escenario de producción adoptó la media de 2005-2007 como base general de comparación, ciertos cálculos relativos a las calorías y a los cereales se apoyaron en otros periodos de referencia. Reducir todo el documento a una expresión general como «la línea de base de 2005-2007» oculta, por tanto, la divergencia entre indicadores y debilita la precisión metodológica.

¿Por qué cambió la cifra del 70% al 60%? La revisión de 2012 de la Organización de las Naciones Unidas para la Alimentación y la Agricultura revela con claridad que esta cifra era una proyección histórica susceptible de revisión, y no una constante científica definitiva. La organización volvió a estimar el aumento necesario durante el mismo periodo en torno a un 60% en lugar de un 70%. La razón principal fue que los datos actualizados mostraron que la producción del año base había sido superior a lo que habían estimado los cálculos anteriores.

El desafío alimentario mundial no retrocedió de repente diez puntos porcentuales; más bien, lo que cambió, en medida considerable, fue la medición desde la que partía el cálculo. Cuando el valor del año base aumenta, el incremento porcentual necesario para alcanzar el mismo valor futuro, o uno próximo a él, disminuye. Este es un punto metodológico fundamental: un porcentaje no puede interpretarse, ni compararse con otros, sin conocer el punto de partida desde el que se calculó. Los trabajos posteriores de la organización utilizaron asimismo otras estimaciones que partían de años base, rangos y escenarios distintos. La comparación directa entre estas cifras resulta, por tanto, engañosa a menos que se enuncien con claridad las definiciones, los límites, el periodo de referencia y los supuestos subyacentes de cada estimación.

Valor histórico, no una descripción permanente del presente La proyección de 2009 no pierde su valor por el mero hecho de haber sido revisada. Su verdadero valor es histórico y metodológico: revela cómo se formuló el desafío de la seguridad alimentaria en un momento científico y político concreto, y cómo las expectativas sobre población, renta, urbanización y consumo se convirtieron en una estimación cuantitativa a largo plazo. Pero por sí sola no sirve para describir el mundo en 2026, ni basta para justificar la adopción de ninguna tecnología en particular. Más importante aún, el propio documento no redujo la seguridad alimentaria al aumento de la oferta. Producir más alimentos no garantiza por sí mismo la eliminación del hambre; los alimentos pueden estar disponibles en los mercados y, aun así, permanecer fuera del alcance de personas que no pueden pagarlos o que carecen de medios de acceso. La seguridad alimentaria, pues, no se entiende únicamente a través del volumen de producción, sino también a través de la capacidad real de obtener alimentos.

Una cifra disciplinada empieza por su contexto El peligro no reside en que una cifra permanezca en la memoria, sino en que siga viva después de que su contexto haya muerto. El uso científico disciplinado de cualquier proyección exige, por tanto, aclarar:

• el año en que se emitió;
• el horizonte temporal al que apunta;
• la variable que mide;
• la línea de base utilizada;
• los supuestos más importantes sobre los que se construyó.

Al describir la realidad presente, conviene recurrir a la fuente oficial más reciente disponible, en lugar de reciclar una proyección histórica como si fuera un diagnóstico del presente. Una cifra fechada es un testimonio importante del pensamiento de su época; una cifra despojada de su fecha puede ser más contundente en la retórica, pero es menos valiosa para producir conocimiento. Por esta razón, la expresión «aumentar la producción un 70%» no debería convertirse en un puente retórico por el que se salte directamente de un desafío mundial a un sensor, un algoritmo o un robot. La necesidad de tecnología no se establece mediante una cifra global abstracta; comienza con una decisión agrícola concreta, con pruebas que puedan someterse a comprobación y con un efecto que pueda medirse.

9. ¿Qué aporta realmente la inteligencia artificial a la decisión agrícola?

El valor real de la inteligencia artificial no comienza cuando intenta sustituir la experiencia agronómica, sino cuando amplía el campo de visión y ofrece a quienes deciden una mejor oportunidad de comprender e intervenir en el momento oportuno. El algoritmo no conoce la parcela como la conoce el agricultor o el especialista, pero puede detectar señales difíciles de seguir manualmente, reunir pruebas dispersas y convertirlas en estimaciones susceptibles de examen y de uso práctico. Este valor toma forma en cuatro funciones interrelacionadas:

1. Observación: ampliar el alcance de la visión

La inteligencia artificial puede captar cambios o patrones sutiles que pueden escapar a la vista, o que resultan difíciles de detectar manualmente a la misma velocidad y frecuencia en superficies extensas. Tales señales pueden incluir:

• la aparición temprana de estrés hídrico;
• un cambio inusual en el color de la planta;
• una alteración en el comportamiento animal;
• un descenso o un cambio en el rendimiento de una máquina agrícola.

El valor no reside en recopilar imágenes y lecturas por sí mismas, sino en convertir la observación en una alerta temprana que llame la atención sobre un lugar que merece ser examinado antes de que el problema se extienda o se pierda la ventana de intervención.

2. Estimación: pasar de la medición a una predicción concreta

La función de estimación comienza cuando mediciones dispersas se convierten en una probabilidad o en una predicción clara en cuanto a asunto, lugar y periodo de tiempo. Un sistema podría estimar el riesgo de un brote de enfermedad en los próximos días, o predecir las necesidades de agua en el siguiente ciclo de riego, o definir un rango probable de producción. Pero una estimación profesional no presenta el resultado como si fuera un hecho confirmado. Su valor solo es completo cuando deja claro:

• el grado de incertidumbre que lleva asociado;
• las condiciones bajo las cuales su uso es válido;
• los límites más allá de los cuales puede perder precisión;
• el periodo y el lugar a los que se aplica.

Una previsión útil, pues, no es una cifra desnuda, sino una cifra rodeada de las condiciones de su interpretación y de los límites de la confianza que merece.

3. Coordinación: reunir las pruebas en un único contexto de decisión

La información agrícola suele estar distribuida entre múltiples fuentes: sensores de campo, registros previos, previsiones meteorológicas, reglas agronómicas, recursos disponibles y restricciones económicas y regulatorias. La inteligencia artificial puede reunir estos elementos y presentarlos dentro de un único contexto que ayude al responsable a ver el cuadro completo. El valor aquí no procede de la abundancia de datos, sino de ordenarlos y conectarlos bien. Quien decide necesita comprender la relación entre tres cuestiones esenciales:

1. ¿Qué está ocurriendo en la parcela?
2. ¿Qué permiten los recursos y las restricciones?
3. ¿Qué acción puede llevarse a cabo en el tiempo disponible?

Cuando la información se organiza de este modo, los datos se transforman de un archivo que se acumula en una base práctica para tomar decisiones.

4. Retroalimentación y aprendizaje operativo: convertir los resultados en conocimiento mejorable

La tarea del sistema no termina con la emisión de una recomendación. El paso más importante es comparar lo que observó, predijo o recomendó con lo que realmente ocurrió en la parcela, y utilizar después la discrepancia para mejorar tanto el modelo como la práctica agrícola. Esto no significa permitir que el sistema aprenda o altere su comportamiento sin supervisión. Lo que se pretende es establecer un ciclo de revisión disciplinado que revele:

• los puntos de error en la predicción o en la recomendación;
• posibles fuentes de sesgo;
• cambios que se hayan producido en las condiciones de operación;
• casos que requieren una actualización del modelo;
• procedimientos agrícolas que necesitan ajuste.

Mediante este mecanismo, el error deja de ser un mero fallo técnico y se convierte en información que ayuda a mejorar el desempeño posterior, dentro de una supervisión humana clara y con responsabilidades definidas. De la predicción a la decisión: ¿dónde permanece la responsabilidad humana? Por muy precisas que lleguen a ser estas funciones, no sustituyen la comprensión agronómica ni eximen al ser humano de la responsabilidad sobre la decisión. Un algoritmo puede indicar una probabilidad elevada de enfermedad, pero no puede determinar por sí solo si el indicio justifica una inspección urgente del campo, o si el coste del retraso supera el coste de una falsa alarma, o si la intervención propuesta es lícita, segura y está disponible en la explotación en cuestión. Un algoritmo puede reconocer un patrón en los datos, pero el significado de ese patrón no se determina únicamente dentro de los datos. Se configura en el contexto del suelo, el clima, el estadio de desarrollo del cultivo y el historial de la parcela, y está influido por la capacidad de respuesta del agricultor y por el tiempo, los recursos y las opciones ejecutables de que dispone. Por esta razón, la madurez de un sistema no se mide por su capacidad de ocultar la distancia entre predicción y decisión, sino por su capacidad de hacer esa distancia clara y manejable. Un sistema maduro deja explícito:

• qué ha observado;
• cómo ha llegado a su estimación;
• su grado de confianza en el resultado;
• los límites de su conocimiento y la validez del modelo;
• las consecuencias del error, ya sea una falsa alarma o la falta de detección de un riesgo real.

En ese punto, el algoritmo se convierte en un aliado para ver, no en un sustituto del juicio agronómico. Alerta antes de que la ventana de intervención se estreche y reúne evidencias dispersas en múltiples fuentes, pero deja la autoridad de la elección y la responsabilidad de esta a quienes entienden que el campo no es un mero conjunto de cifras, sino un sistema vivo con su propio contexto, sus límites y sus consecuencias.

10. Una lista de comprobación: ¿cómo se plantea el problema agrícola antes de comprar la tecnología?

Un proyecto técnico exitoso comienza identificando la decisión que se necesita mejorar, no seleccionando el dispositivo o el algoritmo. Antes de adquirir un producto, contratar con un proveedor o financiar un proyecto, conviene preparar respuestas escritas y claras a las siguientes preguntas:

Primero: la decisión y el valor esperado

• ¿Qué decisión agrícola queremos mejorar? ¿Y quién la toma actualmente?
• ¿Qué pérdida buscamos reducir, o qué oportunidad queremos aprovechar? ¿Y puede medirse dentro de un periodo de tiempo definido?
• ¿Qué línea de base y qué referencia comparativa utilizaremos para comparar los resultados de la tecnología? ¿Es la práctica actual, una estimación experta, una regla simple o la no intervención?

Segundo: los datos, su calidad y su titularidad

• ¿Qué datos están disponibles para tomar la decisión? ¿Y son suficientes y adecuados para el propósito?
• ¿Quién es el titular de estos datos y quién tiene derecho a acceder a ellos y usarlos?
• ¿Qué errores o lagunas conocidos contienen?
• ¿Puede el usuario exportar sus datos al cambiar de sistema o de proveedor?

Tercero: errores y riesgos

• ¿Cuál es la consecuencia de una falsa alarma, cuando el sistema señala un problema que no existe?
• ¿Cuál es la consecuencia de un falso negativo, cuando el sistema no detecta un problema existente?
• ¿Qué daño puede derivarse de una alerta o una intervención tardías?
• ¿Quién asume la responsabilidad del seguimiento de los resultados y de la gestión del error?

Cuarto: la ejecutabilidad de la recomendación

• ¿Está realmente disponible la acción que propone la tecnología?
• ¿Es lícita y conforme con los requisitos normativos?
• ¿Puede financiarse y llevarse a cabo en el momento adecuado?
• ¿Están disponibles la mano de obra, las competencias y los recursos necesarios para aplicarla?

Una recomendación correcta en términos computacionales carece de valor si su ejecución es imposible en términos prácticos o económicos.

Quinto: seguimiento y reversión segura

• ¿Quién hace el seguimiento de lo ocurrido después de ejecutar la recomendación?
• ¿Cómo se mide el resultado y se compara con la línea de base?
• ¿Cuál es el mecanismo de reversión si el sistema falla o los resultados revelan un daño inesperado?
• ¿Se puede volver con seguridad al procedimiento anterior, o el sistema crea una dependencia difícil de deshacer?

Sexto: continuidad operativa y derechos del usuario

• ¿Continúa el flujo de trabajo cuando se corta la conexión a internet?
• ¿Puede operarse en ausencia del proveedor, o cuando no es posible contactar con el soporte técnico?
• ¿Puede el usuario comprender la base sobre la que se ha construido la decisión?
• ¿Puede objetar la recomendación o anularla cuando entra en conflicto con la realidad del campo?

Si faltan respuestas claras a estas preguntas, el problema no es que aún no se haya seleccionado el modelo o el producto; es que no se ha diseñado el propio proyecto de decisión. La tecnología no repara automáticamente la vaguedad de un problema; puede limitarse a darle una interfaz más vistosa y un coste más elevado. El punto de partida profesional es definir la decisión, medir su valor y comprender sus riesgos, y después seleccionar la tecnología que la sirva, no remodelar el problema para ajustarlo a lo que la tecnología ofrece.

Resumen del capítulo

Una presión compuesta no justifica necesariamente una tecnología compuesta. La mejor intervención puede ser mejorar el registro de riego, formar al trabajador, reparar una cadena de frío o poner a disposición una fuente oficial en un lenguaje comprensible. La inteligencia artificial puede ser el vínculo que enlace estas tareas y mejore su oportunidad y precisión. El juicio no se emite a partir del nombre de la tecnología, sino de su efecto sobre una cadena de decisión concreta y de su capacidad para seguir siendo segura y económicamente viable en el mundo real.

Notas sobre la evidencia

el mapeo del campo se apoya en las revisiones [SRC001][SRC002][SRC003], en el informe oficial sobre automatización integral [SRC031] y en el análisis de la estructura de las explotaciones [SRC037]. La proyección [SRC014] se ha conservado únicamente como documento histórico. Los archivos regionales se utilizaron para extraer la estructura de los problemas y las preguntas; de ellos no se trasladó ninguna cifra de mercado o de seguridad alimentaria que no estuviera cerrada en el registro de fuentes.