La inteligencia artificial está transformando lo que es posible en la agricultura, pero los líderes del sector deberían ser cautelosos al invertir en IA sin sentar primero las bases.
Los casos de uso son prometedores, especialmente para una industria que navega por costes volátiles de fertilizantes, condiciones meteorológicas impredecibles y márgenes que dejan poco margen de error. Investigaciones muestran que los modelos predictivos basados en IA pueden mejorar el rendimiento de los cultivos en un 26 %, reducir el consumo de agua en un 41 % y reducir el uso de productos químicos en un 33 %.
Sin embargo, lo que los proveedores de IA no suelen decirte es que estas soluciones solo son efectivas si se cuenta con una base de datos limpia y sólida. No obstante, en Reltio, contamos con experiencia en este ámbito, incluyendo liderar la estrategia tecnológica en un importante distribuidor agrícola y la construcción de una plataforma de datos utilizada por empresas de todo el mundo; lo hemos visto de primera mano.
Lo que los proveedores de IA no te dirán
Las conversaciones con proveedores en el sector agrícola suelen seguir un patrón familiar. La presentación comienza con grandes promesas en to o al uso de la IA para monitorizar la salud de los cultivos en tiempo real, optimizar el riego y maximizar el rendimiento de cada hectárea.
La promesa es atractiva, pero rara vez se plantea la cuestión de si la base de datos que sustenta esas promesas es precisa y completa. Si no es así, existe un riesgo real y significativo de que la IA genere resultados engañosos que parezcan autoritarios pero que inspiren acciones que, en el mejor de los casos, sean contraproducentes.
Por ejemplo, un modelo de predicción de rendimiento alimentado con datos históricos inconsistentes generará pronósticos imprecisos. Del mismo modo, un sistema de riego de precisión que se base en datos de sensores fragmentados tomará decisiones de riego que malgastarán recursos en lugar de ahorrarlos.
En cada caso, la IA está fallando porque los datos con los que fue entrenada no fueron suficientes para producir resultados fiables. En agricultura, cada alucinación de la IA supone un riesgo, y la probabilidad de error es alta.
Por qué la agricultura es un caso de prueba singularmente desafiante
El panorama de datos en una operación agrícola mode a o en un gran distribuidor que presta servicio a miles de agricultores es extraordinariamente complejo.
Los ento os agrícolas mode os hacen un uso extensivo de dispositivos IoT y maquinaria. Los sistemas de riego están automatizados, los tractores navegan por los campos de forma autónoma y los drones capturan imágenes de campo a gran escala.
Sin embargo, los datos de las máquinas son dispares por naturaleza. Si a esto le añadimos fuentes exte as, como datos meteorológicos, datos del Departamento de Agricultura de EE. UU. e información de mercado de terceros, la pregunta de cómo integrar todo ello en algo coherente se convierte en una tarea considerable.
La IA agrícola también necesita comprender más que solo los atributos del cliente; necesita comprender el terreno: coordenadas GPS, límites de la explotación, bloques de campo y la variación del suelo en una misma finca. ¿Dónde se aplica el fertilizante, a qué ritmo y en qué zona específica de la explotación? No todas las partes de un campo son iguales, y un sistema de IA que las trate como si lo fueran producirá recomendaciones que son, en el mejor de los casos, imprecisas y, en el peor, perjudiciales.
Existe también una dimensión de cumplimiento normativo debido a los productos químicos y la responsabilidad que conlleva. La IA operativa en agricultura necesita significativamente más controles y gobe anza que los que podría requerir en un ento o de menor riesgo. Cuando una recomendación errónea se aplica sobre el terreno, las consecuencias pueden ser graves.
Qué implica la madurez de los datos en la práctica
La madurez de los datos es la diferencia entre que la IA cumpla su promesa o un escenario de «basura entra, basura sale» (garbage in, garbage out). Fundamentalmente, estar preparado para la IA significa disponer de un modelo de datos que refleje con precisión cómo opera la empresa.
Para una empresa como Wilbur-Ellis, un distribuidor agrícola familiar de 104 años, eso significa comprender quiénes son sus clientes, qué campos cultivan, qué insumos necesitan, de qué proveedores provienen esos insumos, qué pagaron la temporada pasada y cómo todo eso se conecta con el margen. Esa información debe ser actual, coherente y accesible en toda la organización, en lugar de estar bloqueada en sistemas separados que nunca fueron diseñados para comunicarse entre sí.
Del mismo modo, para las propias operaciones agrícolas, la preparación de los datos significa tener una visión fiable y conectada de lo que ocurre en cada campo: registros de la salud del suelo, historiales de aplicación de insumos, datos de rendimiento de temporadas anteriores, rendimiento de los equipos y lecturas de sensores en tiempo real de los sistemas de riego.
La gobe anza es tan importante como la estructura. Los precios cambian, las relaciones evolucionan y los proveedores van y vienen. Un sistema de IA que se basa en datos que eran precisos hace seis meses pero que no se han mantenido, hará recomendaciones basadas en una versión del negocio que ya no existe.
Sentando las bases para una IA de confianza
La buena noticia es que el camino hacia la preparación de datos es factible. Comienza con un modelo de datos robusto: una única fuente de verdad gobe ada que conecta clientes, proveedores, productos, precios, pedidos y márgenes de una manera que refleja cómo opera la organización.
A partir de ahí, se requieren pipelines de datos lo suficientemente rápidos para ofrecer información valiosa cuando se deben tomar decisiones, marcos de gobe anza que mantengan esos datos fiables a lo largo del tiempo y controles de seguridad que aseguren que la información comercial sensible sea accesible para las personas adecuadas bajo las condiciones adecuadas.
Este es precisamente el reto que Reltio, una compañía de SAP, fue diseñada para resolver. Reltio permite a las empresas unificar sus datos fragmentados para que los agentes y sistemas de IA puedan operar desde una visión completa del negocio. Reltio construye un sistema de contexto de confianza, conocido como la capa de inteligencia contextual, que reúne todas las entidades, relaciones y reglas bajo un mismo techo y facilita el acceso e interpretación de los datos de negocio.
Para Wilbur-Ellis, construir esa base de datos fiable ha significado poder hacer preguntas más complejas y confiar en las respuestas, lo cual es la condición previa para que cualquier sistema de IA sea realmente útil.
Cómo la agricultura puede obtener valor real de la IA
La pregunta que cabe hacerse antes de la próxima conversación sobre IA no es si el caso de uso es prometedor. Es casi seguro que sí lo es. La pregunta es si la base de datos subyacente es lo suficientemente sólida como para que el resultado sea fiable.
La agricultura siempre ha exigido a sus líderes tomar decisiones de alto riesgo bajo incertidumbre, y la IA ofrece la perspectiva real de que esas decisiones se tomen de forma más rápida y mejor informada. Esa perspectiva solo es alcanzable para las organizaciones que han sentado las bases previamente, y las empresas que sacarán el máximo partido de la IA son las que están invirtiendo en esa base ahora.
Este contenido ha sido producido por Reltio. No ha sido escrito por el equipo editorial de MIT Technology Review.