IA que llega a la parcela
La brecha entre la precisión de laboratorio y la realidad del campo: lecciones y precauciones para la extensión agrícola en El Salvador.
Un productor observa manchas extrañas en las hojas de su cultivo. Toma una fotografía con su teléfono, la envía a una aplicación y, segundos después, recibe una respuesta:
«Posible deficiencia nutricional.»
«Presencia de gusano cogollero.»
Desde el punto de vista tecnológico, esta aplicación de inteligencia artificial ya existe. Sistemas de visión por computadora pueden analizar imágenes tomadas con teléfonos móviles y clasificar determinados síntomas asociados a plagas y enfermedades.
El informe Harnessing AI for Agricultural Transformation (Banco Mundial) identifica precisamente el diagnóstico de plagas como uno de los casos de uso prioritarios para pilotear soluciones de IA agrícola, particularmente cuando se combina con servicios de asesoría y sistemas de extensión.
Pero hay una pregunta más importante que saber si la tecnología existe:
¿Qué tan confiable puede ser una fotografía tomada por un agricultor en condiciones reales de campo?
Ahí comienza el verdadero problema.
La promesa: convertir el teléfono en una primera línea de diagnóstico
La visión artificial permite entrenar modelos para reconocer patrones visuales asociados con enfermedades, plagas, deficiencias nutricionales y otros tipos de estrés vegetal. En términos sencillos, el sistema aprende observando miles o cientos de miles de fotografías previamente clasificadas por agrónomos.
Cuando recibe una nueva imagen intenta responder: ¿a cuál de los patrones que conozco se parece más?
Experiencias internacionales muestran el potencial de este enfoque:
- PlantVillage Nuru (CGIAR / Penn State): Creada para diagnosticar enfermedades de yuca desde un teléfono inteligente, funciona sin conexión a internet y superó en pruebas de campo el desempeño promedio de extensionistas locales. Requirió más de 200,000 imágenes de yuca y 8,000 de papa para entrenar sus algoritmos en plagas como cogollero y langostas.
- Tumaini: Desarrollado para banano por CGIAR, identifica cinco enfermedades y una plaga a partir de 50,000 fotografías, con cerca de 90 % de éxito en varios países.
Estos resultados demuestran que la tecnología funciona. Pero también revelan algo fundamental: la precisión no aparece por arte de magia; depende enteramente de la representatividad de los datos con los que fue entrenada.
La brecha entre una precisión del 95 % y una parcela real
En la literatura sobre IA abundan modelos con precisiones reportadas superiores al 95 % o 99 %. Eso genera una ilusión de infalibilidad. Sin embargo, muchos de esos modelos se entrenan con imágenes de laboratorio:
🔬 Condiciones de Laboratorio (Dataset ideal)
- Una sola hoja perfectamente enfocada.
- Fondo liso y uniforme (papel blanco/gris).
- Iluminación cenital constante.
- Síntoma aislado y patógeno conocido.
🌾 Condiciones de Parcela Real
- Hojas superpuestas, polvo, sombras y reflejos solares.
- Daños mecánicos o por insectos mezclados con hongos.
- Estrés hídrico o nutricional simultáneo.
- Variedades locales con distinta expresión de síntomas.
- Cámaras de gama baja o fotos desenfocadas.
Cuando el modelo se enfrenta a la complejidad caótica de la parcela real, ocurre el fenómeno conocido como domain shift (cambio de dominio): la IA es excelente reconociendo imágenes idénticas a las que conoce, pero se desmorona cuando el entorno real cambia de aspecto.
Un ejemplo extremo: 99 % en laboratorio, 62 % en campo
Un estudio evaluó un sistema que alcanzaba 99.8 % de precisión en la base controlada de PlantVillage. Al probar ese mismo modelo con fotografías tomadas por agricultores directamente en el campo, el desempeño se desplomó a solo 62 %. Revisiones sistemáticas confirman que modelos con 95–99 % en banco digital suelen descender al rango de 70–85 % en campo.
Por eso, la pregunta técnica correcta nunca es «¿qué precisión tiene la app?», sino: «¿con qué fotografías fue entrenada y en qué condiciones se validó?»
El problema de los síntomas parecidos: una foto es una hipótesis, no un diagnóstico
Una hoja clorótica (amarilla) puede indicar deficiencia de nitrógeno, asfixia radicular por exceso de agua, sequía severa, ataque fúngico en raíz o senescencia natural. Una mancha necrótica puede derivar de bacterias, hongos, virus o fitotoxicidad por agroquímicos.
Una fotografía no equivale a un diagnóstico definitivo; es solo una hipótesis. Si una aplicación muestra «Roya: 92 %», no significa que haya un 92 % de certeza real; significa que, dentro de las pocas opciones que el modelo conoce, esa es la más parecida. Si el cultivo padece una enfermedad que la IA nunca ha visto, el algoritmo intentará forzarla hacia una de las categorías conocidas con aparente seguridad.
La IA necesita aprender a decir «no sé»
Un sistema agronómicamente seguro debe estructurarse mediante tres niveles de calibración de incertidumbre:
«Alta probabilidad de X. Verifique estos 3 síntomas complementarios en tallo.»
«Los síntomas pueden corresponder a X o Y. Tome una foto del envés y de la planta entera.»
«No es posible emitir un diagnóstico confiable. Caso derivado al extensionista.»
Hacia una conversación diagnóstica asistida por IA
La fotografía por sí sola es insuficiente. La precisión se multiplica cuando el sistema cruza la imagen con variables agronómicas contextuales:
El futuro del diagnóstico no consiste en «subir una foto y esperar un milagro», sino en articular una conversación diagnóstica multimodal similar a la anamnesis que realiza un agrónomo en campo.
El cuello de botella salvadoreño: ¿Con qué imágenes entrenamos el modelo?
Un modelo entrenado con tomates en la India o maíz en Iowa no reconoce adecuadamente los síntomas sobre variedades y microclimas de El Salvador. Antes de pensar en algoritmos sofisticados, la prioridad de país debe ser la creación de un:
Banco Salvadoreño de Imágenes Fitosanitarias
Un repositorio público y abierto con miles de fotografías georreferenciadas y validadas por fitopatólogos nacionales para maíz, frijol, café, tomate y hortalizas, documentando plagas, enfermedades, toxicidades y plantas sanas con sus metadatos de campo.
Cómo diseñar un piloto responsable en El Salvador
La herramienta no debe desplegarse de golpe al público general. Debe arrancar como soporte para extensionistas, técnicos de cooperativas y promotores agrícolas, acotada a un alcance manejable:
- Cultivo: Maíz.
- Territorio: 2–3 zonas con cooperativas organizadas.
- Patologías iniciales: Gusano cogollero + complejo mancha de asfalto + deficiencia de nitrógeno + estrés hídrico + planta sana.
No medir solo «accuracy»: medir el riesgo agronómico del error
El éxito de un piloto no se mide por la precisión global, sino por la gravedad de sus fallas:
- Un error de clasificación entre dos enfermedades fúngicas que comparten el mismo principio de control cultural o biológico representa un riesgo bajo.
- Confundir un estrés hídrico o carencia mineral con una infección severa y recomendar fungicidas o insecticidas sintéticos implica un gasto inútil, daño ambiental y pérdida de cosecha.
La oportunidad: las cuatro funciones de una IA fitosanitaria
No necesitamos construir un «doctor de plantas» omnisciente. Una herramienta territorial aporta enorme valor cumpliendo cuatro roles específicos:
1. Detección Temprana
Identifica oportunamente anomalías incipientes antes de que colapsen el lote.
2. Triaje y Filtrado
Resuelve dudas mecánicas y escala los casos severos al agrónomo.
3. Vigilancia Territorial
Mapea brotes georreferenciados para generar alertas tempranas de cuenca.
4. Soporte al Extensionista
Brinda una segunda opinión técnica inmediata al promotor de campo.
Conclusión: De reconocer una hoja a construir inteligencia fitosanitaria
Convertir una fotografía en una recomendación agrícola responsable implica navegar una cadena de incertidumbres: la calidad de la toma, el parecido entre síntomas, la representatividad de los datos locales y la presencia de técnicos de respaldo.
El objetivo para El Salvador no es demostrar que una red neuronal puede reconocer una hoja bajo una luz perfecta. El verdadero desafío es poner en manos de técnicos y productores una herramienta calibrada, transparente y prudente, capaz de advertir cuándo ayudar y cuándo decir con honestidad: «aquí se necesita la mirada de un agrónomo». Ahí reside el verdadero valor de la IA en la parcela.