Blog Inteligencia artificial: ¿cómo podría transformar la agricultura?
La IA es una herramienta controversial con poderosas aplicaciones: entre ellas, el modo en que cultivamos nuestros alimentos. A continuación, compartimos algunos ejemplos de cómo los investigadores ya están aplicando la IA, y las consideraciones para un uso sostenible y equitativo de esta tecnología.
Para la mayoría de nosotros, este año el uso de la inteligencia artificial (IA) ha saltado del ámbito de lo posible a lo inevitable. Sectores como la salud o los medios de comunicación están lidiando con las capacidades de la IA, y la agricultura no es una excepción. Los científicos de CGIAR llevan años estudiando cómo la IA puede impulsar los esfuerzos para sembrar de forma sostenible cultivos resilentes y garantizar que los agricultores se adapten al cambio climático.
Tres proyectos en curso de la Alianza que recurren a la IA son Tumaini (una aplicación para teléfonos inteligentes que permite a los cultivadores de banano resolver el 90% de las principales enfermedades y plagas), Melisa (un chatbot que calcula el rendimiento del maíz y el trigo de los agricultores colombianos basándose en predicciones meteorológicas a largo plazo, variedades de suelo y cultivo, y fechas de siembra), y Artemis (sistemas tecnológicos de visión por ordenador que permiten a los mejoradores de cultivos desarrollar variedades adaptadas localmente y resilientes al clima).
Investigadores de Tanzania combinan fotos de teléfonos inteligentes e IA para observar variedades de fríjoles en el campo. Foto: David Guerena
Agricultura de precisión: un camino hacia una agricultura más eficiente
Steve Mutuvi es un científico de datos con experiencia en Large Language Models (la familia de IA detrás de ChatGPT). Con su trabajo en la Alianza en Tanzania, ve muchas oportunidades para integrar estos conceptos en el fitomejoramiento:
"Las aplicaciones de la IA incluyen la optimización del rendimiento mediante la predicción de los momentos óptimos de siembra, riego y cosecha, esto para maximizar el rendimiento al tiempo que se minimiza el uso de recursos y se favorece la adaptación a un clima cambiante. Los modelos de IA pueden simular cómo afectará el cambio climático a los cultivos y recomendar estrategias para que la agricultura sea más resiliente y tenga un menor impacto medioambiental".
La agricultura de precisión es una serie de técnicas que utilizan sensores de alta tecnología y análisis para proporcionar a los agricultores datos que les permitan tomar decisiones informadas para minimizar el uso de recursos y maximizar los rendimientos. Las herramientas de agricultura de precisión se basan en el aprendizaje automático, el cual utiliza datos históricos para desarrollar correlaciones entre patrones climáticos, tipos de suelo, variedades de cultivos e insumos externos, generando así recomendaciones que pueden proporcionarse a los agricultores en una variedad de formatos fáciles de usar.
Una de las formas más valiosas de la agricultura de precisión impulsada por IA es el monitoreo de los cultivos: el seguimiento de la salud de los cultivos para ofrecer orientación personalizada a los agricultores y garantizar así una buena cosecha, salvaguardando al mismo tiempo sus medios de vida y reduciendo el gasto.
Diagnóstico y mitigación de enfermedades: Tumaini
Nuestro primer caso de estudio es Tumaini, que en swahili significa "esperanza". Desarrollada por científicos de la Alianza y cultivadores locales de banano, esta aplicación de fácil uso aplica el aprendizaje automático (análisis de imágenes de teléfonos, drones y satélites) para detectar signos tempranos de cinco enfermedades comunes y una plaga importante, lo que en el pasado provocó que muchos agricultores perdieran toda la cosecha de la temporada. Su uso es sencillo: los agricultores suben una foto de un cultivo afectado, la app compara la foto con una base de datos de imágenes categorizadas por ubicación y, finalmente, ofrece al agricultor un diagnóstico y una serie de recomendaciones para solucionar el problema. Ya en 2019, los ensayos de Tumaini en Colombia, República Democrática del Congo, India, Benín, China y Uganda arrojaron un 90% de éxito en la detección de enfermedades y plagas. Según el director del proyecto, Michael Selvaraj, "la AI de Tumaini ha transformado los datos del GPS en un vívido retrato de la salud de las plantas de banano en todo el mundo: de 6.000 en 2013 a más de 18.000 entradas en la actualidad". Su último paso es incluir otro cultivo importante: los fríjoles.
El oráculo del pronóstico de rendimientos: Melisa
Utilizando un método de comunicación diferente para apoyar a los productores de maíz y trigo en Colombia, en 2022 la Alianza lanzó Melisa, un chatbot basado en IA que proporciona previsiones agroclimáticas precisas, permitiendo a los agricultores planificar las cosechas y preparar sus productos para el mercado. Melisa está disponible para los agricultores en WhatsApp, Facebook y Telegram; en forma de chat, los agricultores pueden pedirle predicciones meteorológicas tanto a corto como a largo plazo, así como estimaciones de su rendimiento de maíz y trigo para la próxima temporada. Melisa utiliza un sistema de aprendizaje automático que predice los rendimientos de los agricultores analizando su tipo de suelo, las variedades de semillas utilizadas, los días en que las sembraron, así como las condiciones climáticas pasadas y futuras. Gracias a esta información, los agricultores planificar las fechas óptimas de cosecha y estimar sus ingresos para la temporada.
Fenotipado impulsado por los agricultores: Artemis
La capacidad de procesamiento de la información de la IA también puede ayudar a los agricultores a cultivar más especies adaptadas a sus condiciones locales mediante un fenotipado más rápido y preciso (observando el comportamiento de los cultivos para seleccionar las variedades más prometedoras), acelerando el proceso tradicional de fitomejoramiento que los agricultores han realizado manualmente durante miles de años. La IA acelera este proceso de selección analizando y comparando miles de imágenes de variedades de cultivos, mientras crecen en el campo. El proyecto Artemis – una colaboración entre la Alianza y la empresa Mineral, de Alphabet – ha estado utilizando rovers y teléfonos inteligentes para ayudar a los agricultores y fitomejoradores a identificar las variedades de semillas más productivas y resistentes en función de su ubicación y condiciones de cultivo únicas, en lugares desde Colombia hasta Tanzania.
Otras áreas de exploración
Además de la supervisión de cultivos y los servicios de asesoramiento, otro ejemplo prometedor de IA en la agricultura es la instalación de sensores subterráneos de humedad del suelo que podrían permitir a los agricultores estimar las necesidades de riego, ayudándoles así a utilizar los recursos de forma eficiente. La IA también podría ayudar a diseñar sistemas automatizados de riego inteligente, un proceso complejo que aún no se ha extendido. Además, las tecnologías robóticas avanzadas podrían automatizar tareas manuales como la siembra y la cosecha, lo que reduciría la necesidad de actividades que consumen mucho tiempo, facilitaría el ahorro de dinero a los agricultores y reduciría los errores humanos.
Las complejidades de la IA en la agricultura
Dado que la inteligencia artificial evoluciona rápidamente y aún no se comprende en su totalidad, existen desafíos potenciales para su aplicación, entre ellos:
- Privacidad y seguridad de los datos: la IA se basa en la recolección de grandes cantidades de datos sobre las prácticas y las condiciones de cultivo de los agricultores, lo que podría hacerlos vulnerables al robo de identidad o a la divulgación de información confidencial. Los riesgos de compartir datos podrían hacer que los agricultores se muestren desconfiados a la hora de adoptar tecnologías de IA, lo que dificultaría la difusión de los beneficios que estas herramientas podrían proporcionar.
- Dependencia de la tecnología: si los agricultores llegan a depender de las herramientas de IA para su planificación, cualquier interrupción o fallo técnico podría poner en riesgo sus operaciones y su productividad.
- Acceso desigual: dependiendo de los precios, algunos pequeños agricultores podrían no tener la capacidad financiera para permitirse el acceso a las tecnologías de IA. Esto podría causar desigualdades a favor de los productores más grandes y poner a los pequeños agricultores en desventaja, provocando una mayor desigualdad. Esto plantea la cuestión de cómo poner estas tecnologías a disposición de los agricultores de forma gratuita.
- Desplazamiento de puestos de trabajo: el potencial de automatización de la mano de obra agrícola mediante el uso de robots podría poner a los trabajadores agrícolas en riesgo de perder sus puestos de trabajo, lo que crearía dificultades económicas y sociales más amplias.
- Monocultivo vs. sistemas agrobiodiversos: el enfoque de la IA basado en el mínimo de insumos y la máxima eficiencia y rendimiento puede no funcionar para los agricultores que pretenden adoptar prácticas agroecológicas. La creación de sistemas agrícolas biodiversos con enfoques como la agroecología se considera una forma importante de restaurar y proteger los ecosistemas que se han visto afectados por la agricultura industrial y los insumos químicos. Hay que explorar una variedad de métodos de cultivo, pero teniendo en cuenta la importancia de la agrobiodiversidad, las herramientas de IA podrían crear un sesgo a favor del monocultivo.
- Preocupaciones éticas: el potencial de la IA para contribuir a la modificación genética provoca muchas preguntas y debates éticos. Aunque la posibilidad de modificar las semillas para aumentar el rendimiento puede contribuir a la seguridad alimentaria – una de las preocupaciones más apremiantes del mundo –, incluso los procesos naturales de selección de semillas mediante fenotipado pueden reducir la confianza y la aceptación de estas tecnologías por parte del público.
- Impactos medioambientales: aunque la IA podría aumentar la eficiencia de los recursos mediante la predicción precisa de las necesidades de riego y otros insumos, si la adopción de estas herramientas crea un sesgo hacia el monocultivo e incentiva los insumos químicos, esto podría revertir los avances graduales de la agrobiodiversidad. Además, la ampliación de la escala de estas herramientas también requiere necesidades de recursos, lo que posiblemente provoque impactos medioambientales negativos aún desconocidos.
¿Cómo abordan estos riesgos los investigadores de la Alianza? Berta Ortiz es una especialista en diseño centrado en el ser humano que está integrando enfoques participativos en el trabajo de Artemis en Tanzania. En su opinión:
"El diseño inclusivo puede superar algunos de los problemas a los que se enfrenta la inteligencia artificial, identificando las diversas necesidades de aquellos que utilizarán las herramientas de IA, y asegurándose de que se adapten a sus contextos únicos."
El primer paso para reconocer y evitar aplicaciones problemáticas de la IA es trabajar con los usuarios finales – agricultores y ganaderos locales – desde el principio.
En general, aunque la inteligencia artificial tiene un enorme potencial para mejorar la producción de alimentos, no es más que una herramienta adicional para investigadores, criadores y agricultores, y requiere un uso cuidadoso para obtener los mejores resultados. A medida que aumente la importancia de la IA en todos los sectores, CGIAR y la Alianza seguirán desarrollando y desplegando estas herramientas en beneficio de los agricultores, como parte de la transición hacia sistemas alimentarios sostenibles y equitativos.
Preguntas frecuentes: Inteligencia artificial: ¿cómo podría transformar la agricultura?
1. ¿Qué modelos financieros, subsidios o asociaciones público-privadas se implementarán para garantizar que las herramientas impulsadas por la IA sean asequibles y sostenibles para los pequeños agricultores con recursos limitados?
La financiación innovadora en la agricultura digital ha combinado la filantropía específica, las asociaciones de riesgo compartido y los mecanismos de reducción de riesgos para reducir las barreras para los pequeños agricultores. En la India, las subvenciones de fundaciones filantrópicas financiaron proyectos piloto de IA que llegaron a más de 300.000 agricultores, demostrando cómo las donaciones estratégicas pueden superar los costos iniciales de despliegue. Las asociaciones público-privadas (APP) son igualmente fundamentales; por ejemplo, se prevé que la propuesta presupuestaria de la India para prestar servicios de agrotecnología a través de APP desbloquee un importante valor económico para 2025. Mientras tanto, programas como De-risking Agricultural Finance for Smallholder Farmers han movilizado millones de dólares para proporcionar garantías de crédito que reducen los tipos de interés y estimulan la concesión de préstamos a los productores rurales. Más allá de los préstamos, los proveedores de microseguros aprovechan los datos obtenidos por satélite y sobre el terreno, gracias a la IA, para calcular las primas, lo que se traduce en pagos sustanciales, una mayor aceptación del crédito y una mejora del rendimiento de las explotaciones agrícolas aseguradas. De cara al futuro, la expansión de estos modelos a través de los mecanismos comprometidos en los marcos mundiales de financiación climática podría ayudar a canalizar la financiación —actualmente menos del 3% de las asignaciones totales— hacia soluciones de IA diseñadas para las comunidades agrícolas más vulnerables.
2. ¿Qué programas integrales de formación, estructuras de apoyo técnico y servicios de extensión se proporcionarán para desarrollar las competencias digitales de los agricultores y permitir el uso eficaz de las herramientas de IA?
El éxito del despliegue de las herramientas de IA depende de que los agricultores y sus asesores cuenten con las competencias digitales y el apoyo necesarios. Los programas de formación en competencias digitales incluyen ahora cursos modulares sobre diagnóstico y gestión de plagas de los cultivos, disponibles gratuitamente en todo el mundo para reforzar las capacidades de los trabajadores de la agroextensión. Estos módulos autodidactas cuentan con el apoyo de un servicio de asistencia 24 horas y foros comunitarios que ofrecen asistencia técnica continua. Las redes internacionales de investigación también imparten talleres localizados y certificaciones en línea, lo que permite a los agentes de extensión traducir los datos en información agrícola práctica. Además, los chatbots de inteligencia artificial generativa —disponibles a través de plataformas como WhatsApp— ofrecen asesoramiento agronómico a la carta, responden con precisión a un alto porcentaje de consultas y mantienen elevados índices de recomendación por parte de los usuarios. Estas herramientas reducen la necesidad de formación en persona y ayudan a superar las deficiencias de alfabetización o conectividad. Las asociaciones con cooperativas de agricultores y redes sin ánimo de lucro permiten además el aprendizaje entre iguales y un seguimiento sostenido, creando un ecosistema de aprendizaje de apoyo que amplifica el impacto de las intervenciones de IA.
3. ¿Qué políticas reguladoras específicas, acuerdos cooperativos de intercambio de datos o directrices éticas regirán la propiedad, la privacidad y el uso equitativo de los datos de los agricultores en estas aplicaciones de IA?
Una sólida gobernanza de los datos es esencial para proteger los derechos de los agricultores y fomentar la confianza en las herramientas de IA. Los responsables políticos hacen cada vez más referencia a los marcos mundiales de protección de datos que exigen el consentimiento explícito, la transparencia en la toma de decisiones algorítmicas y el respeto de los derechos de los sujetos de datos, al tiempo que adaptan estas disposiciones para adecuarlas al contexto de los pequeños agricultores. Las iniciativas que abogan por el acceso abierto y anónimo a conjuntos de datos agrícolas agregados promueven la innovación al tiempo que protegen la privacidad individual, con el apoyo de asociaciones entre gobiernos, ONG y el sector privado. Como complemento a los esfuerzos en favor de los datos abiertos, los códigos de conducta liderados por la industria esbozan normas claras para la propiedad, el uso y el intercambio de datos, haciendo hincapié en el anonimato y el consentimiento informado. Modelos emergentes, como las cooperativas de datos, proponen que los agricultores pongan en común sus datos bajo entidades gobernadas democráticamente, que negocian acuerdos de reparto de beneficios con los proveedores de tecnología. Estas políticas, cooperativas y marcos éticos apoyan conjuntamente la soberanía de los datos, evitan la explotación y permiten un uso inclusivo y equitativo de la IA en la agricultura.
