Medir en vez de estimar: lo que la inteligencia artificial puede y no puede hacer por su operación

Por: Kevin Figueroa Fundador NeuralCrops.cl Computer Vision e IA aplicada a la industria

La temporada 2025/26 dejó una lección que trasciende a la cereza, aunque fue ella la que la pagó más caro. Según Frutas de Chile, los envíos cerraron en torno a los 114 millones de cajas, una caída cercana al 10% respecto del ciclo anterior. Y aun así, con menos fruta en el agua, los retornos no se recuperaron como se esperaba. Algo se rompió en la ecuación que sostuvo al sector durante una década.

Producir más dejó de garantizar ganar más. La propia industria lo ha puesto en palabras: analistas de Copefrut resumían el nuevo escenario señalando que el desafío ya no es gastar menos, sino gastar mejor. Según el balance de temporada del economista agrario de INIA Quilamapu, Jorge González, hacia fines de enero un kilo de cereza calibre 4J se tranzaba en torno a los 10 dólares en China, mientras que el calibre L apenas alcanzaba los 2,6. Casi cuatro veces de diferencia por la misma especie, en una misma semana. El mercado ya no paga por fruta: paga por atributos medibles como calibre, firmeza y condición, y castiga al que no los tiene. Rabobank apunta en la misma dirección: el resultado ya no depende de cuánto se produce, sino de cómo, cuándo y en qué condición llega la fruta a destino.

Nada de esto es exclusivo de la cereza. La uva de mesa enfrenta estándares de calibre milimétricos, el arándano compite contra orígenes con fruta más firme, mientras que paltas, cítricos y frutos secos operan con márgenes que no perdonan ineficiencias. La conclusión es transversal: cuando el margen se estrecha, la información deja de ser un lujo y pasa a ser un activo productivo. De allí la pregunta de este artículo: ¿qué puede aportar realmente la inteligencia artificial a esa necesidad de saber más y estimar menos?

EL PUNTO CIEGO: MONITOREAMOS EL CLIMA, EL SUELO Y EL AGUA, PERO ESTIMAMOS LA OPERACIÓN

Partamos por lo obvio: el agro chileno no es un sector tecnológicamente atrasado. Los huertos se monitorean con estaciones meteorológicas, sondas de humedad y análisis foliares. Las plantas de las grandes exportadoras operan calibradoras ópticas de última generación, como los sistemas de Unitec, Tomra o MAF Roda, capaces de fotografiar cada fruto por todos sus lados y clasificarlo por calibre, color y defectos a velocidades imposibles para el ojo humano. En el corazón de la planta moderna, la medición automática ya ganó. El punto ciego está en todo lo demás.

En el recorrido completo de la fruta, una cantidad sorprendente de decisiones todavía se basa en estimaciones: cuánta fruta hay realmente en el cuartel antes de cosechar; en qué condición llega cada lote a recepción; cuáles fueron las causas del descarte; cuánto rindió cada productor. La propia industria lo discute. En medios técnicos del rubro, como Smartcherry, se ha planteado que la representatividad del muestreo manual en recepción es cuestionada temporada tras temporada.

Un bin contiene unos 200 kilos de fruta de distintos árboles y sectores; sin embargo, el lote completo se segrega a partir de una pequeña muestra. En la gestión diaria, proveedores del propio sector señalan que gran parte de las operaciones sigue dependiendo del papel y de planillas Excel aisladas. La mejor prueba de que ese dolor es real y masivo es que ha florecido toda una industria de software agrícola chileno cuyo argumento de venta es, literalmente, eliminar las planillas manuales.

La paradoja es notable: la máquina del centro de la línea mide cada fruto con precisión de décimas de milímetro, mientras que muchas de las decisiones que la rodean se siguen tomando con muestreo, ojo experto y Excel. No es negligencia: hasta hace poco no existía una forma económicamente viable de medirlo de manera continua. Ese es el espacio que hoy disputan las nuevas tecnologías de medición. Una aclaración antes de continuar. Quien escribe no es agrónomo: soy ingeniero civil mecatrónico y me dedico al desarrollo de sistemas de medición para la industria, capaces de convertir lo que ocurre en un campo o una línea en datos para decidir. Los lectores de esta revista saben de fruta mucho más que yo; lo que puedo aportar es otra perspectiva: explicar, sin filtro de marketing, qué hay detrás de la sigla “IA”, qué puede medir en una operación agrícola y qué no.

QUÉ ES (Y QUÉ NO ES) LA IA

Antes de avanzar, conviene aclarar algunos conceptos, porque buena parte de las frustraciones con esta tecnología nace de la confusión entre términos. La inteligencia artificial no es una tecnología: es el paraguas que agrupa a los sistemas capaces de ejecutar tareas que asociamos con la inteligencia. Debajo de ese paraguas, casi todo lo que hoy funciona pertenece a una misma disciplina, el aprendizaje de máquina (machine learning): programas que aprenden patrones a partir de datos, en lugar de seguir reglas escritas a mano. Para evaluar sus aplicaciones prácticas, resulta clave el tipo de datos con el que trabajan: texto, números o imágenes.

La primera aplicación trabaja con lenguaje. Es la IA generativa, la de ChatGPT y sus equivalentes, y ofrece hoy una de las ganancias más rápidas para cualquier gestión agrícola casi sin inversión: analizar tendencias en la planilla de liquidaciones, redactar y revisar protocolos y documentación de auditorías, o pulir la comunicación con recibidores en inglés. Su límite es claro: trabaja con información que alguien ya registró. No puede ver el campo ni la fruta.

La segunda aplicación trabaja con datos numéricos y es la gran subestimada. Se trata del aprendizaje de máquina clásico: modelos que encuentran patrones en series de datos. Muchas operaciones acumulan años de telemetría de riego, registros climáticos y liquidaciones cuyos datos nunca han explotado en serio. Ese historial permite aplicaciones concretas: correlacionar el comportamiento hídrico y climático de cada cuartel con su rendimiento y calibre final; detectar anomalías, como un sector que empieza a comportarse de manera diferente al resto antes de que el síntoma sea visible; o proyectar curvas de cosecha con el historial propio, en lugar de recurrir al promedio de la zona. La barrera no es el algoritmo: es disponer de datos que signifiquen algo. Un historial ordenado, pero ciego al factor año, a una poda severa o a un cambio de portainjerto, puede devolver predicciones inútiles. El valor aparece cuando el dato numérico se cruza con el contexto agronómico que solo el equipo de campo conoce. Las operaciones que llevan años registrando con disciplina están sentadas sobre un activo que todavía no capitalizan.

La tercera aplicación es la que puede mirar: la visión artificial. Y aquí conviene despejar una confusión frecuente: si usted opera una planta moderna, ya convive con la visión artificial, aunque no la llame así. Las calibradoras ópticas son exactamente eso: sistemas de visión embebidos, cerrados y de propósito único, que viven dentro de la máquina y hacen extraordinariamente bien una sola tarea. La novedad de la última década no es la tecnología en sí, que lleva décadas inspeccionando piezas industriales.

Es que las redes neuronales profundas le dieron la capacidad de reconocer objetos en escenas desordenadas del mundo real, con sombras, polvo y frutos que se tapan entre sí. Con ello, la visión artificial se independizó de la máquina: hoy puede montarse una cámara con un modelo entrenado en casi cualquier punto de la operación, a una fracción del costo de una línea de sorting, para realizar tareas que ninguna calibradora cubre. En la práctica, convierte lo que ve en un dato mediante cuatro tareas: detección —¿hay una fruta aquí?—, conteo —¿cuántas pasaron?—, medición —¿de qué tamaño?— e inspección —¿tiene un defecto visible?—. Son tareas modestas en apariencia, pero precisamente las que atacan el punto ciego descrito anteriormente.

De su funcionamiento se desprende la consecuencia práctica más importante. Un sistema de visión no es “una cámara inteligente”: es un conjunto de ingeniería. Por un lado, está el hardware: cámaras industriales, con óptica e iluminación elegidas para la escena y preparadas para el ambiente real de un campo o un packing, que es todo menos un laboratorio. Por otro, está el modelo: un programa que aprendió a reconocer objetos a partir de miles de imágenes previamente etiquetadas. La inteligencia no está en el lente; está en el modelo, y el modelo aprende de lo que le muestran. Uno entrenado con manzanas perfectamente iluminadas en un laboratorio europeo puede fallar frente a paltas apiñadas en una cinta chilena, a velocidad de proceso y con el contraluz de un galpón.

La consecuencia es que, en visión artificial, no existe el “enchufar y listo”. Por eso, los proyectos serios comienzan capturando datos en la línea o en el campo del cliente. Y la vara para evaluar a cualquier proveedor, incluido quien escribe, es una sola: que lo demuestre con su fruta y en su operación, no con el video del catálogo.

DEL CAMPO AL PUERTO: DÓNDE MIDE LA VISIÓN ARTIFICIAL HOY

En el huerto. La aplicación más consolidada es también la más simple de enunciar: contar. Censar plantas en grandes superficies mediante imágenes aéreas es hoy un problema resuelto y reemplaza los inventarios a pie, que en predios de cientos de hectáreas resultan lentos, caros o impracticables. En la misma línea, la visión aplicada al monitoreo detecta y cuantifica síntomas visibles, desde sectores decaídos hasta capturas en trampas, convirtiendo la vigilancia sanitaria en un dato contable, en lugar de una impresión de terreno. Varios peldaños más arriba aparece la promesa más publicitada y menos cumplida del rubro: predecir la producción exportable contando flores o frutos con meses de anticipación. Contar lo que la cámara ve es una cosa; predecir cuánto llegará a una caja de exportación después de atravesar la cuaja, el clima, el manejo y la cosecha es otra muy distinta.

La cámara ve la estructura y cuántas flores hay, pero es ciega a la fisiología que decidirá cuántas de esas flores sostendrá la planta hasta la cosecha. Ese salto no lo cruza una imagen: lo cruza la agronomía. Quien prometa lo segundo debe poder mostrar resultados verificados de temporadas anteriores, en la especie y la zona de interés.

En la recepción. Es donde se decide qué lote resiste 30 días de barco y cuál debe procesarse de inmediato y donde, como vimos, la muestra es mínima. La visión artificial no reemplaza el criterio del recepcionista experto: multiplica su alcance. Registrar visualmente el lote completo, y no solo el puñado que alcanza a pasar por la mesa, cambia la base estadística de la decisión.

Además, hay un valor extra, muy propio de la recepción: un buen sistema no solo mide, sino que también deja evidencia visual de lo que vio. En un punto donde las decisiones se conversan con el productor, poder mostrar la fruta, y no solo el número, transforma una cifra discutible en un acuerdo respaldado.

En la línea. La calibradora ya mide lo que pasa por dentro de ella. El aporte de la visión está en los alrededores: medir el flujo antes y después del sorter para detectar los cuellos de botella que subutilizan una máquina millonaria; contar unidades, cajas y pallets donde hoy el conteo es manual; y, lo más valioso, convertir el descarte en información oportuna. En muchas plantas, las causas del rechazo se tabulan a mano y se conocen cuando el turno ya terminó. Un sistema que clasifica el descarte en tiempo real permite avisar al campo, durante la misma cosecha, qué práctica está generando el daño, en lugar de lamentarlo al día siguiente.

Hacia el destino. La temporada 2024/25 dejó un recordatorio brutal de lo que cuesta no poder probar la condición de la fruta: el caso del Maersk Saltoro, la nave que sufrió una avería en el Pacífico y llegó a China 52 días después de zarpar, con cerca de 5 millones de cajas de cereza a bordo. La carga estaba avaluada en torno a los 100 millones de dólares, según reportó la prensa del sector. La fruta fue declarada no apta y destruida. Cuando ocurre algo así, o llega un reclamo ordinario por condición, la diferencia entre recuperar y absorber la pérdida puede estar en la evidencia: un registro objetivo y fechado de cómo salió la fruta de la planta. Un archivo visual sistemático de cada lote embalado no evita el siniestro, pero transforma la posición del exportador frente a aseguradoras y recibidores.

LO QUE LA IA NO HACE (TODAVÍA)

Aquí se separan los proyectos que funcionan de los que terminan arrumbados en una bodega.

Primero: la visión artificial solo ve lo visible. Un defecto interno o una condición fisiológica que aún no se expresa en la superficie no pueden resolverse con cámaras, por mucha IA que corra detrás. Existen tecnologías complementarias, como la espectroscopía o el infrarrojo cercano, que abordan parcialmente esos problemas, pero constituyen otra categoría de solución, con otros costos.

Segundo: la geometría manda. Hay configuraciones en las que ninguna cámara puede ver lo que se necesita: frutos ocultos en el follaje u objetos tapados en una carga compacta. En un proyecto industrial que me tocó evaluar, la conclusión fue que ciertas posiciones de la carga eran invisibles para cualquier configuración de cámaras, y lo correcto fue decirlo antes de vender un sistema condenado a fallar. Un proveedor serio dirá cuándo un problema no puede resolverse con visión; conviene desconfiar de quien asegura que su producto puede resolverlos todos.

Tercero: a veces, la respuesta no es la IA. Hay variables que se capturan mejor con un sensor simple, robusto y barato antes que con un modelo de aprendizaje profundo. La pregunta correcta nunca es “¿cómo aplico IA a esto?”, sino “¿cuál es la forma más simple y confiable de medirlo?”. A veces, la respuesta es una cámara con un modelo entrenado; otras, un termómetro bien puesto.

Cuarto, y este es el límite más importante: la IA no reemplaza la detección temprana que no se hizo. El dato más duro de las últimas temporadas lo aporta INIA Quilamapu: el chinche pardo concentró el 70% de los rechazos fitosanitarios de cerezas destinadas a Estados Unidos en 2024/25 y el 67,6% en 2025/26. Cada rechazo significa una fumigación que deteriora la fruta o el desvío hacia mercados de menor valor. Existen apoyos parciales, como las trampas con cámara que automatizan el monitoreo o la ampliación visual del muestreo en recepción, pero ninguna tecnología en el puerto corrige lo que no se detectó en el huerto.

La lección no es que la IA pueda resolver por sí sola el problema del chinche pardo. Es que, cuando una detección tardía tiene consecuencias de esa magnitud, ya no resulta razonable seguir dependiendo de muestras mínimas y revisiones apuradas.

¿ESTÁ LISTA SU OPERACIÓN? CUATRO PREGUNTAS ANTES DE INVERTIR

1. ¿Qué decisión importante se sigue tomando “a ojo”?

Un proyecto tecnológico no debería comenzar por la tecnología, sino por una decisión concreta que hoy se toma con información insuficiente: cuánta gente asignar, qué lote embarcar o cómo liquidar a cada productor. Si no es posible identificar con claridad esa decisión, todavía no hay un proyecto, sino apenas una inquietud que conviene explorar antes de invertir.

2. ¿Cuánto cuesta el margen de error?

Una estimación sencilla puede ser suficiente para determinar si vale la pena avanzar. Si las pérdidas derivadas del error no superan ampliamente el costo de medir mejor, la inversión difícilmente se justifique. Pero cuando están en juego diferencias significativas de precio por calibre o la imposibilidad de respaldar un reclamo por condición, la pregunta deja de ser si conviene medir y pasa a ser cuándo hacerlo.

3. ¿Es posible obtener datos de la operación real?

Sin información propia no hay modelo que pueda ofrecer resultados confiables. Esa es una de las reglas fundamentales de cualquier proyecto de visión artificial. La ventaja es que registrar imágenes de una línea de proceso o de un cuartel suele ser relativamente sencillo, tiene un costo acotado y no necesariamente interfiere con la operación.

4. ¿Se puede partir pequeño?

Una línea, un cuartel, una temporada. Los proyectos tecnológicos que fracasan en el agro casi siempre comparten el mismo pecado de origen: partieron grandes. Un piloto con objetivos precisos y una métrica de éxito definida de antemano permite validar la solución, corregir errores y reunir la información necesaria antes de avanzar a mayor escala.

MEDIR ES LA NUEVA VENTAJA

La última temporada dejó en evidencia que el mercado ya no premia necesariamente a quien más produce, sino a quien mejor conoce lo que tiene. Saber cuánto hay, en qué condición se encuentra y contar con información que permita demostrarlo fue, durante décadas, una capacidad concentrada en el corazón automatizado de las grandes plantas. La inteligencia artificial, y en particular la visión artificial, está extendiendo esa capacidad al resto de la cadena, desde el huerto hasta el pallet que sale de la planta.

No es magia ni pretende serlo: es una nueva herramienta de medición para un negocio en el que la información y la experiencia siempre han sido determinantes. La próxima temporada volverá a favorecer a quienes sepan con precisión qué tienen antes de que el mercado en destino se los haga saber. La pregunta ya no es si esta tecnología funciona. Es qué decisión de su operación merece dejar de tomarse a ojo.