La IA ya no solo mira el campo. Empieza a trabajar en él.
La agricultura digital ha dedicado años a generar imágenes, mapas, sensores y registros. Ahora comienza una nueva etapa: utilizar esa información para comprender qué sucede, decidir qué hacer y, en algunos casos, ejecutar directamente una labor.
Esta semana seguimos ese recorrido completo:
observar → comprender → decidir → actuar.
01 | Google observa el campo
Google empieza a entender qué ocurre dentro de cada parcela
Google DeepMind está extendiendo el uso de dos modelos de inteligencia artificial desarrollados inicialmente para la agricultura india: Agricultural Landscape Understanding, ALU y Agricultural Monitoring and Event Detection, AMED.
ALU utiliza imágenes satelitales y aprendizaje automático para identificar los límites de las parcelas, calcular superficies y reconocer elementos como vegetación o masas de agua.
Una vez delimitada la parcela, AMED analiza imágenes multiespectrales tomadas a lo largo del tiempo para detectar actividad agrícola y estimar qué cultivo está presente en cada campaña.
Los resultados de estos modelos ya están siendo probados por organizaciones de 11 países de Asia-Pacífico y África.
¿Para qué se están utilizando?
En India, Terrastack afirma haber empleado esta infraestructura para cartografiar más de 140 millones de hectáreas y desarrollar servicios relacionados con la financiación agrícola.
El estado de Telangana está utilizando los modelos para generar alertas sobre estrés, meteorología y posibles incidencias en los cultivos.
En Karnataka, la información se combina con observaciones de campo y datos climáticos para apoyar la gestión de 2,6 millones de hectáreas de regadío.
La FAO también prevé integrar estos modelos en CROPGRIDS, su repositorio global de información sobre cultivos.
¿Por qué importa?
Toda agricultura digital empieza por una tarea aparentemente sencilla: saber dónde comienza y termina cada parcela.
Sin una delimitación fiable resulta difícil relacionar imágenes, meteorología, cultivos, manejos y resultados. Google está intentando convertir esa primera capa de información en una infraestructura que administraciones y empresas agtech puedan consultar mediante una API.
La novedad no es solo que Google reconozca campos mediante satélite. Es que otras organizaciones puedan utilizar esa capacidad para construir servicios de asesoramiento, financiación, seguros, trazabilidad o gestión del agua.
¿Qué significa para España?
España ya cuenta con una información parcelaria oficial mucho más estructurada que muchos de los países donde se está probando esta tecnología.
Por eso, su aplicación más interesante no sería sustituir SIGPAC. Sería combinar los límites oficiales con observaciones frecuentes sobre el cultivo, su evolución, el agua disponible y las actuaciones realizadas.
Sin embargo, la tecnología todavía presenta limitaciones importantes. AMED reconoce una lista concreta de cultivos y puede devolver resultados inciertos cuando hay nubes, faltan imágenes o el cultivo no se encuentra entre las categorías admitidas.
Aterrizado al campo
La parcela digital empieza a ganar valor cuando deja de ser únicamente un polígono y conserva información sobre qué sucede dentro de ella, cuándo ocurre y qué resultado produce.
Pero observar desde el espacio no equivale a comprender completamente una explotación.
El satélite aporta escala y frecuencia. El técnico y los registros de campo aportan contexto, validación y explicación.
Estado real: plataforma en expansión y acceso controlado. ALU puede consultarse en Google Earth, mientras que el acceso a las API debe solicitarse. No se ha anunciado todavía una disponibilidad específica ni una validación para los cultivos y condiciones españolas.
Fuente: Google
Leer más
02 | La IA interpreta el suelo
Una IA quiere explicar al técnico lo que está ocurriendo bajo el cultivo
AquaSpy se ha convertido en UnderGround Weather y ha presentado una plataforma de inteligencia artificial diseñada para interpretar información continua de la zona radicular.
Su nuevo sistema, UnderGround Weather Reporter, combina:
mediciones del subsuelo;
condiciones meteorológicas;
características del suelo;
actividad del cultivo;
riegos, fertilización y otras actuaciones de manejo.
A partir de esa información, genera resúmenes, identifica posibles riesgos y señala cambios que requieren la atención del técnico.
La empresa lleva cerca de veinte años desarrollando sistemas de medición del suelo y asegura que su nueva plataforma se apoya en miles de millones de observaciones recopiladas en distintos cultivos, suelos y regiones.
¿Por qué importa?
Los sensores ya pueden producir una enorme cantidad de información sobre humedad, temperatura, conductividad, oxígeno o movimiento del agua.
El problema es que más mediciones también significan más gráficos, más alertas y más tiempo necesario para interpretarlos.
UnderGround Weather plantea utilizar la IA como una primera capa de análisis:
¿Qué ha cambiado?
¿Por qué merece atención?
¿En qué parcela debería revisar los datos?
¿Qué riesgo de riego o nutrición puede estar apareciendo?
La diferencia frente a un asistente generalista es importante. La respuesta no se genera únicamente a partir de textos disponibles en internet, sino sobre mediciones asociadas a un cultivo, una parcela y un momento determinados.
¿Qué significa para España?
La propuesta resulta especialmente interesante para olivar, cítricos, frutos secos, berries y hortícolas, donde el coste del agua, la energía y los fertilizantes condiciona directamente la rentabilidad.
También anticipa un cambio en la manera de utilizar las plataformas agrícolas.
El usuario no tendrá que abrir necesariamente cinco gráficos para entender qué está ocurriendo. Podrá recibir una explicación inicial y revisar después los datos que la justifican.
Para resultar fiable en España, el sistema deberá demostrar que interpreta correctamente nuestros suelos, estrategias de riego, cultivos y condiciones climáticas.
Aterrizado al campo
La IA agrícola más útil podría no ser la que sustituya una decisión, sino la que ayude al técnico a llegar antes a la pregunta correcta.
Resumir información puede ahorrar mucho tiempo. Pero una recomendación agronómica debe conservar siempre su trazabilidad:
qué sensores utilizó, qué periodo analizó, qué cambio detectó y con qué nivel de confianza.
Estado real: producto comercial presentado. La plataforma permite solicitar una demostración, pero no publica precios ni estudios independientes que comparen sus recomendaciones con el criterio de técnicos o protocolos convencionales. Tampoco existen todavía cifras verificables de ahorro de agua o mejora del rendimiento atribuibles al nuevo motor de IA.
03 | Los robots empiezan a actuar
Los robots agrícolas salen de la demostración y empiezan a trabajar a escala real
Solinftec presentará en septiembre la expansión de su plataforma de robots autónomos Solix después de completar su mayor campaña comercial en Estados Unidos.
Según la compañía, más de 100 robots trabajaron hasta julio en 13 estados y Puerto Rico, cubriendo más de 22.400 hectáreas.
La superficie recorrida sería aproximadamente quince veces mayor que tres años antes.
Solix puede permanecer de forma continua dentro de la explotación para observar el cultivo, identificar malas hierbas y realizar aplicaciones localizadas. La empresa también está desarrollando una estación que permite al robot rellenarse y regresar al trabajo sin que el agricultor tenga que desplazarse hasta él.
El detalle que muestra que la robótica está madurando
Solinftec también abrirá una tienda de repuestos en Amazon para que los agricultores puedan recibir determinadas piezas y realizar reparaciones rutinarias con asistencia remota.
Puede parecer una noticia secundaria, pero señala uno de los mayores retos de la automatización agrícola.
Una máquina no escala comercialmente solo porque pueda trabajar de manera autónoma. También necesita:
repuestos accesibles;
soporte técnico;
mantenimiento comprensible;
recuperación rápida cuando se produce un fallo;
capacidad para continuar trabajando durante una ventana agronómica limitada.
¿Por qué importa?
La robótica agrícola lleva años generando demostraciones llamativas. La pregunta pendiente es cuántas máquinas pueden trabajar durante una campaña completa, en cuántas explotaciones y con cuánto apoyo humano.
Solinftec afirma que sus robots redujeron el uso medio de productos químicos alrededor de un 85% durante la campaña de 2026. Es una cifra comunicada por la propia empresa y deberá contrastarse con información detallada sobre cultivos, tratamientos, superficies y sistemas utilizados como comparación.
¿Qué significa para España?
El modelo todavía no está disponible de forma generalizada en España, pero ofrece una señal importante para cooperativas, grandes explotaciones y empresas de servicios.
La robótica podría adoptarse inicialmente como servicio compartido, en lugar de mediante la compra individual de una máquina por cada agricultor.
También demuestra que el valor de un robot no dependerá únicamente de su precisión. Dependerá del coste por hectárea, la disponibilidad del servicio, la facilidad de reparación y su capacidad para integrarse con la maquinaria y los registros existentes.
Aterrizado al campo
La autonomía comercial empieza mucho después de fabricar una máquina capaz de moverse sola.
Empieza cuando el agricultor puede confiar en que trabajará durante la ventana disponible, que encontrará una pieza cuando se averíe y que podrá calcular cuánto cuesta realmente cada hectárea.
Estado real: despliegue comercial en crecimiento. Las cifras proceden de Solinftec y se concentran en Estados Unidos. Todavía falta conocer la rentabilidad por explotación y la consistencia de los resultados entre cultivos y campañas.
Leer más
ABRIMOS CAMPO
Abrimos campo es la sección práctica de Campo & Datos: cada semana aterrizamos una idea, herramienta o workflow sencillo para aplicar IA y tecnología a problemas reales del agricultor y del técnico, sin perder el criterio agronómico.
Terminas una visita con observaciones, fotografías y varias decisiones en la cabeza. Dos horas después, parte de esa información ya se ha perdido o termina dispersa entre notas y mensajes.
Prueba este workflow:
1. Graba una nota de voz de 60–90 segundos
Sigue siempre el mismo orden:
Parcela, cultivo y fecha.
Qué has observado.
Superficie o plantas afectadas.
Qué ha cambiado desde la visita anterior.
Qué actuación se ha realizado.
Qué queda pendiente de comprobar.
No intentes redactar. Cuenta lo sucedido como se lo explicarías a otro técnico.
2. Transcribe el audio
Añade, si resulta necesario, fotografías, datos meteorológicos o la anotación de la visita anterior.
3. Utiliza este prompt
“Organiza esta transcripción de una visita de campo sin añadir información que no aparezca en ella“.
Devuélveme:
Un resumen de la situación.
Las observaciones confirmadas.
Las posibles hipótesis, separadas claramente de los hechos.
Las actuaciones ya realizadas.
Las tareas pendientes, indicando prioridad.
Los datos que faltan y debería comprobar en la próxima visita.
Un mensaje breve para informar al agricultor.
Si una fecha, dosis, superficie o conclusión no está clara, indícalo como ‘pendiente de confirmar’. No la inventes.”
4. Revisa los datos críticos
Comprueba especialmente:
parcela y cultivo;
fecha;
superficie afectada;
productos, dosis y actuaciones;
responsables y próximos plazos.
5. Guarda el resultado junto al historial de la parcela
La siguiente visita no debería empezar desde cero. Compara el nuevo registro con el anterior y pregunta:
“¿Qué ha mejorado, qué ha empeorado y qué información necesitamos para decidir el siguiente paso?”
El workflow es sencillo:
Visita → audio → estructura → revisión → registro → seguimiento.
La IA no sustituye el cuaderno de campo ni el criterio técnico. Evita que una observación valiosa termine olvidada dentro de una nota de voz.
OTRAS NOTICIAS QUE MERECE LA PENA SEGUIR
Una selección rápida de avances, proyectos y conversaciones que están marcando la evolución de la inteligencia artificial y la agricultura digital.
John Deere invierte 10 millones de dólares para que la IA aprenda a resistir el campo real
John Deere y Reservoir han acordado destinar 10 millones de dólares durante tres años a probar robótica e inteligencia artificial en explotaciones de cultivos de alto valor en California, Arizona y otras regiones agrícolas.
La inversión facilitará que startups utilicen explotaciones e infraestructura técnica para comprobar cómo funcionan sus sistemas bajo polvo, calor, vibraciones, vegetación, terrenos irregulares y conectividad limitada.
Por qué seguirlo: muchos algoritmos funcionan en un conjunto de datos limpio y fallan al cambiar la luz, ensuciarse una cámara o desaparecer la cobertura. La agricultura necesita espacios donde la tecnología pueda equivocarse, corregirse y volver a probarse antes de llegar al agricultor.
Conectar la maquinaria existente puede ser más útil que sustituirla
BASF ha presentado en Norteamérica xarvio CONNECT 2.0, un dispositivo portátil que intercambia mapas y registros entre xarvio FIELD MANAGER y terminales de maquinaria compatibles.
Se conecta mediante USB, incorpora su propia tarjeta SIM y conserva la información cuando la cobertura es inestable para transferirla al recuperar la conexión. Durante las pruebas funcionó también con maquinaria de más de diez años.
Por qué seguirlo: los modelos agronómicos solo generan valor cuando la recomendación puede llegar a la máquina y la ejecución vuelve al sistema como un registro verificable. La mayor oportunidad puede estar en conectar mejor lo que el agricultor ya posee.
Córdoba (España) reunirá en septiembre al ecosistema internacional de IA agroalimentaria
Los días 21 y 22 de septiembre, Córdoba acogerá SembrAI 2026, el IV Congreso Internacional de Inteligencia Artificial Aplicada a la Cadena Agroalimentaria.
La organización prevé reunir a más de 2.000 profesionales, 100 ponentes y alrededor de un centenar de startups procedentes de 30 países. El programa incluirá agricultura de precisión, robótica, datos, sostenibilidad, inversión y formación para responsables de cooperativas.
También está prevista la presentación de la nueva estrategia española de espacios de datos.
Por qué seguirlo: más que el número de asistentes, será interesante comprobar cuántos proyectos presentan resultados de campo, modelos de adopción viables y soluciones capaces de integrarse en las operaciones actuales.
Si estás trabajando en un proyecto relacionado con IA en nuestro sector, ¡nos gustaría conocerlo!
Queremos que Campo & Datos también sea un escaparate para las personas, empresas, universidades y equipos que están convirtiendo la inteligencia artificial en soluciones útiles para el sector agrícola.
Si estás trabajando en un proyecto relacionado con IA en nuestro secto nos gustaría conocerlo!
Cuéntanos brevemente:
Qué problema agrícola buscas resolver.
Cómo utilizas la inteligencia artificial.
En qué fase se encuentra el proyecto.
Qué resultados, pruebas o aprendizajes habéis obtenido.
Dónde podemos encontrar más información.
Revisaremos las propuestas y seleccionaremos los proyectos que puedan aportar mayor valor a la comunidad para compartirlos en próximas ediciones de Campo & Datos.
Tu proyecto puede ser el próximo caso que conozca nuestra comunidad.