Rafael Patron, Presidente del Comité Técnico-Científico de AIPIA
(Agraria.pe) Imagine a un productor que, una tarde de calor, le pregunta a unasistente en el celular cuánto regar su parcela esta semana. La respuesta llega en segundos, bien redactada y con una cifra precisa. Es justamente esa seguridad la que obliga a detenerse: la inteligencia artificial en la agricultura entrega recomendaciones, pero la decisión de abrir la válvula sigue siendo de quien conoce ese suelo, ese cultivo y esa cuenta bancaria.
La pregunta útil, entonces, es otra. Qué tiene que revisar el productor, el agrónomo o el extensionista antes de convertir esa respuesta en una acción.
Una recomendación todavía no es una decisión
En agosto, Agraria.pe publicó un artículo de Edwin Ramos con una tesis que conviene tener a mano: la nueva brecha digital del agro no será el acceso a la IA, sino convertirla en decisiones. Julián Fernando Becerra Encinales, especialista en transformación agroindustrial citado en la nota, lo resume en una frase: «Democratizar el acceso a la IA no necesariamente democratiza sus beneficios». Y agrega que la diferencia estará «en la capacidad de interpretar, contextualizar y decidir».
El diagnóstico está hecho. Lo que sigue es práctico: cómo se interpreta y se contextualiza una recomendación concreta, con el cultivo en pie y poco tiempo para pensar.
Un sistema de IA responde con lo que sabe o con lo que se le dijo. Puede no saber que el pozo bajó de nivel, que el lote tiene un sector salino o que el comprador exige un límite de residuos más estricto que el de la etiqueta. Esa información está en la chacra y en la cabeza de quien la trabaja, no en el modelo.
Cinco controles antes de aplicar
El primero es el contexto. Una recomendación de riego, fertilización o control sanitario vale para un cultivo, una fase fenológica, un tipo de suelo, un clima y una escala determinados. Si el sistema no preguntó nada de eso, o si el productor no se lo dijo, la respuesta es genérica aunque suene exacta. Conviene releer la pregunta que se hizo y verificar que contenga lo esencial: variedad, edad de la plantación, superficie, análisis de suelo o de agua si existe, y lo que pasó en la campaña anterior.
El segundo control son los datos de partida. ¿De dónde salió la cifra? Si el asistente se basó en una foto, en un sensor o en una planilla, alguien tiene que confirmar que esa foto, ese sensor y esa planilla son del lote correcto y están al día.
El tercero es la plausibilidad agronómica. Aquí no hay atajos: la recomendación tiene que tener sentido para alguien que conoce el cultivo. Una dosis muy por encima de lo habitual, un tratamiento fuera de época o un riego que contradice lo que se ve en la planta son señales para frenar y consultar.
El cuarto es el costo del error. No es lo mismo equivocarse en el horario de un riego que en un producto fitosanitario cerca de la cosecha de una fruta de exportación. Cuanto más alto es lo que se pierde, más alta tiene que ser la exigencia de verificación antes de actuar.
El quinto, la reversibilidad. Si la acción se puede corregir mañana, se puede probar en un sector pequeño y observar. Si no se puede deshacer, la recomendación espera la opinión de una persona con criterio técnico.
Quién decide, quién firma y qué hace el extensionista
Cuando algo sale mal, la frase «lo dijo la aplicación» no sirve ante el comprador, ante la certificadora ni ante la propia familia. Por eso vale la pena dejar claro, antes de la campaña, quién hace qué. El productor decide y asume el resultado en su campo. El agrónomo, propio o de la empresa proveedora, valida las recomendaciones técnicas que implican insumos, dosis o riesgos para la inocuidad. El extensionista acompaña ese proceso y ayuda a que el productor entienda por qué una recomendación se acepta, se ajusta o se descarta.
Para que eso funcione, alcanza con un registro sencillo. Un cuaderno o una hoja compartida con la fecha, la pregunta que se le hizo al sistema, la respuesta, lo que se decidió hacer, quién lo decidió y qué pasó después.
Parece poco. Con el tiempo, ese registro se convierte en la memoria del campo y permite ver en qué tipo de consultas el asistente acierta y en cuáles conviene desconfiar.
El artículo de Agraria.pe plantea que el extensionista «no debe competir con la inteligencia artificial, sino redefinir su función». En la práctica, esa nueva función tiene mucho de pedagogía. Enseñar a formular una buena pregunta al sistema, con los datos que importan. Mostrar cómo se contrasta una respuesta con lo que dicen el análisis de suelo, la ficha técnica del producto o la experiencia de los vecinos. Practicar con casos reales del valle, en grupo, para que el criterio se construya entre pares y no dependa de una sola persona.
Hay un efecto menos visible. Un productor que aprende a revisar una recomendación también aprende a reconocer cuándo no sabe algo, y esa es la condición para pedir ayuda a tiempo.
Que la inteligencia artificial en la agricultura no ensanche la brecha
Becerra Encinales advierte sobre el riesgo de que la IA «aumente la productividad de quienes ya cuentan con mayores capacidades». Quien tiene agrónomo propio, conectividad y datos ordenados podrá validar cada recomendación; quien trabaja solo, con poca señal y sin análisis de suelo, tenderá a aceptar la primera respuesta o a ignorarla por completo. Las dos reacciones cuestan dinero.
Las respuestas que reducen esa distancia son de organización más que de tecnología. Cooperativas y asociaciones de productores que comparten un técnico para validar consultas, juntas de usuarios de riego que ponen en común datos de agua, programas de extensión que dedican parte de sus visitas a revisar con el productor lo que le recomendó el celular. Ninguna de estas medidas requiere esperar una nueva herramienta.
Supervisión humana: un principio que viene de otros oficios
La discusión que Agraria.pe viene siguiendo en sus notas sobre IA aplicada al agro peruviano coincide con una preocupación de quienes desarrollan e integran estos sistemas. La Asociación Italiana de Profesionales de la Inteligencia Artificial (AIPIA) reúne a desarrolladores, científicos de datos, investigadores y consultores. Su código ético recoge la idea de que la IA es un instrumento de apoyo y que las decisiones de mayor peso ético o jurídico quedan bajo control humano. Esos principios de supervisión humana y transparencia piden también que se puedan entender las lógicas de funcionamiento de un sistema y, donde sea posible, verificar sus resultados.
Para un productor, traducido al campo, significa algo concreto: tener derecho a saber en qué se basa una recomendación y la costumbre de comprobarla antes de aplicarla. Para quien diseña las herramientas, significa construirlas de modo que esa comprobación sea fácil, mostrando qué datos usó el sistema y con qué grado de incertidumbre responde.
El punto de encuentro entre ambos mundos es ese registro de decisiones. Lo que el productor anota sobre aciertos y errores es, para el profesional que desarrolla o ajusta un sistema, información valiosa sobre dónde falla el modelo en condiciones reales.
La próxima campaña como prueba
No hace falta esperar políticas nacionales ni grandes inversiones para empezar. Basta con elegir una sola decisión recurrente de la próxima campaña, por ejemplo el riego de un lote o el momento de una aplicación, y pasar cada recomendación del asistente por los cinco controles, dejando constancia en el registro.
Al final de la temporada, ese productor tendrá algo que hoy casi nadie tiene: una evidencia propia de cuánto puede confiar en la herramienta, para qué y bajo qué condiciones. Esa evidencia, compartida en una cooperativa o en una reunión con el extensionista, es la forma más directa de convertir el acceso a la IA en mejores decisiones.
