LA TIERRA DE LOS ALGORITMOS

PARTE I

La inteligencia artificial y la construcción del futuro agrícola

Del campo al algoritmo... y de vuelta

Este volumen es la Parte I independiente de una obra más amplia. Incluye la Primera parte («¿Por qué importa la transformación agrícola?») y la Segunda parte («Fundamentos de la inteligencia artificial y los datos»), con un total de siete capítulos. Examina el problema agrícola antes que la tecnología, los criterios de evidencia con los que deben evaluarse las afirmaciones, las principales familias de métodos de inteligencia artificial aplicadas a la agricultura y los sistemas de datos, inteligencia geoespacial y extensión agraria que permiten una aplicación responsable.

Esta edición en español forma parte de un proyecto mundial en diez idiomas que busca combinar profundidad científica y claridad práctica: accesible para los agricultores, útil para los especialistas y atento a las diferencias entre entornos y culturas agrícolas.

Autor: Dr Aladdin Ali Doctor en Ciencias Agrarias — Fundador de Aladdin International Company

Entidad patrocinadora: PT Aladdin Pertanian Internasional Idioma de esta edición: español Edición: Parte I — Primera edición — 2026 Fecha: 18 de septiembre de 2026

Este libro no se construyó a partir de un solo documento ni de una colección cerrada de archivos o referencias. Surgió de un proceso de investigación, documentación y revisión desarrollado en varias etapas: comenzó con la recopilación de materiales científicos, técnicos y agrícolas en distintos idiomas, y durante la redacción y la edición se amplió para incorporar estudios y revisiones científicas, informes de instituciones internacionales, documentos oficiales y regulatorios, guías de extensión agraria, materiales técnicos y registros de implementación y pruebas relacionados con algunos de los sistemas y aplicaciones examinados en el libro.

A lo largo de este proceso, el mero hecho de localizar una fuente nunca bastó para adoptarla. Se revisaron la identidad, la fecha, la versión y el contexto de cada fuente, y las afirmaciones se contrastaron con lo que las pruebas permitían sostener realmente. Cuando no fue posible rastrear el origen de una información, o cuando las pruebas resultaron insuficientes, se acotó la afirmación, se dejó la cifra en suspenso o se explicitaron los límites de confianza, en lugar de presentarla al lector como un hecho establecido.

Se utilizaron herramientas de inteligencia artificial en algunas tareas de organización y comparación, detección de repeticiones, seguimiento de diferencias entre versiones, asistencia lingüística y propuesta de formulaciones iniciales. Sin embargo, estas herramientas no fueron tratadas como fuentes científicas ni recibieron autoridad para emitir un juicio agronómico o validar un hecho o una recomendación. La verificación de las fuentes, la evaluación de la solidez de las pruebas, la edición, la elección de la redacción y la aprobación final son actos humanos, cuya responsabilidad recae por completo en el autor.

Los nombres de empresas, productos, instituciones y programas aparecen en estas páginas con fines de identificación, análisis y comparación, no de respaldo ni publicidad. La mención de un producto o sistema no constituye una recomendación para comprarlo o utilizarlo, y su omisión no representa un juicio sobre su calidad o idoneidad. Los nombres, las marcas comerciales y los derechos asociados a ellos siguen perteneciendo a sus respectivos titulares.

Este libro orienta al lector hacia las pruebas y le ayuda a comprender y examinar sus límites, pero no sustituye a la fuente original, la etiqueta oficial del producto, la autoridad reguladora, el laboratorio ni al profesional cualificado de la agricultura o la veterinaria.

Derechos de autor © 2026 Dr Aladdin Ali. Todos los derechos reservados.

Sin la autorización previa y por escrito del titular de los derechos de autor o de quien este haya autorizado por escrito, queda prohibido reproducir este libro, total o parcialmente, copiarlo, imprimirlo, volver a publicarlo, distribuirlo, traducirlo, grabarlo, preparar una versión adaptada o derivada, convertirlo a cualquier formato o soporte, almacenarlo en cualquier sistema de recuperación de información o transmitirlo por medios electrónicos, mecánicos o de otra naturaleza, incluidas la fotocopia y la grabación.

Se exceptúan las citas limitadas permitidas por la legislación aplicable con fines de crítica, reseña, investigación o enseñanza, siempre que la obra se cite correctamente, se preserve el contexto del fragmento citado y no se tergiverse su sentido ni se presente de manera que sugiera el respaldo del autor o del titular de los derechos de autor a una persona, institución, producto u opinión que no hayan respaldado expresamente.

La cita de cualquier cifra, recomendación o información sensible contenida en este libro no exime de la obligación de consultar la fuente original o la autoridad oficial competente, ni traslada al autor la responsabilidad por aplicar la información fuera de su contexto, una vez que haya perdido vigencia o después de que hayan cambiado sus condiciones regulatorias o su fundamento científico.

Primera edición — 2026

PT Aladdin Pertanian Internasional patrocina esta obra. El proyecto completo, en una parte posterior que no se incluye en este volumen, contiene un estudio de caso declarado sobre la plataforma agrícola de la entidad patrocinadora. Esta relación podría comprometer la obra si se ocultara; por ello se declara al comienzo de la Parte I, antes de cualquier análisis de la plataforma.

Un posible conflicto de intereses no se resuelve negándolo ni cubriéndolo con un lenguaje científico sereno. Se gestiona mediante límites escritos ante los que el lector pueda exigir responsabilidades. Tres límites se aplican al proyecto completo, incluida esta parte:

• No se atribuye a la plataforma ninguna capacidad que no esté establecida por el repositorio o por un informe de ingeniería fechado.
• La existencia de código no significa que el servicio funcione en producción; la distancia entre ambas cosas sigue siendo una cuestión que debe demostrarse.
• La plataforma no se utiliza como prueba de superioridad científica o comercial frente a ningún otro sistema.

La entidad patrocinadora no tiene autoridad sobre las conclusiones del libro. La ausencia de evidencia no puede convertirse en evidencia de calidad, ni puede suprimirse una limitación porque resulte comercialmente incómoda. Si una descripción comercial contradice una fuente primaria o el estado del repositorio, prevalecen la autoridad superior y la descripción más conservadora.

La Parte I que el lector tiene en sus manos no presenta la plataforma de la entidad patrocinadora como estudio de caso; ese análisis pertenece a una parte posterior del proyecto completo.

Este es un libro que le enseña a pensar la decisión agrícola, no un libro que dicta la decisión misma.

Explica la lógica, analiza la evidencia y ayuda a diseñar sistemas. Pero no es un registro oficial, ni una prescripción de fertilización o riego para su parcela concreta, ni un diagnóstico veterinario, ni un sustituto de un laboratorio, un ingeniero agrónomo, un veterinario o una autoridad reguladora.

La confianza que asciende en el tono de los algoritmos puede convertirse en una ilusión peligrosa en cuanto pone el pie en el terreno del campo. Hay líneas rojas en la toma de decisiones agrícolas que exceden la capacidad de un modelo de lenguaje por fluido que sea: la dosis química, los dos intervalos de seguridad —el intervalo previo a la cosecha (PHI) y el intervalo de reentrada (REI)—, el registro legal del plaguicida y el precio actual del producto agrícola.

Ciertos datos sensibles nunca deben ser adivinados por un sistema de inteligencia artificial ni presentados sin una fuente clara: la dosis permitida; el intervalo entre la última aplicación del plaguicida y la cosecha; el intervalo de reentrada para los trabajadores que acceden a una zona tratada; el estado del registro legal del producto para el cultivo y la plaga correspondientes; y el precio actual de mercado del producto agrícola.

La dosis, el intervalo previo a la cosecha, el intervalo de reentrada y el estado del registro deben comprobarse en la etiqueta oficial del producto y en las instrucciones de la autoridad reguladora competente del país donde se utilice. Un error en cualquiera de estos elementos puede dañar el cultivo, poner en peligro a los trabajadores o dejar residuos no conformes que comprometan la aceptación de un envío en un mercado de exportación. A su vez, el precio debe verificarse en una fuente de mercado actual y fiable que identifique el lugar, la fecha, la moneda y el grado de calidad; un precio antiguo o ajeno a la zona puede conducir a una mala decisión de venta, compra o producción.

La inteligencia artificial puede reunir observaciones, ordenar probabilidades, recuperar evidencia y revelar un patrón que merezca examen. Eso es mucho. Pero no hace lo único que algunos podrían sentirse tentados de esperar de ella: transferir la responsabilidad legal y profesional del ser humano al algoritmo. La responsabilidad no migra mediante la delegación técnica.

Por esta razón, todo sistema que merezca confianza en trabajos agrícolas sensibles sabe tres cosas sobre sí mismo: cuándo abstenerse, qué le falta para poder responder y a quién escala la decisión cuando su consecuencia excede los límites del sistema.

No inicié mi recorrido con la inteligencia artificial como experto en la materia ni como desarrollador que ya comprendía el funcionamiento de sus modelos y herramientas. Lo inicié a mediados de 2023 como un usuario principiante que intentaba entender qué podía hacer realmente esta nueva tecnología y si de verdad podía transformar la manera en que aprendemos, trabajamos y resolvemos problemas.

Al principio, mi curiosidad era práctica y sencilla. Probé las herramientas disponibles como lo haría cualquier usuario nuevo: formulando preguntas, comparando respuestas y observando la extraordinaria velocidad con la que producían texto, imágenes y análisis. El asombro inicial no tardó en verse acompañado por otras constataciones. Empecé a advertir que una respuesta segura de sí misma podía seguir siendo incompleta, que la elocuencia no garantizaba la verdad y que herramientas con interfaces parecidas podían diferir radicalmente en sus fuentes, capacidades y límites.

A finales de 2024, el uso ocasional dejó de ser suficiente. Comencé a experimentar con una amplia variedad de herramientas, motores y plataformas de inteligencia artificial, a estudiar sus diferencias y a comparar su funcionamiento. ¿Cómo entendían una pregunta? ¿Cómo recuperaban el conocimiento? ¿Cuándo respondían a partir de una fuente y cuándo llenaban una laguna con lo aprendido anteriormente? ¿Cómo trataban las distintas lenguas? ¿Y qué ocurría cuando se les pedía orientación especializada en un ámbito de consecuencias importantes como la agricultura?

La agricultura era a la vez la prueba más exigente y la más cercana a mí. No la considero solo un sector económico, sino una ciencia, una profesión y una responsabilidad que afecta al agua, los alimentos, el suelo, la salud vegetal y animal y los medios de vida de millones de familias. Un error aquí no permanece dentro de un texto en una pantalla. Puede convertirse en una dosis inadecuada, un riego a destiempo, un diagnóstico engañoso o un coste que el agricultor no puede asumir.

En septiembre de 2025, mi recorrido pasó de la experimentación y la comparación a un estudio y una construcción más profundos. Comencé a trabajar en mi proyecto de mayor envergadura: desarrollar un sistema de inteligencia artificial especializado en agricultura, concebido no solo para generar respuestas generales, sino para conectar una pregunta agrícola con su fuente, su contexto, el cultivo, el lugar, la lengua y las consecuencias de la decisión.

La ambición fundacional era tan clara como exigente: los estudiantes de agricultura debían poder acceder a estos conocimientos y herramientas de forma totalmente gratuita, mientras que un agricultor debía poder acceder a un servicio agrícola inteligente con un coste objetivo no superior a un dólar estadounidense al mes.

Esa cifra no era un recurso de marketing. Era una pregunta de ingeniería y de ética planteada al proyecto desde el principio. ¿Puede construirse tecnología agrícola avanzada sin que quede confinada a las grandes universidades, las empresas ricas y las explotaciones capaces de pagar suscripciones costosas? ¿Puede el mismo conocimiento llegar a un estudiante que aprende con recursos limitados y a un pequeño agricultor que no puede arriesgar una parte considerable de sus ingresos en una herramienta digital que aún no se ha probado en su entorno?

Dejo constancia de este objetivo como la finalidad que orientó el diseño y el desarrollo, no como una afirmación de que todos los componentes ya se hayan logrado ni de que el precio objetivo sea hoy una oferta comercial disponible en todos los países. Este libro se asienta precisamente en la distinción entre aquello a lo que aspiramos, lo que hemos construido, lo que hemos probado y lo que ha demostrado un efecto en el mundo real. Una aspiración no pierde valor cuando reconocemos que sigue inconclusa; se vuelve más honesta y más susceptible de comprobación.

La idea de este libro nació de aquel proyecto.

El trabajo comenzó con una intención aparentemente sencilla: catalogar las aplicaciones de inteligencia artificial agrícola de todo el mundo y comparar sus usos, sus grados de madurez y su valor para agricultores, investigadores y responsables de la toma de decisiones. Al principio imaginé una colección ordenada de aplicaciones, estudios y tecnologías. Sin embargo, a medida que se multiplicaban los archivos, quedó claro que el verdadero problema no era la falta de información, sino la dificultad de distinguir entre sus distintas clases.

Surgió así una verdad editorial no menos importante que el tema del libro: la abundancia de textos no significa que el conocimiento esté completo.

Vi cifras atractivas viajar de un informe a un artículo, del artículo a una presentación comercial y después a otra lengua, perdiendo por el camino su fuente original, sus límites y sus condiciones. Vi una tasa de éxito en clasificación de imágenes presentada como prueba de que un robot había triunfado en el campo; una previsión del mercado mundial usada en sustitución de la economía de la explotación; un prototipo presentado como servicio maduro; la presencia de código leída como prueba de funcionamiento; y una operación local descrita como impacto demostrado en la vida de los agricultores.

También vi cómo la traducción puede llevar un error más lejos y conferirle mayor autoridad. Una cifra débil no se fortalece por escribirse en diez idiomas, ni una afirmación sin respaldo se vuelve verdadera por aparecer en decenas de páginas. Al contrario, puede hacerse más peligrosa, porque el alcance lingüístico le da una falsa apariencia de consenso y estabilidad.

Ante mí se abrían dos caminos fáciles, y ambos conducían a una pérdida.

El primero consistía en borrar todo aquello que suscitara dudas, para producir un texto breve y extremadamente cauteloso que pareciera sólido, pero sacrificara la utilidad, la amplitud y la memoria del libro. El segundo consistía en reunirlo todo tal como lo encontré, conservando detalles, nombres y cifras, pero transmitiendo también sus errores al lector de una forma más pulida e imponente que aquella en la que habían llegado hasta mí.

Elegí un tercer camino, más difícil y más lento: recuperar el detalle útil separando la idea de la afirmación, la existencia de un programa de su eficacia, el éxito de un modelo en una prueba del éxito de un sistema en una explotación, y un resultado observado en un caso de su capacidad para trasladarse a otro cultivo, país o comunidad.

Elegí conservar un nombre cuando ayudaba a cartografiar el campo, pero suspender una cifra cuando no podía cerrar el rastro hasta su fuente; describir un producto solo hasta donde llegaba el respaldo de la evidencia, no hasta donde alcanzaban sus promesas comerciales; y dejar abierta una pregunta a la investigación cuando el conocimiento era incompleto, en lugar de cerrarla mediante la eliminación o el asentimiento.

Por ello, las páginas siguientes nombran sistemas, estudios, proyectos y ámbitos de uso. Junto a ellos, identifican el tipo de evidencia disponible, el grado de madurez, lo que la fuente permite afirmar, lo que no puede inferirse y lo que sigue siendo desconocido o necesita verificación independiente.

Encontrará menos cifras de las que quizá espere en un libro sobre inteligencia artificial y agricultura. No es porque la agricultura digital carezca de mediciones, sino porque una cifra separada de su tarea, contexto, entorno y comparador puede engañar más de lo que explica. Una exactitud del 95 % significa poco hasta que preguntamos: ¿exactitud en qué tarea, con qué datos, bajo qué condiciones y con qué coste del error? ¿Se comparó con una persona o con un método más sencillo? ¿Funcionó fuera del laboratorio?

Una cifra sin contexto no es información; es decoración.

También encontrará capítulos sobre ciberseguridad, derechos sobre los datos, trabajo, dependencia de un único proveedor, conectividad intermitente, fallos en cascada, protección del conocimiento local y capacidad de exportar los datos y abandonar un servicio. Estos temas pueden parecer alejados de la pregunta inmediata de cómo podría la inteligencia artificial aumentar la producción o mejorar una decisión. En realidad, se encuentran en su centro.

Estas condiciones determinan si un sistema puede seguir funcionando cuando la tecnología falla, la conexión se interrumpe, el proveedor cambia, la empresa cierra o el agricultor descubre que sus datos están encerrados en una plataforma de la que no puede salir. Los sistemas agrícolas no se ponen a prueba solo en los días ordinarios, sino en el momento en que una parte falla mientras la tierra, las plantas y los animales siguen necesitando una decisión.

Como el conocimiento no se vuelve accesible por el mero hecho de existir, la elección de las lenguas del libro no fue un detalle editorial secundario. Esta obra se ha preparado en diez lenguas seleccionadas para llegar a comunidades con culturas, experiencias agrícolas y niveles de desarrollo urbano, científico, digital y económico muy distintos. Como primeras o segundas lenguas, representan un alcance lingüístico indicativo equivalente a aproximadamente el 60 % de la población mundial, teniendo debidamente en cuenta el solapamiento entre hablantes multilingües.

Sin embargo, el propósito no era simplemente perseguir el porcentaje más alto. Estas diez lenguas conectan universidades, laboratorios y ciudades con infraestructuras digitales avanzadas con pueblos y regiones agrícolas de conectividad limitada; abarcan grandes economías industriales y comunidades donde el acceso a la extensión agraria sigue siendo un reto cotidiano. También transportan tradiciones científicas y culturales, términos locales y conocimientos heredados que no deben aplanarse en una traducción literal ni en un único vocabulario normalizado.

Quería que el libro hablara al estudiante de agricultura que entra por primera vez en este campo; al agricultor que busca una respuesta inteligible y no una exhibición técnica; al ingeniero que necesita comprender los límites del sistema; al investigador que pregunta por la evidencia; al desarrollador que construye la herramienta; y al responsable de la toma de decisiones que asumirá la responsabilidad de aprobarla o regularla.

Por eso no trato el multilingüismo como la copia de las mismas palabras en diez interfaces, sino como una prueba de significado y justicia. Un sistema que funciona bien en una lengua puede fallar en otra. Una traducción gramaticalmente correcta puede ser agronómicamente errónea. El nombre de una planta, una enfermedad o un apero puede conservar en el conocimiento local una distinción que el término normalizado no recoge. Si la tecnología no respeta estas diferencias, no difunde conocimiento; difunde a mayor escala una versión incompleta de él.

Este libro tampoco pretende cerrar el debate ni ofrecer un juicio definitivo sobre un ámbito que cambia a tanta velocidad. Establece una base abierta a la crítica, la corrección y la revisión, y pide una sola cosa al lector: distinguir siempre entre lo que se ha establecido, lo que ha aparecido en un estudio temprano, lo que una institución ha anunciado sobre un programa, lo que un proveedor ha dicho sobre un producto, lo que ha demostrado una prueba de software y lo que yo propongo como diseño o como vía mejor.

La existencia de una idea no demuestra su éxito. La existencia de un programa no demuestra que funcione; el funcionamiento no demuestra la seguridad; y la seguridad técnica no demuestra que haya mejorado una decisión, ahorrado agua, aumentado los ingresos o reducido las pérdidas. Cada nivel exige su propia evidencia, y toda afirmación tiene un límite que el lenguaje no debe cruzar.

En esencia, este libro es el relato de un recorrido que comenzó a mediados de 2023 con la pregunta de un usuario principiante: ¿qué puede hacer la inteligencia artificial? A través de la experimentación, el estudio y la construcción, esa pregunta se convirtió en otra más difícil e importante: ¿qué debería hacer, para quién, a qué coste, bajo la supervisión de quién y quién soporta las consecuencias cuando se equivoca?

El proyecto que inicié en septiembre de 2025 mantiene su finalidad original: acercar el conocimiento agrícola inteligente a quienes lo necesitan, no solo a quienes pueden pagarlo; dar a los estudiantes de agricultura acceso gratuito a las herramientas del futuro; y ofrecer a los agricultores un servicio que puedan costear, comprender, examinar y en el que puedan confiar sin ceder el control de sus decisiones ni de sus datos.

Quien sabe distinguir la evidencia de la promesa, y el conocimiento del ornamento, tiene menos probabilidades de dejarse engañar por un titular brillante, una gran cifra sin fuente o un sistema que habla con más confianza de la que justifica su conocimiento. Poner esa capacidad en manos de estudiantes y agricultores es darles algo más que una herramienta técnica: es reconocerles un derecho más justo a participar en la construcción del futuro agrícola.

El campo no es un conjunto de cifras en una pantalla. Es tierra que espera la lluvia, una planta que busca agua a través de sus raíces, un animal cuya salud cambia con el alimento y el calor, y una familia cuyos ingresos pueden depender de una decisión tomada en una sola hora. Allí actúan juntos el suelo, el clima, el agua, las plagas, el trabajo y el dinero; un cambio en uno pasa a los demás, y un breve retraso en el riego o un error de diagnóstico puede convertirse en la pérdida de toda una campaña.

Por eso, una decisión agrícola no es simplemente una elección entre dos respuestas, ni una imagen nítida, la lectura de un instrumento o una previsión informática pueden volverla acertada por sí solas. Una buena decisión comprende la tierra sobre la que se aplicará, combina la medición con la experiencia del agricultor, sopesa el coste y las consecuencias y permanece abierta a revisión si cambia el tiempo o aparece nueva información.

Esta es la realidad desde la que comienza nuestra discusión sobre la inteligencia artificial: herramientas capaces de leer grandes volúmenes de imágenes, mediciones y registros, y de buscar en ellos patrones que puedan ayudar a las personas a comprender y anticiparse. Sin embargo, no ven el campo como quienes viven en él ni soportan el resultado de lo que proponen. Su valor no debe medirse, por tanto, por la elegancia de la respuesta en la pantalla, sino por lo que sucede después de actuar sobre ella. ¿Llegó el agua a tiempo? ¿Fue acertado el diagnóstico? ¿Se redujeron las pérdidas? ¿Siguió siendo la decisión comprensible, segura y bajo control humano?

Una decisión agrícola puede parecer sencilla cuando se reduce a una pregunta breve: ¿cuándo debo regar?, ¿cuál es la enfermedad?, ¿qué cultivo debería sembrar?, ¿vendo ahora o espero? Detrás de cada pregunta hay una red de condiciones invisibles en sus palabras. La humedad del suelo no puede interpretarse al margen de la textura, la salinidad, la profundidad radicular y la fase de crecimiento. Una imagen nítida de una hoja afectada no puede revelar por sí sola la causa del síntoma ni su extensión en la parcela. Una previsión de lluvia no decide el riego sin conocer la capacidad del suelo para retener agua. Tampoco una previsión de subida de precios elimina los costes de almacenamiento, el riesgo de deterioro ni la necesidad de liquidez de una familia esta semana.

La pregunta misma puede cambiar de significado de una comunidad a otra. La expresión «el suelo está seco» puede describir la lectura de un instrumento en una explotación altamente mecanizada, el juicio de un agricultor después de tocar la tierra o la observación de un pastor sobre el comportamiento de animales y plantas. El nombre de un cultivo, una enfermedad o una fase de crecimiento puede variar entre el pueblo y la ciudad, entre la lengua oficial de la extensión agraria y la lengua del campo, y entre un término científico y un nombre conservado durante generaciones. Por eso, la agricultura inteligente no comienza solo con la recopilación de cifras, sino con la comprensión del contexto que les confiere significado.

De ahí surge la doble naturaleza de la inteligencia artificial en la agricultura: inmensamente útil e inmensamente peligrosa, por la misma razón.

Su valor reside en seguir aquello que una persona no puede reunir y analizar manualmente a tiempo: secuencias de imágenes de satélite, drones y teléfonos; lecturas de sensores; registros estacionales; previsiones meteorológicas; análisis del suelo; movimientos de precios; y conocimiento publicado en muchas lenguas. Puede detectar un patrón que se extiende por miles de parcelas, relacionar un pequeño cambio en una planta con una larga historia de clima y riego, y devolver al usuario información enterrada en un informe, una tabla o un boletín de extensión.

Su peligro nace de esa misma capacidad para combinar y condensar. Un algoritmo puede fundir señales de calidad desigual en una respuesta elegante y persuasiva cuya fluidez oculta datos ausentes, una unidad perdida, una fuente obsoleta, una imagen insuficiente para el diagnóstico o un experimento realizado con otro cultivo en otra región. La respuesta puede sonar más segura precisamente allí donde la realidad es más incierta, porque el lenguaje pulido no siempre revela las condiciones y excepciones que se han eliminado de él.

Aquí reside una distinción que todo lector debe recordar: la fluidez lingüística no es exactitud agrícola, y la confianza que muestra un modelo no es necesariamente una probabilidad calibrada científicamente. Una frase puede ser pulida y persuasiva y, sin embargo, estar equivocada en lo sustancial. Una previsión puede ser correcta en promedio y no servir para la parcela en cuestión. Un algoritmo puede identificar un síntoma en una imagen y aun así no determinar una vía de actuación segura. Entre nombrar un problema y saber qué hacer al respecto hay un espacio que ocupan la medición, la experiencia, la regulación y la responsabilidad.

Este libro parte, por tanto, de una posición práctica y no ideológica. No pregunta si estamos a favor o en contra de la inteligencia artificial ni presupone que todo lo nuevo sea mejor o que todo lo tradicional sea atrasado. Las preguntas más útiles son: ¿dónde añade la tecnología un valor medible?, ¿qué datos necesita?, ¿cuáles son los límites de su validez?, ¿quién la revisa?, ¿cómo sigue siendo útil, segura, equitativa y duradera cuando cambian las condiciones, falla la conectividad o el modelo se equivoca?

La narración no se construye en torno a las cifras más deslumbrantes ni a demostraciones que hacen parecer que una explotación funciona con solo pulsar un botón. Sigue la cadena completa de la decisión, eslabón a eslabón. ¿De dónde procedieron los datos? ¿Quién es su titular? ¿Cómo se midieron y normalizaron? ¿Qué se perdió en la transferencia? ¿Qué predijo el modelo y con cuánta incertidumbre? ¿Quién convirtió la predicción en acción? ¿Frente a qué alternativa se comparó? ¿Qué ocurrió después con el agua, el suelo, el rendimiento, los beneficios, el trabajo y el riesgo?

El libro también plantea preguntas que rara vez reciben el mismo espacio en las presentaciones técnicas. ¿Comprendió el agricultor la recomendación como pretendía el sistema? ¿Pudo impugnarla y corregir sus datos? ¿Eran visibles su fuente, fecha y alcance? ¿Permaneció la autoridad en manos del agricultor o pasó silenciosamente a una plataforma que no podía examinarse? Si el agricultor decidía abandonar el servicio, ¿podían salir también los datos, los registros y su significado, o quedaban cautivos de un formato cerrado y un contrato sin salida real?

Cuando se rompe cualquier eslabón de esta cadena, la exactitud del modelo no puede rescatar al sistema en su conjunto. Una predicción puede ser correcta pero llegar demasiado tarde; llegar a tiempo pero no ser comprendida; ser comprendida pero resultar económicamente imposible de aplicar; o ser aplicada sin que jamás se mida su resultado. La agricultura inteligente debe evaluarse, por tanto, en la frontera entre la decisión y su resultado en el mundo real, no solo en la frontera del modelo.

Este libro se extiende a diez lenguas cuidadosamente seleccionadas: árabe, inglés, chino, español, francés, indonesio, malayo, urdu, persa y turco. Las estimaciones agregadas de sus hablantes como primera y segunda lengua sugieren un alcance lingüístico potencial equivalente a aproximadamente el 60 % de la población mundial. Esta es una afirmación sobre la amplitud posible del espacio lingüístico, no sobre una audiencia garantizada, y debe leerse con cautela porque los hablantes multilingües se solapan y no pueden contarse más de una vez al estimar el alcance real.

La importancia de estas lenguas no reside solo en las cifras. Atraviesan continentes, zonas climáticas y sistemas agrícolas profundamente distintos. Conectan comunidades rurales y urbanas, economías industriales y digitales avanzadas, países en rápida transformación y regiones donde la extensión agraria directa y la infraestructura digital siguen siendo limitadas. Las hablan pequeños agricultores, pastores, trabajadores agrícolas, investigadores, ingenieros, emprendedores, estudiantes, responsables de políticas públicas y habitantes de ciudades cuya seguridad alimentaria depende de campos que quizá nunca vean.

También transportan tradiciones distintas de conocimiento: desde institutos de investigación, laboratorios y redes de satélites hasta la experiencia local que reconoce el suelo por el color y el olor, lee la campaña en el viento y el movimiento de los animales y conserva los nombres de plantas, enfermedades y fases de crecimiento en palabras para las que un diccionario normalizado quizá no tenga equivalente exacto. Por ello, en este libro la traducción no se considera la sustitución de un conjunto de palabras por otro, sino un traslado responsable del significado entre entornos científicos, culturales y profesionales distintos.

La elección de las lenguas no pretende que estas diez representen a toda la humanidad ni les concede superioridad epistémica sobre miles de otras. Reconoce que todo proyecto multilingüe permanece incompleto si no respeta lo que queda fuera de su alcance. El objetivo es construir un puente amplio y extensible, no un nuevo centro lingüístico que pida a todos los demás desplazarse hacia él. El verdadero multilingüismo no consiste en hacer que el sistema repita la misma frase en diez lenguas. Consiste en comprender las diferencias de contexto, conservar los términos locales, comprobar la comprensión y no solo la traducción, y permitir que los usuarios corrijan los significados que la máquina no ha logrado captar.

Una plataforma no se vuelve equitativa por el mero hecho de traducir su interfaz. Sus menús pueden aparecer en la lengua del usuario mientras las fuentes de conocimiento, los datos de entrenamiento, las pruebas de calidad y las normas de seguridad siguen arraigados en una única lengua o entorno. El reconocimiento de voz puede funcionar bien en una lengua con abundantes recursos y después oír mal el nombre de un plaguicida, una enfermedad o una unidad en otra con menos recursos. Una traducción puede ser correcta desde el punto de vista gramatical y errónea desde el agronómico, al sustituir un término local preciso por una palabra general que borra la distinción de la que depende la decisión.

Tampoco pueden reducirse las diferencias entre comunidades a una oposición binaria entre «avanzadas» y «atrasadas». Una explotación puede utilizar satélites y maquinaria autoguiada y, sin embargo, padecer una interoperabilidad deficiente o dependencia de un único proveedor. Una explotación pequeña y con conexión intermitente puede poseer conocimientos locales precisos y un sistema social eficaz para compartir alertas y experiencias. Una ciudad puede disponer de laboratorios y redes avanzados y, a la vez, recibir sus alimentos a través de una cadena frágil que no ve las condiciones del trabajador ni del agricultor en su punto de partida. El avance técnico es una capacidad importante, pero no sustituye a la idoneidad, la equidad, la confianza ni la mantenibilidad.

Los treinta y seis capítulos del libro abarcan visión por computador, teledetección, sistemas de datos, predicción del rendimiento, selección de tierras y cultivos, riego inteligente, gestión del suelo y los nutrientes, diagnóstico de enfermedades y plagas, robótica, producción ganadera y acuícola, cultivos protegidos, operaciones de cosecha y poscosecha, inocuidad alimentaria, mercados, cadenas de suministro y gobernanza. Sin embargo, no separan la tecnología de la sociedad que la utiliza, el modelo de la institución que lo opera ni la eficiencia de las cuestiones éticas y jurídicas que la acompañan.

Una aplicación que tiene éxito en una explotación conectada a un laboratorio y una red estable no migra por sí sola a una pequeña explotación cuyos miembros comparten un teléfono y dependen de una conexión intermitente. Un sistema que predice con exactitud en un país no adquiere autoridad automática en otro donde difieren las variedades, los suelos, el clima, las prácticas y la legislación. Tampoco una tecnología que ahorra agua en un ensayo controlado produce necesariamente sostenibilidad si eleva los costes, margina los conocimientos de los trabajadores o amplía la superficie regada hasta aumentar el consumo total.

Mediante esta amplitud científica y lingüística, el libro busca cumplir dos propósitos: ofrecer a agricultores, ingenieros, investigadores, profesionales de la extensión y responsables de la toma de decisiones un mapa claro de lo que la tecnología puede hacer; y ofrecer a desarrolladores, inversores y proveedores de servicios una relación explícita de lo que no puede afirmarse. No promete una respuesta única para cada campo. Ofrece una forma más rigurosa de plantear la pregunta, examinar la evidencia, definir los límites del sistema y conectar la innovación con sus consecuencias prácticas.

La agricultura necesita algo más que menos promesas. Necesita una ingeniería más precisa, datos más fiables, una traducción que preserve el significado, evidencias más claras, instituciones capaces de revisar y corregir, y una responsabilidad que no se diluya en el trayecto entre quienes recopilaron los datos, construyeron el modelo, vendieron la plataforma, emitieron la recomendación y, en última instancia, soportan el resultado de la decisión.

Cuando la tecnología se construye sobre estos cimientos, el algoritmo no viene a sustituir a la tierra ni a quienes la conocen, sino a ayudarlos a verla con mayor claridad. El conocimiento científico, la experiencia local y la capacidad informática pueden entonces participar en una misma conversación: una conversación que comienza en el campo, pasa por los datos y el modelo y regresa al campo con mayor humildad, mayor auditabilidad y una conciencia más aguda de que el futuro agrícola no lo construirá el algoritmo por sí solo, sino las personas que sepan cómo utilizarlo, cuándo confiar en él y cuándo pedirle que se detenga.

La pregunta central que plantea este libro no es qué es capaz de hacer la inteligencia artificial en la agricultura; sus capacidades son amplias, se renuevan continuamente y se expanden con cada avance técnico. La pregunta más difícil y más valiosa es esta: ¿qué cambia realmente en el campo cuando el sistema entra en él? Entre la capacidad técnica y el impacto agrícola se extiende una distancia decisiva, recorrida por datos, decisiones, instituciones y consideraciones económicas. En cada punto de ese trayecto, el valor puede erosionarse o perderse por completo antes de llegar al agricultor.

Es precisamente de esa distancia de donde emerge el argumento central del libro, expresado a través de seis conclusiones centrales:

Primera: el valor reside en la decisión, no solo en el modelo. Un modelo puede alcanzar un rendimiento estadístico excelente sin cambiar una sola decisión en el momento oportuno. A la inversa, un modelo sencillo —si se apoya en una medición fiable, se vincula a orientaciones claras y comprensibles y cuenta con un respaldo manual— puede tener mayor valor que un sistema complejo. El criterio decisivo no es el grado de complejidad técnica, sino la capacidad del sistema para convertir el conocimiento en una decisión accionable en el momento en que esa decisión marca una diferencia genuina.

Segunda: los datos agrícolas no son una materia prima neutral. Detrás de cada registro hay un propietario, un contexto, una unidad, una fecha y un método de medición. En consecuencia, la pérdida de la procedencia, la confusión entre el cero y un valor ausente, o el tratamiento de dos nombres locales de un mismo cultivo como dos entidades distintas pueden conducir a una decisión errónea que aparenta —en su superficie— ser precisa.

La calidad de una decisión comienza antes de que se construya el modelo; comienza con la comprensión del origen de los datos, su significado, sus límites y el contexto en el que se generaron.

Tercera: los resultados de laboratorio no pasan al campo por sí solos. Desplazarse entre campañas, regiones, variedades, dispositivos e idiomas no es un paso automático, sino un proceso que exige validación externa y seguimiento continuo de la deriva. La clasificación de imágenes por sí sola no equivale a un diagnóstico completo, la simulación no equivale a un despliegue real, y la interpretación de un modelo no constituye una prueba causal.

Entre el éxito experimental y la adopción en campo se sitúa una prueba más rigurosa: ¿sigue siendo fiable el sistema cuando cambia el entorno para el que fue diseñado?

Cuarta: la viabilidad económica y la equidad son criterios fundamentales para el éxito de una tecnología. El éxito de un sistema técnico no se mide únicamente por su exactitud o por su capacidad para completar tareas, sino también por su valor económico y por sus efectos sobre las personas que lo utilizan. La evaluación debe abarcar, por tanto, todos los costes asociados, incluidos los costes de propiedad, mantenimiento, conectividad y formación, y el tiempo que los trabajadores dedican a operarlo, así como el derecho del agricultor a dejar de usar la plataforma sin quedar sujeto a ella.

La automatización puede elevar la productividad en determinadas tareas, pero al mismo tiempo puede alterar la distribución de funciones, cargas de trabajo y riesgos entre los trabajadores. La transformación tecnológica no debería, por tanto, apoyarse en el supuesto de que las máquinas sustituirán a las personas, sino en preparar y cualificar a los trabajadores para una nueva economía agrícola en la que las competencias evolucionan, las responsabilidades se desplazan y el juicio humano sigue siendo un elemento fundamental en la toma de decisiones.

Quinta: la gobernanza no es un apéndice secundario que llega después de la tecnología. La gobernanza, en este contexto, significa el conjunto de normas, autoridades, responsabilidades y controles que regulan el uso de un sistema técnico a lo largo de todo su ciclo de vida operativo. Determina quién es propietario de los datos, quién tiene derecho a consultarlos o utilizarlos, quién aprueba las recomendaciones del sistema, cuándo debe detenerse este o derivarse una decisión a un especialista humano, y quién asume la responsabilidad cuando se produce un error.

En este sentido, la gobernanza no es un procedimiento administrativo añadido una vez completada la tecnología; constituye una parte intrínseca de su diseño y su funcionamiento. La ciberseguridad no se limita a proteger los datos y los dispositivos frente a intrusiones; abarca también garantizar la continuidad de la operación y la solidez de las decisiones y los procedimientos en los que se apoya el agricultor para gestionar la explotación.

La gobernanza se extiende asimismo a la protección de la independencia del agricultor respecto de la plataforma tecnológica. El agricultor debería poder exportar los datos y transferirlos a otro sistema, o dejar de usar la plataforma, sin perder los datos ni quedar permanentemente dependiente de un único proveedor tecnológico. De este modo, la portabilidad de los datos y la libertad de salida se transforman de características técnicas formales en garantías prácticas que protegen el derecho de elección del agricultor.

El sistema debería igualmente conocer los límites de su propia capacidad: abstenerse de emitir una recomendación cuando la información disponible es insuficiente, derivar el caso a un responsable humano cuando se requiere mayor pericia o autoridad, y revertir cualquier acción que se demuestre insegura o inadecuada. Estas capacidades no son complementos marginales, sino condiciones esenciales para la fiabilidad y el buen desempeño del sistema.

Un ejemplo ilustrativo: un sistema inteligente de gestión del riego

Supongamos que un sistema inteligente recomienda a un agricultor el momento y la cantidad de riego a partir de lecturas de humedad del suelo, temperatura y datos relativos a las condiciones de la parcela. Si faltan las lecturas de humedad del suelo, o si los dispositivos de medición arrojan resultados contradictorios, el sistema no debería emitir una recomendación definitiva como si la información fuera completa.

En tal caso, la gobernanza especifica de antemano el curso de acción: el sistema se abstiene de emitir una recomendación con confianza, deja claro al usuario que los datos son insuficientes o inconsistentes, y a continuación deriva el caso a la persona responsable para su revisión antes de llevar a cabo el riego. La gobernanza determina también quién ostenta la autoridad para aprobar o detener la decisión, cómo se documenta la intervención y quién asume la responsabilidad de la acción final.

En ausencia de tales normas, el sistema puede emitir una recomendación construida sobre información incompleta, sin que quede claro quién debería haberla revisado, quién ostenta la autoridad para detener la ejecución o quién asume la responsabilidad de los resultados.

La supervisión humana, por tanto, no se logra con el mero anuncio de que hay una «persona en el bucle». Requiere identificar a la persona autorizada para intervenir, la función que desempeña, las decisiones que está facultada para tomar y la responsabilidad que asume. La gobernanza es el marco que hace que la tecnología sea segura, disciplinada y responsable, y que preserva el control del agricultor sobre sus datos y sus decisiones.

Sexta: no existe una única vía regional. Turquía, Indonesia, América del Sur, el mundo árabe, el Golfo, África y el sur de Asia difieren en recursos hídricos, estructura de la propiedad de la tierra, patrones de cultivo, infraestructura institucional y niveles de conectividad. Estos entornos no pueden, por tanto, reducirse a una única prescripción técnica ni a una vía de desarrollo uniforme.

La función de un marco global no es borrar las diferencias regionales, sino organizar las preguntas que estas revelan, y convertir la diversidad de obstáculo para la implementación en fundamento para un diseño más realista, más equitativo y más eficaz.

Así, este libro mide el éxito de la inteligencia artificial no por lo que un modelo puede predecir dentro del laboratorio, sino por lo que un sistema integrado puede cambiar en el campo: una decisión mejor, menos riesgos, un valor más claro y una mayor capacidad de perdurar sin sacrificar la exactitud, la equidad o la independencia del agricultor.

Este volumen puede leerse de principio a fin, pero el lector también puede elegir un punto de entrada según su pregunta:

• Quien se inicia en el tema puede comenzar por los capítulos uno y dos para comprender el problema agrícola y la diferencia entre digitalización y transformación real.
• Quien necesite evaluar la solidez de una afirmación puede comenzar por el capítulo tres y consultar después las notas sobre la evidencia y las referencias finales.
• Quien quiera comprender los métodos de inteligencia artificial y los sistemas de datos puede continuar con los capítulos cuatro y cinco.
• Quien trabaje con cartografía, teledetección o decisiones basadas en la ubicación puede leer el capítulo seis; para recuperación del conocimiento y extensión agraria, el capítulo siete.
• Los agricultores y profesionales deben leer primero el Aviso de seguridad agrícola. Esta parte ofrece un marco para pensar y evaluar; no sustituye un diagnóstico local, la etiqueta oficial de un producto, la normativa vigente ni el juicio de un profesional cualificado.

La expresión «respaldado por la evidencia» siempre representa una valoración limitada por la fuente y el contexto citados, no una verdad general transferible a todo cultivo, país o sistema de producción.

Dos partes, siete capítulos

La Parte I está formada por dos bloques conectados.

Primera parte — ¿Por qué importa la transformación agrícola? presenta la agricultura como un sistema vivo y económico sometido a presiones compuestas, distingue la digitalización de la transformación real y establece un marco de evidencia para valorar las afirmaciones sobre inteligencia artificial agrícola.

Segunda parte — Fundamentos de la inteligencia artificial y los datos examina las familias de métodos, el ciclo de vida de los datos agrícolas, la inteligencia geoespacial y la recuperación del conocimiento y el apoyo responsable a la toma de decisiones.

El recorrido intelectual del volumen es:

Problema agrícola ↓ Medición de la transformación ↓ Solidez y límites de la evidencia ↓ Adecuación del método a la tarea ↓ Datos, procedencia y derechos ↓ Lugar, detección y validación ↓ Extensión agraria fundamentada, limitada y responsable

La pregunta principal precede a la capacidad algorítmica: ¿qué decisión agrícola se pretende mejorar, con qué evidencia, para quién y con qué coste, riesgo y responsabilidad? Los capítulos siguientes llevan esa pregunta del método a los datos, de los datos al lugar y del lugar a una extensión agraria responsable. La capacidad técnica no se considera éxito hasta examinar conjuntamente la fuente, el contexto, la validación, la autoridad humana y el resultado de la decisión.