01 | Cámaras que ya no solo captan el cultivo: ahora indica qué hay que hacer
La IA agrícola deja de observar y empieza a dar instrucciones
Qué ha ocurrido
Orchard Robotics está utilizando cámaras con IA instaladas en tractores y vehículos agrícolas para analizar árboles y cultivos mientras se recorren las parcelas.
El sistema identifica frutos, tamaño, color, crecimiento, estrés hídrico, enfermedades y rendimiento. Parte del procesamiento se realiza en el propio vehículo porque muchas explotaciones no disponen de conectividad suficiente para enviar grandes volúmenes de imágenes a la nube.
Después, la plataforma convierte esa información en instrucciones para los trabajadores mediante una aplicación móvil: qué zona revisar, dónde intervenir o qué tarea debe priorizarse.
La empresa afirma tener cientos de sistemas desplegados en cultivos como uva, cítricos, almendro, pistacho, cereza y frutos rojos.
Por qué es relevante
La mayoría de las herramientas agrícolas termina en un mapa, un gráfico o una alerta. Orchard plantea una pregunta más importante:
¿Qué tiene que hacer el equipo después de recibir ese dato?
El agricultor no debería convertirse en analista de datos para poder utilizar tecnología agrícola. La información tiene que llegar convertida en una acción comprensible.
Qué cambia para España
El enfoque puede ser especialmente interesante para cítricos, viñedo, olivar, frutos rojos, almendro, pistacho y frutales.
También responde a un problema habitual: los técnicos reciben información de distintas fuentes, pero después tienen que ordenar manualmente qué parcela revisar, qué trabajador debe actuar y qué tarea queda pendiente.
Lectura Campo & Datos
Una plataforma agrícola no es útil porque acumule millones de imágenes. Es útil cuando consigue que alguien tome una decisión mejor y pueda dejar constancia de lo que ha hecho.
El verdadero producto no es el mapa. Es el paso siguiente.
Estado real
Producto comercial con despliegue internacional.
Orchard afirma alcanzar precisiones superiores al 95% en estimación de cosecha y retornos de inversión de entre 3 y 10 veces. Son cifras comunicadas por la propia empresa y deben analizarse por cultivo, campaña y condiciones de explotación.
02 | La segunda lectura de Google
Google vuelve al campo: esta vez no quiere observarlo, quiere pagar por demostrar sus resultados
Qué ha ocurrido
En la edición anterior hablábamos de Google como una compañía que utilizaba IA para observar parcelas y construir nuevas capas de información agrícola.
Ahora vuelve a aparecer con un movimiento diferente.
Google ha firmado un acuerdo para comprar un millón de créditos de carbono hasta 2030 a Mitti Labs, una empresa india que combina satélites, IA, modelos agronómicos y datos de campo para verificar prácticas sostenibles en arrozales.
El sistema monitoriza la aplicación del método de secado y humectación alternos, que reduce el tiempo de inundación de las parcelas. Mitti Labs afirma que esta práctica puede reducir el consumo de agua cerca de un 40% y las emisiones de metano más de un 50%, sin reducir la producción. Mitti Labs · TechCrunch
Por qué es relevante
La novedad no es solamente que Google compre créditos climáticos. Lo importante es que los datos de parcela empiezan a convertirse en una evidencia con valor económico.
Para que una práctica agrícola genere ingresos adicionales, ya no basta con afirmar que se ha ahorrado agua o reducido emisiones. Hay que demostrar qué se hizo, en qué parcela, durante cuánto tiempo y con qué resultado.
Qué cambia para España
El modelo puede ser relevante para el arroz del Delta del Ebro, Valencia, Extremadura y Andalucía, pero también para cualquier cultivo que quiera demostrar ahorro de agua, reducción de insumos o cumplimiento de compromisos de sostenibilidad.
La oportunidad no está únicamente en vender créditos de carbono. También está en disponer de registros fiables para certificaciones, auditorías, contratos con la industria y programas de agricultura sostenible.
Lectura Campo & Datos
En la edición anterior, Google representaba una nueva forma de observar el territorio.
Ahora aparece una segunda capa: el dato agrícola puede convertirse en una prueba que desbloquea financiación, certificación o ingresos adicionales.
La agricultura sostenible empieza a tener valor comercial cuando deja de ser una declaración y se convierte en un registro verificable.
Estado real
Tecnología desplegada y modelo comercial en expansión.
El acuerdo con Google está anunciado, pero las cifras de ahorro y la calidad de los créditos deben seguir verificándose de forma independiente. También habrá que observar qué parte del valor generado llega realmente al agricultor.
03 | El dato aplicado
El suelo empieza a medirse mientras avanza el tractor
Qué ha ocurrido
TerraBlaster ha captado 12,5 millones de dólares en financiación para desarrollar un sistema de medición de suelo en tiempo real basado en sensores láser.
Su equipo, remolcado por el tractor, analiza el pH y los principales nutrientes del suelo —nitrógeno, fósforo y potasio mientras avanza por la parcela. La empresa afirma que puede realizar hasta 20 lecturas por segundo, generar mapas de fertilización con una resolución aproximada de 600 metros cuadrados y entregar los resultados en pocos minutos.
La compañía prevé realizar demostraciones durante el otoño de 2026 y comenzar las primeras entregas en primavera de 2027.
Por qué es relevante
La fertilización variable todavía depende muchas veces de muestras puntuales, mapas antiguos o promedios demasiado amplios para representar la variabilidad real de una parcela.
TerraBlaster plantea medir la fertilidad directamente durante la pasada del tractor y generar información más detallada para decidir dónde aplicar nutrientes y en qué cantidad.
Qué cambia para España
El concepto puede ser interesante para cereales, maíz, girasol, olivar y viñedo.
En un contexto de costes elevados de fertilizantes y presión para reducir las pérdidas de nitrógeno, disponer de información más frecuente y localizada podría mejorar la eficiencia económica y la trazabilidad de las decisiones nutricionales.
Sin embargo, el sistema todavía está orientado inicialmente al mercado estadounidense y no cuenta con validación pública en explotaciones españolas.
Lectura Campo & Datos
La agricultura de precisión no empieza cuando se genera un mapa.
Empieza cuando la medición tiene suficiente resolución para cambiar una decisión concreta de manejo.
El reto no será únicamente medir más, sino conectar esa información con el historial de la parcela, el cultivo, la producción obtenida y la aplicación realizada.
Estado real
Tecnología en fase precomercial.
La financiación está confirmada, pero todavía no existen resultados independientes publicados sobre ahorro de fertilizante o aumento del rendimiento.
La propia empresa recomienda contrastar las primeras mediciones con análisis de laboratorio para validar el sistema antes de utilizarlo como única referencia agronómica.
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.
La mejor visita empieza antes de llegar a la parcela
Abrimos campo es la sección práctica de Campo & Datos: cada semana aterrizamos una idea, herramienta o flujo de trabajo sencillo para aplicar inteligencia artificial (IA) y tecnología a problemas reales del agricultor y del técnico, sin perder el criterio agronómico.
La IA no solo puede ayudarnos a registrar lo que ocurre en el campo. También puede ayudarnos a llegar mejor preparados a la siguiente visita.
Antes de salir, reúne la información disponible de una parcela:
El último informe o anotación.
Las tareas que quedaron pendientes.
Fotografías recientes.
Tratamientos o actuaciones realizadas.
Datos meteorológicos de los últimos días.
Cualquier cambio observado por el agricultor o el equipo.
Después, utiliza este prompt:
Analiza la información de esta parcela y prepara una ficha para la próxima visita de campo.
Organiza la respuesta en cinco apartados:
Cambios relevantes desde la última visita.
Tareas pendientes de comprobar.
Posibles desviaciones o señales de alerta.
Cinco comprobaciones concretas que debería realizar en campo.
Preguntas que debería hacer al agricultor o al responsable de la parcela.
Diferencia claramente entre hechos, hipótesis y preguntas abiertas. No inventes datos ni propongas tratamientos que no estén justificados por la información disponible.
La respuesta no sustituye la experiencia del técnico ni convierte una hipótesis en un diagnóstico.
Su función es ayudarte a llegar a la parcela con una lista de comprobaciones más clara y evitar que una tarea pendiente, una anomalía o un cambio importante se pierda entre visitas.
La regla de esta semana
No utilices la IA para decidir por ti. Utilízala para llegar mejor preparado a las decisiones que sí requieren tu criterio.
El verdadero valor aparece cuando los datos no solo se almacenan, sino que ayudan a formular mejores preguntas antes de volver al campo.
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.
¿Puede un robot sembrar y escardar sin que el coste se dispare?
FarmDroid ha presentado el FD60, un robot autónomo diseñado para sembrar y realizar escarda mecánica en cultivos en hileras.
El equipo está pensado para trabajar hasta 60 hectáreas por campaña, alcanzar unas 18 hectáreas al día y operar durante 24 horas con apoyo de energía solar y posicionamiento GPS de alta precisión.
La empresa estima un coste operativo de aproximadamente 304 euros por hectárea en una campaña completa y prevé entregar las primeras unidades a comienzos de 2027.
Lectura rápida: la robótica agrícola empieza a medirse por hectárea trabajada, coste operativo y capacidad de integrarse en explotaciones reales.
El dato de campo empieza a decidir cuánto vale una cosecha
ProducePay ha anunciado más de 140 millones de dólares en nueva financiación y capacidad de crédito para ampliar su plataforma digital y sus servicios destinados a productores hortofrutícolas.
La compañía combina financiación, conexión entre productores y compradores, seguimiento de envíos y control de calidad en tiempo real. Su objetivo es hacer más previsible una cadena de suministro marcada por la volatilidad, los rechazos y la falta de visibilidad.
Lectura rápida: el dato agrícola no termina en la parcela. También puede influir en el acceso a financiación, la planificación comercial y la confianza entre productor, distribuidor y comprador.
Estados Unidos quiere pedir menos datos al agricultor y aprovechar mejor los que ya tiene
El Departamento de Agricultura de Estados Unidos ha presentado un plan para modernizar la recogida de información agrícola, reducir solicitudes repetitivas y mejorar la rapidez y utilidad de sus estadísticas.
La iniciativa contempla utilizar datos precargados, herramientas geoespaciales, imágenes de satélite, modelos de cultivo e inteligencia artificial (IA) para mejorar las estimaciones de superficies y rendimientos.
El objetivo declarado es reducir la carga administrativa y dar a los productores una mayor participación en la forma en que se recogen y utilizan sus datos.
Lectura rápida: digitalizar no significa pedir más información al agricultor. Significa reutilizar mejor la que ya existe y devolverle un resultado útil. España ya cuenta con una base similar a través del Sistema de Información de Explotaciones Agrarias (SIEX), que conecta registros administrativos y cuadernos digitales. FEGA
La diferencia estará en conseguir que un dato introducido para la Política Agraria Común (PAC) sirva también para el cuaderno, la trazabilidad o una auditoría. El objetivo debería ser sencillo: pedir al agricultor solo los cambios y devolverle formularios precargados, menos errores y trámites más rápidos.
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.