IA en agricultura: lo que hace falta antes de comprar un sensor

La IA en agricultura se vende casi siempre al revés: primero el dispositivo, después la pregunta. Llega un comercial con una sonda, un dron o una plataforma con mapa satelital bonito, y la explotación compra hardware antes de haber decidido qué decisión quiere tomar mejor. Dos campañas después hay sensores enterrados que nadie lee y una suscripción anual que se renueva por inercia.

Este artículo va al revés. Primero la decisión —cuánto riego, qué tratamiento, cuánta cosecha espero—, después qué dato exige esa decisión, y solo al final qué hay que instalar. El enfoque es para explotaciones medianas: entre 50 y 500 hectáreas, con un técnico de campo, sin departamento de datos y con un ERP agrícola o, en muchos casos, un Excel bien llevado.

¿Qué resuelve de verdad la IA en agricultura?

Conviene separar tres cosas que se mezclan en el mismo folleto:

• Captura de datos. Sondas de humedad, estaciones meteorológicas, caudalímetros, imagen satelital o de dron, sensores en maquinaria. Esto no es IA: es instrumentación. Pero sin ella no hay nada que modelar.
• Automatización por reglas. "Si la tensión del suelo baja de X, abre el sector 3." Es un automatismo. Resuelve muchísimo y no necesita modelos. La mayoría de explotaciones que creen necesitar IA necesitan esto.
• Modelos predictivos. Estimar la evapotranspiración de los próximos cinco días, el riesgo de una plaga concreta, o los kilos que saldrán por parcela. Aquí sí hay aprendizaje sobre histórico.

El error caro es saltar al tercer punto sin haber hecho el primero. Un modelo de previsión de cosecha necesita varias campañas de datos limpios por parcela; si llevas un año midiendo, no hay modelo que valga. Lo mismo pasa en otros sectores: lo contamos en datos antes que IA y vale igual para el campo.

Si no sabes decir qué hiciste en la parcela 14 el 3 de mayo del año pasado, no tienes un problema de IA: tienes un problema de cuaderno de campo.

¿Cuándo compensa la IA en el riego?

El riego es el caso donde antes se recupera la inversión, por una razón simple: el agua tiene precio, la energía de bombeo también, y el exceso de riego cuesta dos veces (agua de más y lixiviación de fertilizante).

Qué decide un sistema de riego con datos:

• Cuándo regar. Según humedad real del suelo a varias profundidades, no según el calendario.
• Cuánto. Lámina de agua ajustada a la demanda estimada del cultivo en esos días.
• Qué sector primero. Si el caudal disponible no da para todo a la vez.

Qué hace falta para montarlo:

| Elemento | Mínimo útil | Por qué | |---|---|---| | Sondas de humedad | 1 punto por sector homogéneo de riego, 2-3 profundidades | Un solo punto por finca entera no representa nada | | Estación meteorológica | 1 en finca o acceso a una pública a menos de 10 km | Para calcular evapotranspiración de referencia | | Caudalímetro | 1 por sector o al menos en cabezal | Sin medir el agua aplicada no sabes el error | | Histórico | 1 campaña para calibrar reglas, 3 para modelo | Antes de eso se trabaja con reglas agronómicas | | Control remoto de válvulas | Deseable, no imprescindible | Sin él, el sistema recomienda y riega una persona |

Empieza con reglas y programación semanal asistida. Cuando lleves una campaña con datos de humedad, aplicación de agua y respuesta del cultivo, un modelo puede afinar la lámina. El salto de calidad no viene del algoritmo: viene de dejar de regar por costumbre.

Un detalle práctico: pon el caudalímetro desde el primer día aunque no automatices nada. Es el único dato que te permite decir después si el cambio funcionó. Sin línea base no hay forma de medir el retorno, y eso vale para cualquier proyecto, como explicamos en medir el ROI de la IA.

¿Se pueden anticipar plagas y decidir tratamientos con datos?

Sí, con matices importantes. Los modelos de riesgo de plaga y enfermedad llevan décadas funcionando en agronomía: muchos son modelos de grados-día y horas de humectación foliar, no aprendizaje automático. Son fiables, baratos de implantar y están publicados para los cultivos y patógenos principales.

Dónde entra la IA moderna:

• Visión por imagen. Fotos de trampas cromáticas o de hojas para contar insectos o clasificar síntomas. Ahorra recorridos y estandariza el conteo entre técnicos. Es el mismo tipo de solución que describimos en visión artificial en la empresa, aplicada al campo.
• Mapas de vigor. Índices de vegetación por satélite para detectar zonas que se desmarcan del resto de la parcela y dirigir la inspección a pie.
• Dosis variable. Aplicar más o menos producto por zona, cuando la maquinaria lo permite.

Dónde no entra, y conviene decirlo: la IA no sustituye al técnico que diagnostica. Un mapa de vigor señala una anomalía, no dice si es un hongo, falta de nitrógeno o una avería del gotero. La secuencia sana es dato → aviso → inspección → decisión del técnico, y el ahorro está en que la inspección va dirigida en vez de recorrer 200 hectáreas en diagonal.

Dos avisos sobre imagen satelital gratuita:

• La nubosidad deja huecos de semanas en el momento más interesante del ciclo. Si la decisión depende de tener imagen cada 5 días, necesitas dron o vuelo contratado.
• La resolución habitual (10 metros por píxel) sirve para zonificar parcelas grandes, no para ver una planta.

¿Qué hace falta para prever cosecha de verdad?

La previsión de cosecha es el caso más pedido y el que más decepciona cuando se aborda sin método. Se pide porque es el dato que mueve dinero de verdad: contratos con industria, logística de recolección, cuadrillas, cámaras y envases.

Lo que un modelo necesita, por orden de dificultad de conseguirlo:

1. Producción real por parcela y campaña, no agregada por finca. Es el objetivo que el modelo aprende a predecir. Sin tres o cuatro campañas con este dato, no hay nada que entrenar. 2. Trazabilidad de labores por parcela: riego aplicado, fertilización, poda, tratamientos, fechas. Es lo que explica diferencias entre parcelas parecidas. 3. Datos agronómicos estables: variedad, patrón, año de plantación, marco, tipo de suelo. 4. Clima de la campaña: horas frío, golpes de calor, lluvia en floración. 5. Observaciones de campo: cuaje, aforos manuales en fechas fijas.

Con eso se puede construir una previsión por parcela que se actualiza a lo largo del ciclo y va estrechando el margen. Lo que no se puede es pedir precisión de contrato en junio: una previsión agrícola seria se da con intervalo, no con número único. "Entre 180 y 230 toneladas, con 80% de confianza" es una respuesta profesional; "212 toneladas" en mayo es marketing.

Un error de método que vemos a menudo: entrenar el modelo con las campañas buenas y no con las malas. Si tu histórico solo tiene años normales, el modelo no sabe qué pasa con una helada tardía y la fallará entera. Es el mismo sesgo del histórico que aparece en la previsión de demanda industrial.

¿Y la maquinaria, los animales y el almacén?

Tres frentes menos vistosos donde el dato rinde rápido:

• Maquinaria. Tractores y equipos de riego con horas de uso y averías registradas permiten mantenimiento por condición en vez de por calendario. Es exactamente el planteamiento del mantenimiento predictivo: compensa cuando la parada en plena campaña cuesta mucho más que la revisión.
• Ganadería. Collares y podómetros para detección de celo y alertas tempranas de problemas de salud. Es de los casos con retorno más medible del sector, porque un celo no detectado tiene coste conocido por explotación.
• Postcosecha y almacén. Clasificación por imagen en línea de confección, previsión de entradas a central hortofrutícola, planificación de envases. Aquí el problema deja de ser agronómico y pasa a parecerse a cualquier optimización de inventario.

¿Cómo empezar sin tirar el dinero?

Una ruta que funciona en explotación mediana, en el orden en que la recomendamos:

| Fase | Qué se hace | Duración | Qué tienes al final | |---|---|---|---| | 1. Ordenar el cuaderno | Digitalizar labores por parcela con un identificador único y estable | 1-2 meses | Histórico empezando a acumularse | | 2. Medir lo que cuesta | Caudalímetros, consumo eléctrico, horas de maquinaria | 1 mes | Línea base contra la que comparar | | 3. Primer caso con reglas | Riego por humedad real en 2-3 sectores piloto | 1 campaña | Ahorro medible y confianza del equipo | | 4. Extender | Resto de sectores, modelos de riesgo de plaga publicados | 1 campaña | Operativa estable | | 5. Predicción | Previsión de cosecha por parcela con intervalo | A partir de 3 campañas | Dato útil para contratos y logística |

Dos reglas que ahorran disgustos. La primera: un identificador de parcela único y para siempre. Si en el ERP la parcela se llama "Finca Sur 2", en el mapa "P-14" y en el cuaderno del técnico "la de los almendros", el histórico no se puede cruzar y los cuatro años de datos no valen. La segunda: antes de firmar una plataforma, pide exportar tus datos. Si no hay exportación completa en formato abierto, estás alquilando tu propio histórico.

Sobre subvenciones: en España hay líneas de ayuda a digitalización agraria, pero cambian cada año por comunidad autónoma. Trátalas como lo que son —un descuento sobre un proyecto que ya tenía sentido—, no como el motivo para hacerlo. Un sensor subvencionado que nadie mira sigue siendo dinero perdido.

Preguntas frecuentes

¿Cuántos años de datos hacen falta para prever la cosecha?

Para un modelo con utilidad real, tres o cuatro campañas con producción registrada por parcela. Con menos se puede hacer una estimación basada en aforos y reglas agronómicas, que es perfectamente válida mientras el histórico se acumula.

¿Sirve la imagen de satélite gratuita o hay que contratar drones?

La imagen satelital pública sirve para zonificar parcelas grandes y detectar anomalías de vigor. Si necesitas resolución de planta o frecuencia garantizada sin huecos por nubes, hace falta dron o vuelo contratado.

¿Puede una explotación mediana hacer esto sin informático?

Sí, si empieza por ordenar el cuaderno de campo y la identificación de parcelas, que es trabajo de organización, no de programación. El apoyo técnico se necesita después, al integrar sensores y datos en un sitio único.

¿Qué caso da retorno antes?

El riego, casi siempre, porque el agua y la energía de bombeo tienen precio conocido y el ahorro se mide con un caudalímetro. En ganadería, la detección de celo suele competir de cerca.

Si estás valorando por dónde empezar en tu explotación y quieres un criterio sin comercial detrás, en la auditoría revisamos qué datos tienes ya, cuáles faltan y qué caso compensa primero con tus números. Y si prefieres contarlo en una conversación antes de nada, hablemos.