«Muchos de los que trabajan en IA fingen que esto solo será un complemento y que nadie será reemplazado. Los empleos definitivamente van a desaparecer, punto.» — Sam Altman, CEO de OpenAI (entrevista para The Atlantic, julio de 2023)
Durante años se prometió que la tecnología transformaría el agro. Llegaron los softwares de gestión, luego las imágenes satelitales y la agricultura de precisión, después los sensores del Internet de las Cosas y los drones; sin embargo, la adopción ha sido lenta. En buena medida, Silicon Valley se especializó en productos agtech, pero le costó comprender un negocio tan complejo, donde cada cultivo, zona, variedad y clima se comporta de manera distinta y ninguna campaña se repite exactamente.
¿Es la inteligencia artificial (IA) una palabra más de esa lista? No, por una razón concreta. Su mayor ventaja no es la de un dispositivo nuevo, sino poner en manos de los propios equipos agrícolas la capacidad de evaluar y resolver por sí mismos muchas de las problemáticas que enfrentan. Quizás más importante, puede convertirse en la interfaz que finalmente acerque a tres mundos que casi nunca se entienden: quienes producen la tecnología, quienes la usan y quienes la necesitan.
El verdadero riesgo para la gerencia no es quedar fuera, sino no entender la tecnología lo suficiente para dirigirla. El gerente no necesita ejecutarla, pero sí saber qué puede hacer, qué límites tiene y cómo capacitar a sus equipos, tanto para potenciarlos como para automatizar lo rutinario y dejarles más tiempo para aplicar su criterio.
En ese sentido, la gerencia debe priorizar, porque la IA hace viables más iniciativas de las que pueden abordarse simultáneamente y, sin una dirección clara, los esfuerzos se dispersan. También debe gobernar, protegiendo la confidencialidad de los datos y asegurando procesos trazables, para que las decisiones se apoyen en resultados verificados y no en respuestas que suenan convincentes, pero son erróneas. Esto resulta aún más importante cuando muchos empleados ya utilizan la IA por su cuenta.
La IA actualmente es una etiqueta que lo mezcla todo, y buena parte de lo que se vende como IA es, en realidad, automatización. Por eso, antes de decidir qué usar o qué construir, conviene ver el mapa completo de la automatización de una empresa y ubicar dónde está realmente la IA.
Dinámica entre la empresa y la IA
Durante años, las empresas han utilizado software tradicional, como los ERP y los controladores de riego y fertirriego. En la parte administrativa se suman los RPA (Automatización Robótica de Procesos) y los bots o robots de software, que repiten tareas fijas, como descargar cada día las facturas electrónicas del portal de SUNAT y adjuntarlas al sistema, o tomar los XML de esas facturas y cargar los campos —RUC, monto, fecha y glosa— al ERP. Estas herramientas operan con reglas y fórmulas exactas escritas por personas; no aprenden por sí mismas.
Sobre esta base se incorpora la inteligencia artificial, que, a diferencia de lo anterior, puede aprender patrones a partir de los datos. El machine learning encuentra relaciones y genera estimaciones. Por ejemplo, puede anticipar el desarrollo floral de un módulo a partir de variables climáticas. Lo que lo convierte en machine learning, y no en una simple fórmula de grados-día de crecimiento, es que la relación no se define por completo de antemano, sino que el modelo la estima a partir de múltiples campañas. Para incorporar una nueva campaña, sus datos deben integrarse y el modelo debe volver a entrenarse o recalibrarse.
El deep learning es un subcampo del machine learning basado en redes neuronales profundas. Puede procesar datos estructurados y no estructurados, aunque resulta especialmente útil para imágenes, audio y texto. En el packing, tanto la medición del calibre como la clasificación de defectos pueden resolverse mediante distintas técnicas de visión computacional; cuando se emplean redes neuronales profundas, se trata de deep learning. Estos sistemas pueden clasificar, fruto a fruto y a gran velocidad, defectos como magulladuras, pudriciones, quemaduras de sol o blandura. Otro ejemplo es el modelo entrenado por el MIDAGRI para identificar 11 cultivos a partir de imágenes satelitales, mediante sus firmas espectrales.
La IA generativa se basa, en la mayoría de los sistemas actuales, en modelos de deep learning capaces de generar contenido —textos, reportes o código— y operar con lenguaje natural. Su capacidad para interpretar expresiones coloquiales proviene del entrenamiento con grandes volúmenes de texto de distintas fuentes, no únicamente de conversaciones en chats. En esta categoría se encuentran Claude, ChatGPT, Gemini, Copilot, entre otros, y constituye la puerta de entrada mediante la cual hoy se interactúa con muchas otras capacidades.
Por encima de esas capacidades no existe necesariamente un nivel superior de inteligencia, sino una capa de orquestación y ejecución agéntica. Mientras un modelo generativo puede redactar un informe, un agente combina el modelo con herramientas, instrucciones, memoria, datos y permisos para ejecutar una secuencia de pasos orientada a un objetivo. Puede decidir qué acción realizar, qué herramienta utilizar y cuándo revisar o corregir un resultado, sin solicitar autorización en cada iteración. Esa autonomía es su mayor poder y, a la vez, su principal riesgo. Por ello, se acota su alcance, se fijan límites y, en decisiones sensibles, se mantiene un punto de control humano. Cuando varios agentes se coordinan bajo un supervisor, que también puede estar automatizado, se habla de un sistema multiagente.
Las bases de la IA generativa
Hasta hace poco, cada una de estas capas exigía especialistas; por ejemplo, el ERP y los bots requerían programadores; los modelos y las simulaciones, profesionales con dominio de estadística y matemáticas; y los reportes y las piezas visuales, analistas y diseñadores. La IA generativa permite ahora reunir muchas de esas capacidades en un único punto de acceso: el lenguaje natural, sin necesidad de utilizar un lenguaje de programación o escribir código. Hoy, una persona sin formación técnica puede describir lo que necesita, por escrito o por voz, y obtener resultados que antes requerían a un equipo experto. Conviene, entonces, entender cómo funciona por dentro, porque de allí provienen tanto su potencia como sus limitaciones.
Los grandes modelos de lenguaje (LLM, por sus siglas en inglés) se encuentran entre las familias de IA más avanzadas, y allí se ubican desarrollos como Claude, ChatGPT, Gemini, DeepSeek, Grok. Una de las tareas centrales con las que se preentrena el modelo subyacente a ChatGPT, de OpenAI, consiste en predecir el siguiente token, que puede ser una palabra o una parte de ella. Es similar al teclado predictivo del celular. Al escribir “el mercado premia el calibre…”, el teléfono puede sugerir “jumbo” o “grande”. No adivina; calcula, a partir de millones de ejemplos, qué continuación es estadísticamente más probable. Tras predecir un token, predice el siguiente, y luego el siguiente, y continúa hasta construir una respuesta. Luego del preentrenamiento, estos modelos suelen pasar por etapas adicionales de ajuste para seguir instrucciones y producir respuestas más útiles. Además, no consideran únicamente el término anterior, sino los elementos del contexto que resultan relevantes. A ese mecanismo se le denomina atención.
El mismo ejemplo del calibre permite explicar cómo se representan las palabras. A cada término se le puede asignar un vector, es decir, una lista de números aprendida a partir de grandes volúmenes de texto. Los valores que siguen son ilustrativos. Al inicio, la codificación ingenua que aparece en la sección izquierda del gráfico no representa ninguna relación semántica entre las palabras. Matemáticamente, cada palabra tiene un vector con tres componentes: jumbo (1, 0, 0), extra grande (0, 1, 0) y tractor (0, 0, 1). Para relacionar jumbo y extra grande se calcula su producto: (1, 0, 0) x (0, 1, 0). En Excel puede obtenerse con la función SUMAPRODUCTO, que multiplica los componentes correspondientes y suma los resultados: 1×0 + 0×1 + 0×0 = 0. En esta codificación inicial, todos los pares arrojan cero. Cuando los vectores se encuentran estandarizados, una mayor similitud suele reflejarse en valores cercanos a 1.
En esa codificación inicial, “jumbo” está tan lejos de “extra grande” como de “tractor”. Durante el entrenamiento, el modelo procesa grandes volúmenes de texto de distintas fuentes y aprende que los dos primeros términos aparecen en contextos similares. Por ello, aproxima sus representaciones vectoriales, mientras que “tractor” permanece más alejado.
En la sección derecha del gráfico, correspondiente a la representación aprendida, el modelo refleja esas relaciones mediante valores como los siguientes: jumbo (0.94, 0.31, 0.02), extra grande (0.85, 0.52, 0.10) y tractor (-0.26, 0.90, 0.34). Estos valores también son ilustrativos. En la representación gráfica, jumbo y extra grande quedan más próximos entre sí versus tractor. Al calcular el producto, jumbo y extra grande arrojan aproximadamente 0.96 (términos relacionados), mientras que jumbo y tractor producen un valor cercano a cero (términos sin relación). Los modelos reales aplican este principio en cientos o miles de dimensiones y ajustan una gran cantidad de parámetros mediante grandes volúmenes de datos, múltiples iteraciones y etapas posteriores de alineamiento.
El modelo distribuye la probabilidad entre los tokens posibles y, según su configuración, selecciona el más probable o realiza un muestreo entre varias alternativas. En el ejemplo del arándano puede escoger jumbo, porque ese calibre suele recibir un mejor precio. Sin embargo, la respuesta podría no ser válida para la palta. Si no dispone del contexto suficiente, el modelo repite el patrón más frecuente que encontró en los textos. Optimiza la plausibilidad estadística de la respuesta; no verifica por sí mismo que esta sea verdadera.
Ese es el límite que todo gerente debe recordar. La IA puede expresarse con total seguridad, utilizar una redacción impecable y, aun así, estar equivocada; la industria denomina a este fenómeno “alucinación”. Por ello, cuando una cifra exacta o una afirmación sustenta una decisión, no debe confiarse únicamente en la memoria de la herramienta. Es necesario proporcionarle los datos, orientar el análisis y solicitar cálculos, validaciones y verificaciones adicionales. Aunque las capacidades computacionales son cada vez más sorprendentes, la interacción con la IA se realiza mediante lenguaje natural, y por ello existe una brecha entre lo que una persona considera una instrucción evidente y la forma en que la herramienta la interpreta o ejecuta.
Un ejemplo es el reenvío de correos de una cuenta a otra. Para una persona, copiar correctamente una dirección de correo es una tarea básica. Sin embargo, incluso después de proporcionarle el destinatario correcto, una herramienta de IA puede introducir errores al escribirlo. En una experiencia concreta, esto ocurría aproximadamente una vez cada 10 o 12 correos enviados. El problema solo fue detectado porque Gmail devolvió los mensajes. Se había asumido que copiar y pegar una dirección era una tarea en la que la IA no podía equivocarse, pero la herramienta no siempre sigue el mismo razonamiento ni el mismo procedimiento que utilizaría una persona.
Otro ejemplo aparece al elaborar un reporte con apoyo de IA. Puede ser necesario indicarle expresamente que utilice la última versión del documento disponible en la carpeta, especialmente cuando se han realizado ajustes manuales posteriores. La herramienta puede tender a trabajar con el archivo que generó o guardó previamente, o con la versión que conserva en el contexto temporal de la sesión, aunque esta no corresponda a la más reciente. Esto puede ocurrir incluso cuando se le ha instruido que siempre tome la última versión disponible. Como sucede con cualquier habilidad, solo el uso frecuente permite comprender estas limitaciones, mejorar las instrucciones y dominar progresivamente la herramienta.
Comprender estas bases es indispensable, pero no suficiente. La siguiente pregunta es cómo convertir estas capacidades en una forma concreta de trabajo dentro de una empresa agroexportadora. En un siguiente artículo (parte II) se explicará, utilizando Claude como ejemplo, cómo avanzar desde una conversación sencilla hacia el uso de contexto, habilidades reutilizables, artefactos y agentes. Además, se presentará un caso aplicado de benchmarking de costos para mostrar cómo pueden combinarse la automatización, los datos, el conocimiento experto y la supervisión humana.
