ChatGPT, Copilot, DALL·E y otras herramientas similares han revolucionado, en un corto plazo, la forma en que la humanidad ha conocido e interactuado con la inteligencia artificial (IA). Estas populares herramientas son ejemplos de IA generativa, basadas principalmente en lo que se conoce como LLMs (Large Language Models). Sin embargo, el desarrollo de la IA comenzó mucho antes de la aparición de estas aplicaciones, y los tipos y usos de la IA van mucho más allá que contestar preguntas  o generar imágenes por medio de aplicaciones de chat o plataformas creativas, donde interactúan usuario e IA usando lenguaje natural.

Seguramente, luego de tu primer contacto con la IA inevitablemente comenzaste a elucubrar sobre sus posibles aplicaciones y las transformaciones que podría desencadenar. La más extrema y obvia es si, finalmente la IA terminará reemplazándonos (volveré a este tema más adelante). En ese contexto, una vez más, el agro no escapa a la irrupción de las nuevas tecnologías, en esta ocasión, la IA. De hecho, ya podemos observar cómo se está aplicando concretamente en nuestro sector y cuáles son las principales oportunidades y amenazas que genera.

Muestra de los avances que ya existen en torno a la IA en agricultura es la existencia, desde 2019, de la revista científica Journal of Artificial Intelligence Applied to Agriculture, en la ya se han publicado más de 150 artículos sobre este tema (más los que pueden encontrarse en otras revistas). No menos importante, en un mapeo de agtechs que realizamos recientemente desde el Programa de Digitalización Agroalimentaria del Instituto Interamericano de Cooperación para la Agricultura (IICA), identificamos más de 35 agtechs que -verdaderamente- utilizan alguna de las ramas de la IA como parte del desarrollo de sus soluciones.

Aplicaciones de la IA al agro

Las aplicaciones potenciales de la IA a la agricultura pueden organizarse en al menos tres grupos: 

1) Análisis de datos para detectar patrones y hacer predicciones (ej. modelos predictivos de plagas, detección temprana de sequías).

2) Visión computacional (ej. algoritmos de identificación de malezas o de clasificación de cultivos).

3) Optimización de procesos y recomendaciones técnicas (ej. optimización de manejo del riego o apoyo experto a agricultores o técnicos, siendo esta última una de las aplicaciones intuitivas de la IA generativa y herramientas como ChatGPT).

En cualquiera de los casos de aplicación mencionados, sin buenos datos e información, no puede haber una IA eficiente. Los datos y la información son el combustible que permite a los métodos detrás de la IA hagan su “magia”, ya sea prediciendo correctamente una plaga o contestando acertadamente una pregunta.

Como en el deporte, cuanto más se entrenen los algoritmos de IA (sobre la base de datos e información) mejor será su desempeño. Este punto llama la atención sobre la necesidad de disponer de buenos datos, tanto públicos como generados por el propio usuario, si queremos sacar todo el potencial que la IA tiene para ofrecer.

“La IA, como parte de la agricultura digital, es un elemento central para la transformación de los sistemas agroalimentarios de las Américas. Una mayor coordinación entre actores Agtech y la implementación de políticas para impulsar el desarrollo y aprovechamiento de las tecnologías contribuye a materializar las oportunidades que ofrece”

La discusión que se viene: ¿la IA nos reemplazará?

Mucho se discute sobre si la IA nos reemplazará. Esta discusión es natural, dado el notable desempeño que viene mostrando la IA para algunas tareas. Considero que, como ocurrió con otras tecnologías, la IA inevitablemente reemplazará algunas de las tareas que hoy realizamos al momento de gestionar la producción agropecuaria (lo extraordinario esta vez es que lo hará asumiendo funciones cognitivas). Sin embargo, inexorablemente aparecerán nuevos problemas y desafíos para los cuáles la inteligencia humana (IH) seguirá siendo irremplazable.

Preveo que se generará un círculo virtuoso entre la IH y la IA, creando un equilibrio dinámico entre ambas “inteligencias”, lo que permitirá acelerar procesos de aprendizaje y mejora.

En esta etapa inicial, considero importante adoptar una actitud abierta, pero prudente y crítica frente a la IA, dado que la innovación no está libre de fallas ni de potenciales impactos negativos. Por un lado, más allá de lo impresionante que pueda parecer, los algoritmos tienen -y seguirán teniendo, al igual que las personas- imprecisiones en sus resultados (muchos lo habrán experimentado al poner a prueba a ChatGPT). Estas inexactitudes se deben tanto a la cantidad y calidad de los datos como a las limitaciones inherentes de los propios modelos. Por otro lado, aparecen alertas sobre aspectos éticos vinculados al avance de la IA, como la transparencia y los posibles sesgos en los algoritmos, las cuestiones relacionadas con la propiedad intelectual de lo generado, entre otros.