Cinco casos de cómo la IA ya se aplica en empresas agropecuarias

La inteligencia artificial (IA) empieza a encontrar aplicaciones concretas en la gestión cotidiana de las empresas agropecuarias. Digitalizar registros realizados en papel, consultar el historial productivo de un lote, calcular alternativas de fertilización o procesar controles lecheros son algunas de las tareas que ya pueden resolverse con estas herramientas.

Los casos fueron presentados por Santiago Tiscornia, consultor empresario y asesor de los grupos CREA Maipú y GL, durante una jornada técnica organizada por CREA Región Este en la Sociedad Rural de General Belgrano. De acuerdo con la información publicada por Contenidos CREA, el especialista planteó cinco instancias de uso, de acuerdo con el tipo de tarea y su complejidad.

“La inteligencia artificial puede crear, analizar y ejecutar, pero uno es el que dirige y valida el resultado”, señaló Tiscornia.

El primer nivel es el chat directo, pensado para responder consultas puntuales o tareas que se realizan una sola vez. Luego aparecen los proyectos, que permiten conservar las instrucciones y los archivos vinculados con un mismo tema.

Para los trabajos repetitivos, existen asistentes configurados para seguir siempre un mismo criterio, como los GPTs de ChatGPT, las Gems de Gemini o los proyectos con instrucciones de Claude. Los dos niveles siguientes son la creación de aplicaciones a partir de descripciones de lo que se necesita y los agentes a los que se les puede delegar tareas.

El especialista advirtió que la IA puede equivocarse o inventar datos verosímiles, arrastrar sesgos, y exige cuidados antes de compartir datos sensibles de una empresa. "Ninguno es motivo para no usarla; al contrario, son motivos para usarla con método y con validación humana", advirtió.

Del cuaderno de papel a una base de datos

Uno de los casos que presentó Tiscornia fue el de un empresario CREA que necesitaba digitalizar una planilla de manga registrada en papel. A partir de seis fotos de cuadernos con pesadas manuales de 600 animales, con diferentes categorías y pesadas dobles, la herramienta transformó la información en una base de datos estructurada en Excel.

El sistema leyó caravanas y pesos, siguió las instrucciones cuando reconoció pesadas dobles y señaló en un “reporte de dudas” los datos ilegibles, sobrescritos o duplicados para la revisión humana.

“Para poder estructurar de manera correcta los datos y evitar errores, es necesario cargar instrucciones que sean lo suficientemente precisas y no dejar nada de lado”, explicó Tiscornia.

En este caso, la orden inicial requirió seis aclaraciones posteriores. A pesar de eso, el tiempo de ejecución de la tarea fue sustancialmente menor al que se hubiese necesitado para cargar la planilla de manera manual.

El historial productivo de los lotes

Cuando se trata de un tema recurrente, una alternativa es crear un proyecto que conserve el contexto y los archivos para no comenzar desde cero en cada consulta. El ejemplo, en este caso, fue un asistente técnico de campo montado sobre el historial productivo de los lotes.

Con la información sobre labores, insumos, cultivos y rendimientos cargada, el usuario puede consultar qué se hizo en un lote para recibir el detalle cronológico, con dosis, fechas y responsables.

Para las tareas repetitivas, el consultor mostró cómo armar un asistente especializado que reemplaza la planilla de Excel o el mismo “prompt” utilizado una y otra vez. El ejemplo fue el cálculo del óptimo económico de fertilización. El usuario indica los nutrientes objetivo por hectárea y el asistente, que ya tiene cargados los fertilizantes disponibles, sus precios y el costo de cada tipo de labor, calcula la combinación de productos y aplicaciones de menor costo total para alcanzarlos.

Aplicaciones sin saber programar

Otra posibilidad es crear aplicaciones propias a partir de una descripción en lenguaje natural, con palabras comunes, sin necesidad de escribir código. Esta modalidad se conoce como “vibe coding”.

Entre los casos presentados, Tiscornia mostró un tablero económico de cría utilizado en el ámbito de CREA Maipú, que permite simular los resultados de distintos modelos de capitalización para el dueño del campo y para el dueño de la hacienda, además de aplicaciones simples para el control de stocks o el monitoreo.

“La posibilidad de desarrollar soluciones a medida de cada empresa ya es real y sin saber programar: hoy hay empresas del agro que están armando sus propias aplicaciones, desde gestión de stocks hasta sistemas de gestión simples”, afirmó el consultor.

Sin embargo, aclaró que llevar esos prototipos a un nivel comercial requiere la participación de especialistas, ya que entran en juego otros aspectos como la seguridad de la información, las bases de datos, la integración con otros sistemas, las pruebas y el mantenimiento.

Un agente para el control lechero

Según Tiscornia, trabajar con consultas puntuales, proyectos y GPTs ya no es lo más avanzado, es terreno conocido, pero dominar esos conceptos es la base para dar el paso siguiente. La frontera actual del uso son los “agentes”, a los que además se les puede dar acceso a las aplicaciones de la empresa (correo, calendario, planillas, carpetas de archivos) para que trabajen directamente sobre ellas.

En ese sentido, el disertante presentó un “agente de oficina” configurado para procesar de manera automatizada diferentes tareas, tales como controles lecheros mensuales.

A partir de archivos dispersos en una carpeta, el agente pudo procesar los datos, crear un panel web interactivo con curvas de lactancia por vaca, trazar alertas individuales ajustables y estructurar prioridades de trabajo para el equipo del tambo en cuestión de minutos.

“El pedido inicial al agente fue de 73 palabras y la primera entrega estuvo lista en apenas 24 minutos, con dos rondas de ajuste antes de publicar”, detalló.

“Un agente requiere instrucciones bien delimitadas de lo que puede y no puede hacer, además de necesitar la validación final de un responsable que pueda verificar el resultado del proceso”, apuntó el especialista. “Sin registros confiables no hay análisis posible. La IA puede ordenar datos desprolijos, pero no inventa la información que nunca se registró”, aclaró.

Primero ordenar, después automatizar

Para implementar inteligencia artificial en una empresa, Tiscornia recomendó trabajar primero sobre los procesos y recién después avanzar con su automatización.

Esto implica tres etapas: definir el proceso (qué resultado se busca, qué información se necesita y quién lo valida), adaptar el flujo de trabajo (integrar las herramientas a las tareas cotidianas) y, finalmente, delegar las tareas repetitivas, conservando la responsabilidad final en manos de profesionales o responsables de la empresa.

“Los que arrancamos hace años no tenemos una verdadera ventaja sobre el que empieza hoy: la tecnología avanza tan rápido que la destreza de uso queda vieja en meses. Lo que sí se acumula son los registros y los procesos de cada empresa, y eso se puede empezar a construir hoy”, apuntó.

El consultor también señaló que ninguno de los casos presentados requirió conocimientos de programación. Para comenzar, afirmó, alcanza con elegir una tarea puntual, describirla con claridad y validar el resultado.