El sector agrario funciona a base de trabajo que es difícil de planificar porque las condiciones lo determinan. El acompañamiento del cultivo, la planificación de la cosecha, la clasificación y el control de calidad, la planificación del transporte hacia la subasta o el comprador, y el bloque administrativo en torno a los sellos de calidad y el cumplimiento normativo: esos son los apartados donde entran la mayoría de las horas. El clima, el reloj biológico del cultivo o del animal, y la disponibilidad de mano de obra estacional determinan el resultado más que la intención de la planificación. Quien entrega en este sector, entrega bajo condiciones que pueden cambiar de una semana a otra.
Durante años, se ganaba en este sector quien mejor podía absorber la incertidumbre: el agricultor o la empresa con más experiencia, la mirada más certera sobre el panorama meteorológico, la mano más hábil en la clasificación. Eso sigue siendo relevante. Pero el trabajo mediante el cual esa experiencia se convierte en una decisión está cambiando de carácter.
Dentro del paquete de trabajo agrario se entrelazan tres categorías, y saber qué paso pertenece a qué categoría explica por qué una empresa ya trabaja de forma distinta a otra.
El trabajo que consiste en patrones repetibles con suficientes datos puede ser asumido por completo por la IA: la predicción de rendimiento basada en datos históricos y actuales de sensores, la planificación del riego basada en la humedad del suelo y la previsión meteorológica, y la primera clasificación de productos mediante reconocimiento de imágenes. Las empresas con sensores en el suelo y cámaras en la línea de clasificación ya dejan que esos pasos se ejecuten sin intervención.
Parcialmente, con una persona que aprueba o rechaza con motivo, es el trabajo en el que el modelo da un consejo pero el contexto resulta demasiado caprichoso para una transferencia total: la decisión de fumigar ahora o esperar, la elección entre dos canales de venta ante una diferencia de precio, la estimación de si una parcela ya está lista para la cosecha. Aquí el sistema genera una recomendación con fundamento, y el agricultor o el gerente la ejecuta o la detiene. Ese control humano no es una fase de transición; es la forma en que este trabajo seguirá existiendo por el momento, porque la responsabilidad y el conocimiento local recaen en la persona.
Sigue siendo trabajo humano el contacto con el comprador que pide un producto a medida, la negociación de un contrato de suministro, y las tareas físicas que no se dejan automatizar sin reorganizar la empresa. También la elaboración del expediente para una auditoría de certificación sigue siendo, en esencia, trabajo humano, aunque la recopilación de los datos subyacentes sí puede acelerarse.
La diferencia entre empresas no está en la ambición sino en qué datos y sensórica ya están presentes. Una empresa con años de datos de sensores sobre suelo, cultivo y clima puede alimentar un modelo de predicción que resulte útil; una empresa sin ese historial empieza con un modelo vacío. Lo mismo ocurre con el reconocimiento de imágenes en la clasificación: solo es preciso tras entrenarse con grandes cantidades de fotos de producto propias. Quien no dispone de esa base sigue dependiendo más tiempo de las personas para pasos que en otros lugares ya se han asumido. Esto no es un retraso en el esfuerzo, es una diferencia en lo que se ha construido.
En cuanto una parte de la decisión de cultivo, la clasificación o la planificación logística recae en un sistema, cambia aquello en lo que un comprador o una subasta evalúa a un proveedor. El plazo de entrega y la seguridad de volumen antes eran una función de la ocupación y la experiencia; si la propia planificación ya tiene en cuenta el clima, la capacidad de transporte y la ventana de cosecha, la comparación se traslada a cuán consistente resulta esa predicción y con qué rapidez se corrige cuando la práctica se desvía. La consistencia de calidad era una cuestión de oficio en la línea de clasificación; con el reconocimiento de imágenes automatizado se convierte en una cuestión de cuántos datos de entrenamiento y cuántas capas de control ha implementado una empresa. La dimensión en la que se gana conserva el mismo nombre, pero la pregunta detrás de ella cambia.
Este patrón no es exclusivo de la agricultura y la horticultura. El mismo desplazamiento de la ocupación hacia la calidad del sistema se produce en el sector TIC, donde el plazo de entrega de los proyectos cambia por la planificación automatizada, en los servicios financieros, donde la evaluación de riesgos la realizan en parte modelos, y en el sector recreativo, donde la predicción de reservas dirige la planificación de capacidad. En todos los casos, la pregunta no es si la IA asume el trabajo, sino qué parte, con qué supervisión, y qué significa eso para la comparación con la competencia.
Esta página no se pronuncia sobre las decisiones de personal que pudieran derivarse de este desplazamiento; para ello rigen requisitos legales propios que no corresponden a una comparación de mercado.
Un agricultor o una cooperativa que afirme ganar en plazo de entrega o consistencia de calidad debe poder respaldar esa afirmación con algo verificable: una cifra, una declaración de cliente, una certificación. Cómo situar tal afirmación frente a la de un competidor sin rellenar lo que usted no sabe está descrito en un método para puntuar a un competidor sin hacer suposiciones, y el planteamiento más amplio detrás de ello en una explicación de cómo comparar su empresa con la competencia. Qué trabajo de su propia empresa ya puede ser asumido por la IA, y qué parte seguirá requiriendo supervisión, es una pregunta distinta de en qué gana usted; esa primera pregunta la responde el escáner de trabajo de FTE TO AI por tarea.
Determine para usted mismo en qué dos o tres dimensiones cree que gana frente a las empresas de su grupo de referencia. Compruebe, para cada afirmación, si existe una prueba que convencería a alguien externo. La verificación gratuita de dimensiones le permite colocar esas afirmaciones una junto a otra y muestra cuáles se pueden defender con pruebas. El benchmark completo, con puntuaciones de todo el grupo de referencia y una matriz de pruebas consultable, está en construcción.