Views: 3
La batalla por los datos del campo
México produce maíz, aguacate, berries, hortalizas, café y cientos de cultivos bajo condiciones extraordinariamente diferentes. ¿Puede una inteligencia artificial entrenada principalmente con información extranjera comprender esa diversidad? En Chapingo comienza a plantearse una discusión fundamental: para construir IA agrícola realmente útil, México necesita generar, organizar y proteger sus propios datos.
Pregunte a una inteligencia artificial cómo producir maíz y probablemente obtendrá una respuesta.
Pero agregue otras preguntas:
¿En qué municipio?
¿En qué suelo?
¿Con qué variedad?
¿Temporal o riego?
¿Cuánta lluvia recibió?
¿Qué plagas existen actualmente en la zona?
Entonces el problema cambia.
Una cosa es que una IA conozca agricultura y otra que comprenda ese cultivo, en ese lugar y bajo esas condiciones.
La IA necesita datos
Los modelos de inteligencia artificial encuentran patrones a partir de enormes cantidades de información.
En agricultura, los datos pueden provenir de clima, suelo, satélites, drones, sensores, rendimientos, variedades, fertilización, riego, plagas, enfermedades, maquinaria y registros históricos.
Cada ciclo agrícola genera información.
Cuando esos datos se organizan y relacionan correctamente pueden utilizarse para entrenar modelos capaces de detectar patrones, realizar predicciones y apoyar decisiones.
Chapingo pone el tema sobre la mesa
En 2025, durante el XIII Congreso Internacional y XXVII Congreso Nacional de Ciencias Agronómicas de la Universidad Autónoma Chapingo, el doctor León Palafox impartió la conferencia “Agricultura en la era de ChatGPT”.
La propia Universidad destacó posteriormente la necesidad de formar especialistas capaces de impulsar una agricultura basada en datos propios y modelos reentrenados localmente, adaptados a las variedades, climas y suelos mexicanos.
El planteamiento es relevante.
Si un algoritmo fue entrenado principalmente con información generada en otros países, ¿hasta qué punto representará correctamente las condiciones mexicanas?
Un cultivo de maíz en Iowa no enfrenta exactamente las mismas variables que uno en Sinaloa, Jalisco, Puebla o Chiapas.
Por eso México necesita modelos que aprendan también de México.
De la discusión a la investigación
En 2026, Chapingo incluyó formalmente entre sus áreas prioritarias de investigación:
“Inteligencia artificial, aplicaciones, programas y sistemas informáticos para la agricultura”.
La convocatoria contempla sistemas de monitoreo mediante sensores, drones y tecnologías satelitales; algoritmos predictivos para cultivos y plagas; optimización del uso de agua y fertilizantes; plataformas de Big Data con información climática y edáfica, y sistemas autónomos para siembra y cosecha.
Es una diferencia importante.
No estamos hablando de preguntarle a ChatGPT cómo cultivar tomates.
Estamos hablando de construir infraestructura para una agricultura basada en datos.
¿Cómo sería un verdadero ChatGPT agrícola?
Imagine que un productor toma una fotografía y pregunta:
“¿Por qué están amarillas estas plantas?”
Un sistema verdaderamente especializado podría solicitar ubicación, variedad, fecha de siembra, riego y fertilización.
Después podría consultar automáticamente información meteorológica, analizar imágenes satelitales, revisar datos del suelo y comparar la fotografía con miles de casos previamente diagnosticados en esa región.
Entonces podría responder:
“Existe una alta probabilidad de determinada condición, pero antes de intervenir deben verificarse estos indicadores”.
La diferencia respecto a un chatbot genérico sería enorme.
El valor estaría en el contexto local.
La IA más útil será la que pueda anticiparse
El potencial va mucho más allá de responder preguntas.
Un modelo podría aprender que determinada combinación de temperatura, humedad y desarrollo vegetal suele presentarse antes de una enfermedad.
Otro podría detectar que una zona está utilizando más agua de la esperada.
También podría estimar rendimientos, anticipar estrés hídrico o detectar anomalías mediante imágenes satelitales.
La secuencia sería:
datos → patrones → predicciones → decisiones.
Pero primero necesitamos los datos.
El problema de la calidad
México produce enormes cantidades de información agrícola, pero no necesariamente está estructurada para entrenar inteligencia artificial.
Hay datos en universidades, instituciones, empresas, maquinaria, sensores, asociaciones, plataformas y laboratorios.
También existe conocimiento acumulado durante décadas por productores y técnicos.
Convertir todo esto en bases confiables representa un desafío enorme.
Porque no basta con acumular información.
Los datos deben ser correctos.
Si queremos entrenar un modelo para identificar una enfermedad mediante fotografías, alguien debe confirmar que esas imágenes corresponden realmente a esa enfermedad.
¿Quién realizó el diagnóstico?
¿Un productor?
¿Un agrónomo?
¿Un laboratorio?
La inteligencia artificial aprende tanto de nuestros aciertos como de nuestros errores.
Por eso la participación de especialistas agrícolas seguirá siendo indispensable.
El nuevo agrónomo
La IA puede incluso crear un nuevo perfil profesional.
Un agrónomo que comprenda plantas, pero también programación, sensores y análisis de datos.
Chapingo ya cuenta con la Ingeniería en Inteligencia Artificial en Agricultura, que combina precisamente agricultura, matemáticas, programación y tecnologías digitales.
Es una señal de hacia dónde se dirige la formación agrícola.
La inteligencia artificial deja de ser una herramienta externa y comienza a convertirse en parte de las ciencias agronómicas.
¿De quién son los datos?
Aquí aparece la discusión que probablemente generará mayor debate.
Un tractor conectado registra información.
Un dron obtiene imágenes.
Los sensores transmiten humedad.
Una plataforma almacena mapas y rendimientos.
¿De quién son esos datos?
¿Del productor?
¿De la plataforma?
¿Del fabricante?
¿Puede utilizarse esa información para entrenar otros modelos?
¿Puede venderse?
¿Puede compartirse?
Los datos agrícolas comienzan a adquirir valor económico.
Conocer rendimientos históricos, enfermedades, consumo de agua o comportamiento productivo puede utilizarse para desarrollar modelos predictivos, seguros, créditos, herramientas comerciales e inteligencia de mercado.
La discusión sobre IA agrícola también será, por tanto, una discusión sobre propiedad, gobernanza y soberanía de datos.
México no necesita copiar ChatGPT
Crear inteligencia artificial agrícola mexicana tampoco significa desarrollar desde cero un gigantesco modelo que compita con las mayores compañías tecnológicas.
Existe una alternativa mucho más realista:
utilizar modelos existentes y especializarlos con información mexicana validada.
Entrenar sistemas de visión con imágenes locales.
Desarrollar modelos por cultivo y región.
Integrar información meteorológica, sensores y registros históricos.
Quizá México no necesite construir otro ChatGPT.
Necesita construir la inteligencia agrícola que un modelo genérico no posee.
La inteligencia se construirá en las parcelas
La IA agrícola mexicana no comenzará únicamente en centros de cómputo.
Comenzará con cada sensor que mide, cada dron que observa, cada productor que documenta y cada investigador que valida.
Durante décadas, gran parte de la información generada durante un ciclo agrícola desaparecía al terminar la temporada.
Hoy podemos conservarla y hacer que los algoritmos aprendan de ella.
Por eso la pregunta más importante quizá no sea:
¿puede México crear su propio ChatGPT agrícola?
Sino:
¿quién reunirá, protegerá y aprenderá primero de los datos del campo mexicano?
Porque la próxima gran riqueza tecnológica de la agricultura puede estar en algo que no podemos tocar:
la información.
Fuentes
Universidad Autónoma Chapingo. Agricultura en la era de ChatGPT, 2025.
Universidad Autónoma Chapingo – DGIPS. Convocatoria Proyectos de Investigación Convencionales 2026.
Universidad Autónoma Chapingo. Ingeniería en Inteligencia Artificial en Agricultura.
FAO. Información sobre agricultura digital, inteligencia artificial y gobernanza de datos en los sistemas agroalimentarios.
