Inteligencia artificial para una agricultura sustentable: lecciones y desafíos desde el panel ITCG–DIMA 2025

Aldo Hernán Zanabria Gálvez

Investigador en IA aplicada - Grupo de Investigación en IA y CD aplicada. UNA PUNO

---

Resumen

La agricultura —una de las actividades más antiguas de la humanidad— está viviendo una transformación sin precedentes gracias a la inteligencia artificial (IA). En un foro celebrado recientemente, expertos de España, Chile, Perú y El Salvador compartieron sus experiencias y visiones sobre cómo la IA redefine las prácticas agrícolas, desde la gestión eficiente del agua hasta la detección temprana de plagas.

En mayo de 2025, el Instituto Tecnológico de Ciudad Guzmán (ITCG) y la Expo Agrícola Jalisco (DIMA) organizaron un panel internacional sobre innovación digital y agricultura de precisión. Participaron especialistas de los mismos países, quienes presentaron casos reales basados en visión artificial, sensórica IoT, drones multiespectrales y analítica hídrica. Este artículo sintetiza los proyectos más relevantes, los retos comunes y los acuerdos de colaboración surgidos en la sesión, aplicando criterios de corrección ortográfica y semántica para ofrecer una lectura clara y fluida.

1. Introducción

La agricultura contemporánea se encuentra en la encrucijada de tres fuerzas convergentes:

1. Cambio climático – patrones meteorológicos extremos alteran ventanas de siembra, expanden rangos de plagas y reducen la previsibilidad de los rendimientos (Flores, 2023).

2. Escasez hídrica – el sector primario consume cerca de 70 % del agua dulce disponible; cada punto porcentual de eficiencia liberado equivale a millones de metros cúbicos recuperados para consumo humano y ecosistemas.

3. Exigencias de trazabilidad y sostenibilidad – los mercados internacionales, amparados en pactos como el Pacto Verde de la UE o el US Food Safety Modernization Act, demandan registros «de la semilla al anaquel» que certifiquen inocuidad, origen ético y huella de carbono controlada.

A estas presiones se suman retos adicionales: degradación de suelos, envejecimiento de la mano de obra rural y vulnerabilidad de las cadenas logísticas globales, expuestas durante la pandemia de COVID-19 y los recientes conflictos geopolíticos. En este escenario, la inteligencia artificial (IA) y la sensórica (IoT, drones, espectroscopía portátil) despuntan como herramientas estratégicas: permiten optimizar insumos en tiempo real, pronosticar rendimientos con semanas de antelación y reducir mermas poscosecha mediante clasificaciones automatizadas de calidad.

Sin embargo, la adopción tecnológica no es un proceso lineal; requiere datos robustos, conectividad rural y capital humano multidisciplinar. Allí es donde interviene la iniciativa conjunta del Instituto Tecnológico de Ciudad Guzmán (ITCG) y la Expo Agrícola Jalisco (DIMA). El panel ITCG–DIMA 2025 se concibió como un «laboratorio social» que articula a investigadores, productores, startups y organismos públicos para co-crear soluciones replicables en toda Latinoamérica (Romo, 2025). Bajo un formato de diálogo abierto, la jornada reunió experiencias de España, Chile, Perú y El Salvador, demostrando que la región posee tanto los desafíos como las capacidades para convertirse en un polo de innovación agro-digital.

En las páginas siguientes se sistematizan las lecciones aprendidas, los acuerdos de colaboración y las líneas de investigación prioritarias que emergieron de este encuentro, con la convicción de que sembrar innovación hoy es la vía más segura para cosechar un futuro alimentario resiliente y equitativo.

2. Metodología de la sesión

El encuentro se celebró vía Zoom durante 2 h 30 min. Cada experto dispuso de 10–15 min para exponer su caso; posteriormente se abrió un debate guiado por el ITCG. Para la presente síntesis se aplicó:

1. Transcripción limpia (supresión de marcas de tiempo y muletillas).

2. Corrección ortográfica y de concordancia según RAE (2024).

3. Estructuración temática (proyectos, retos, acuerdos).

3. Proyectos emblemáticos

País	Investigador(a)	Cultivo / problema	Tecnología empleada	Resultados clave
España	Dr. Jordi Cruz (IRTA–EUSS)	Frijol, tomate y pino	Espectroscopía NIR/hiperespectral + modelos multivariantes	Predicción semicuantitativa de patógenos y estrés hídrico; determinación in situ de grados Brix en tomate.
Chile	Ing. Gustavo Plaza (Sector privado)	Cuotas de riego en berries, aguacate y caña	IoT de caudal + chatbot WhatsApp + panel Power BI	Reducción de multas por uso excesivo de agua y trazabilidad minuto a minuto para 120 predios.
El Salvador	Dr. Jackdiel Flores (UDB)	Café, caña, mango, maíz	Drones multiespectrales, CNN YOLO v11, quimiometría Raman	Detección temprana de roya y broca; optimización de nitrógeno en caña (−25 % fertilizante, +8 % rendimiento).
Perú	Dr. César Beltrán (PUCP)	Café orgánico y quinua andina	Visión artificial en cintas, deep learning, drones RGB	Clasificación automática de defectos físicos (13 tipos) con 95 % F1; estimación de cosecha de quinua con 9 semanas de antelación.

La Gestión Hídrica: Un Desafío Global con Soluciones Innovadoras

El uso eficiente del agua es una preocupación apremiante a nivel mundial, y Gustavo Adolfo Plaza de Chile presentó una innovadora solución a este desafío. Ante la estricta regulación de la Dirección General de Agua en Chile, que exige a la agroindustria informar cada gota de agua utilizada, se generó una vasta cantidad de datos. A través de análisis de datos, drones e imágenes satelitales, se monitorea la hidratación de la vegetación y se detectan usos irregulares. Lo más notable es el desarrollo de una herramienta basada en WhatsApp, inspirada en ChatGPT, que permite a los pequeños agricultores consultar en tiempo real si pueden regar y por cuánto tiempo, promoviendo un uso responsable del recurso. A pesar del éxito, Gustavo señaló la persistente barrera de la resistencia de los agricultores a adoptar nuevas tecnologías, subrayando la necesidad de soluciones más amigables y accesibles.

En México, Juan Carlos Romo y Jaime Cuevas de Grupo Dima y Expo Agrícola Jalisco, resaltaron que Jalisco es el "gigante agroalimentario" del país, doblando el PIB de su competidor más cercano. Sin embargo, compartieron la preocupación por el uso indiscriminado del agua, a pesar de la existencia de regulaciones. Elogiaron el sistema chileno como un modelo a seguir en la medición y control hídrico, enfatizando el reto que aún tienen en México para una gestión más eficiente del agua.

Lucha contra Plagas y Optimización de Cultivos Regionales

Jackdiel de El Salvador, con experiencia previa en acuicultura en Alemania, ha continuado su labor en agricultura de precisión, adaptando tecnologías a los cultivos locales. Sus investigaciones en café para combatir la roya y la broca son cruciales, explorando el uso de drones con cámaras multiespectrales para la detección temprana. Ha demostrado la falta de tecnología avanzada en los sistemas agroforestales y la necesidad de una mayor inversión en este ámbito. En la caña de azúcar, sus estudios han revelado que la aplicación de nitrógeno en los primeros estadios no es necesaria, lo que ha generado significativos ahorros económicos. La detección de pulgones en limón y el análisis de enfermedades y madurez en mango con drones, así como la colaboración con Jordi en la detección de plagas en pinos en España, demuestran la versatilidad de la IA en la agricultura. Jackdiel también destacó la importancia de integrar más tecnología para medir las condiciones medioambientales y entender cómo los sistemas agroforestales influyen en la producción y calidad del café.

La Innovación Abierta: Un Camino a Seguir

El foro concluyó con un llamado a la innovación abierta, buscando que los empresarios del campo colaboren más estrechamente con las universidades. El objetivo es que las necesidades del sector agrícola lleguen a los centros de investigación, fomentando el desarrollo de soluciones adaptadas y en contacto con expertos de todo el mundo.

En definitiva, la inteligencia artificial no es solo una promesa para la agricultura; es una realidad que está transformando la forma en que cultivamos nuestros alimentos. A pesar de los desafíos inherentes a la adopción tecnológica y la necesidad de una mayor integración y accesibilidad, el camino hacia una agricultura más eficiente, sostenible y productiva ya ha comenzado, impulsado por la innovación y la colaboración global.

4. Retos transversales

1. Datos longitudinales insuficientes

   • Requerimiento mínimo: ≥ 10 ciclos productivos para modelar clima, suelo y patógenos (Cruz, 2025).

2. Conectividad rural

   • Persistencia de redes 3G en zonas andinas y mexicanas; Starlink y LoRaWAN se perfilan como mitigantes (Plaza, 2025).

3. Brecha de talento

   • Escasez de perfiles que mezclen agronomía, IA y electrónica; se sugirió crear programas híbridos en el ITCG (Beltrán, 2025).

4. Costos de sensórica avanzada

   • Cámaras hiperespectrales > USD 90 000; se propuso co-crear versiones de bajo costo con universidades.

5. Acuerdos y líneas de acción

1. Consorcio de datos abiertos LATAM-AgroIA

   • Repositorio regional de imágenes y variables microclimáticas (liderazgo inicial: ITCG, PUCP, UDB).

2. Pilotos de bajo costo 2025-2026

   • Probar espectrómetros portátiles NIR (< USD 800) para café y aguacate en Jalisco y Cusco.

3. Programa de estancias multidisciplinarias

   • Estudiantes de sistemas y agronomía realizarán prácticas conjuntas en los predios de DIMA y en laboratorios del IRTA.

4. Seguimiento anual en Expo Agrícola Jalisco 2026

   • Tema oficial: “Sembrando innovación, cosechando futuro”.

6. Conclusión

El panel confirmó que la IA ya es una realidad operativa en la agricultura latina—desde la clasificación de café en Perú hasta la gestión hídrica en Chile—pero su impacto masivo depende de datos robustos, conectividad y capital humano. Iniciativas como el consorcio LATAM-AgroIA y la apertura de la carrera de IA en el ITCG apuntan a cerrar esas brechas. La invitación queda abierta para que investigadores, productores y entes públicos siembren innovación y, con ello, cosechen un futuro sustentable.

Referencias

Beltrán, C. (2025, mayo 15). Clasificación de defectos en café usando visión artificial [presentación]. Panel ITCG–DIMA, Ciudad Guzmán, México.

Cruz, J. (2025, mayo 15). Aplicaciones de espectroscopía NIR en agricultura de precisión. Panel ITCG–DIMA.

Flores, J. (2023). Agricultura inteligente en Mesoamérica: retos y oportunidades. Revista Centroamericana de Tecnología Agroindustrial, 7(2), 45-60.

Plaza, G. (2025, mayo 15). Chatbots y analítica para gestión hídrica en Chile. Panel ITCG–DIMA.

Romo, J. C. (2025). Memoria Anual DIMA 2024-2025 (Anuario N.º 18). Expo Agrícola Jalisco.

Desmitificar la Inteligencia Artificial: Crítica a los mitos tecnodominantes y propuesta para una alfabetización digital crítica

 Por: Aldo Hernán Zanabria Gálvez 

Resumen

La Inteligencia Artificial (IA) ha dejado de ser una promesa futurista para convertirse en una estructura de poder que opera bajo narrativas mitificadas. Estas narrativas, promovidas por sectores corporativos, tecnólogos e incluso marcos institucionales estatales, configuran una visión distorsionada y acrítica de lo que realmente implica el uso y expansión de la IA. En este artículo se revisan los seis mitos más difundidos —identificados por Galanos et al. (2020)— a través de una revisión crítica apoyada en literatura científica y académica reciente (Broussard, 2018; Crawford, 2021; Mitchell, 2021). Asimismo, se discuten las consecuencias sociales, epistémicas y ambientales de sostener dichos mitos, y se propone una ruta de alfabetización digital crítica con un enfoque contextual para América Latina.

1. Introducción

La narrativa que rodea a la Inteligencia Artificial, como bien señalan Ganascia (2022), Crawford (2021) y Broussard (2018), está más cargada de imaginarios que de comprensiones técnicas o éticas. Se presenta la IA como una suerte de oráculo digital: infalible, neutral, inevitable. Sin embargo, estas representaciones son construcciones culturales que obedecen a intereses concretos —políticos, económicos y militares— antes que a la realidad tecnológica. De hecho, tal como advierte Leufer (2020), el mito de una IA omnipotente y autónoma suele operar como legitimador de desigualdades estructurales, invisibilizando tanto el trabajo humano detrás de su funcionamiento como su huella ecológica. Es urgente, por tanto, desmontar estos relatos para formular una política pública y educativa verdaderamente democrática y emancipadora (UNESCO, 2023; Villarreal, 2024).

2. Mito 1: “La IA aprende como los humanos”

Este mito representa una de las falacias más persistentes en la cultura tecnológica contemporánea. Aunque los sistemas de machine learning pueden identificar patrones complejos, no comprenden el mundo de forma semántica ni contextual (Mitchell, 2021; Broussard, 2018; Leufer, 2020). A diferencia del aprendizaje humano, que es experiencial, situado y mediado por estructuras simbólicas, los modelos de IA aprenden por correlación estadística sin entender causalidades. Además, como señalan Crawford (2021), Galanos et al. (2020) y Villarreal (2024), el entrenamiento de estos sistemas depende de datasets curados por humanos que, a menudo, están impregnados de sesgos históricos, raciales y de género. Así, lejos de emular la cognición humana, la IA refleja los límites de su arquitectura técnica y los prejuicios de sus diseñadores.

3. Mito 2: “La IA reemplazará todos los empleos”

La narrativa de la “automatización total” ha sido instrumentalizada para justificar recortes laborales y reformulaciones neoliberales del trabajo (Eubanks, 2018; Crawford, 2021; Giray, 2024). Sin embargo, como advierten Mitchell (2021) y Broussard (2018), los sistemas de IA no sustituyen completamente al trabajador humano, sino que lo reconfiguran, muchas veces precarizándolo. Plataformas como Amazon Mechanical Turk evidencian una nueva clase obrera digital global, mal remunerada, invisibilizada y sin derechos (Crawford, 2021; Villarreal, 2024; UNESCO, 2023). Lejos de liberar al sujeto del trabajo alienado, la IA ha profundizado modelos de explotación algorítmica que fragmentan tareas, impiden la organización sindical y exacerban la desigualdad.

4. Mito 3: “La IA es inmaterial”

Uno de los engaños más extendidos es la ilusión de que la IA “habita la nube” y por tanto carece de impactos físicos. En realidad, como muestran Crawford (2021), Galanos et al. (2020) y Villarreal (2024), los sistemas de IA consumen enormes cantidades de energía, requieren minerales escasos como el litio o el cobalto, y dependen de infraestructuras industriales altamente contaminantes. Ganascia (2022) agrega que la lógica extractiva que sostiene la IA replica patrones coloniales, ya que la obtención de estos recursos recae principalmente sobre comunidades indígenas y naciones del sur global. De igual forma, la huella hídrica de los centros de datos y el uso intensivo de electricidad desafían cualquier afirmación sobre una IA “verde” o “sustentable” (UNESCO, 2023; Leufer, 2020; Mitchell, 2021).

5. Mito 4: “La IA tiene personalidad”

El antropomorfismo es una estrategia discursiva que facilita la aceptación social de tecnologías opacas (Galanos et al., 2020; Leufer, 2020; Mitchell, 2021). Aplicaciones como Siri o ChatGPT son frecuentemente percibidas como agentes con intención, afectividad o juicio moral, cuando en realidad se trata de sistemas basados en procesamiento de lenguaje sin comprensión real. Esta ilusión genera un falso sentido de confianza, delegando decisiones a sistemas que carecen de responsabilidad o agencia legal (Broussard, 2018; Crawford, 2021; Villarreal, 2024). Además, como señalan Giray (2024) y UNESCO (2023), la personificación de la IA refuerza la idea de una subjetividad computacional que nunca existió, desplazando la agencia humana y debilitando el control democrático sobre la tecnología.

6. Mito 5: “La IA actúa de forma autónoma”

La mayoría de avances en IA son altamente dependientes de la intervención humana: desde el diseño de arquitecturas hasta la supervisión de resultados y ajustes de parámetros (Mitchell, 2021; Broussard, 2018; Galanos et al., 2020). Los sistemas que aparentan autonomía operan bajo estrictos marcos de entrenamiento y optimización, lo que los vuelve ineficaces en entornos no estructurados o dinámicos. Leufer (2020) demuestra que muchas demostraciones virales sobre “robots inteligentes” están guionizadas o editadas, ocultando sus limitaciones reales. Esta falsa autonomía no solo alimenta el mito de la superioridad técnica, sino que también desplaza responsabilidades éticas y jurídicas a entidades que no pueden responder por sus actos (Crawford, 2021; Villarreal, 2024; UNESCO, 2023).

7. Mito 6: “La IA superará a la humanidad”

El discurso de la “singularidad” —según el cual la IA alcanzará y luego superará la inteligencia humana general— ha sido ampliamente promovido por gurús tecnológicos y medios de comunicación (Mitchell, 2021; Leufer, 2020; Broussard, 2018). Sin embargo, este escenario carece de fundamento científico sólido y responde más a intereses ideológicos que a proyecciones realistas. Crawford (2021) y Ganascia (2022) sostienen que esta visión futurista distrae la atención de los problemas actuales de la IA: sesgo, vigilancia masiva, exclusión digital, explotación laboral y daño ecológico. En lugar de una superinteligencia abstracta, lo que se necesita es una supervisión humana efectiva, una regulación ética y una ciudadanía empoderada que cuestione el uso y dirección de estas tecnologías.

8. Hacia una inteligencia artificial con ética y justicia

Superar los mitos de la IA implica más que una corrección técnica: requiere una transformación cultural y política (Villarreal, 2024; Crawford, 2021; UNESCO, 2023). América Latina, y en particular contextos como el peruano, debe apostar por una soberanía tecnológica que no se limite al consumo de plataformas extranjeras, sino que promueva la creación de soluciones locales, éticas y justas. La alfabetización digital crítica es un eje fundamental: no basta con saber usar herramientas digitales, hay que entender sus implicancias, cuestionar sus lógicas y reconfigurar sus objetivos. Este proceso exige participación comunitaria, reflexión académica interdisciplinaria y políticas públicas decididas a democratizar el futuro digital.

Referencias

Broussard, M. (2018). Artificial un-intelligence: How computers misunderstand the world. MIT Press.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Galanos, V., Bennett, S. J., Aylett, R., & Hemment, D. (2020). AI myths debunked: Unpacking six common misconceptions. The New Real, 1(1), 79–83. https://doi.org/10.2218/newreal.9267

Ganascia, J.-G. (2022). Artificial intelligence: Between myth and reality. UNESCO Courier. https://courier.unesco.org/en/articles/artificial-intelligence-between-myth-and-reality

Giray, L. (2024). Ten myths about artificial intelligence in education. Higher Learning Research Communications, 14(2), 1–12. https://scholarworks.waldenu.edu/cgi/viewcontent.cgi?article=1508&context=hlrc

Leufer, D. (2020). Why we need to bust some myths about AI. Patterns, 1, 100124. https://doi.org/10.1016/j.patter.2020.100124

Mitchell, M. (2021). Why AI is harder than we think. arXiv. https://arxiv.org/abs/2104.12871

UNESCO. (2023). Ethics of Artificial Intelligence: Recommendation and implementation guidance. https://unesdoc.unesco.org/ark:/48223/pf0000382021

Villarreal, P. (2024). Inteligencia artificial. Ariel México