La inteligencia artificial (IA) y el sector agropecuario están cada vez más interconectados, transformando la manera en que se producen y gestionan los alimentos en todo el mundo, y Colombia no es la excepción. Descubra algunos ejemplos y tendencias en este segmento.

A mediados de julio, en Colombia se realiza el evento anual de tecnología agrícola más importante del país: Agroexpo, una vitrina comercial que permite ver de primera mano cómo la tecnología y el campo se relacionan, incluyendo herramientas de punta como drones, IoT, conectividad y, por supuesto, la gran vedette de los últimos años: la inteligencia artificial.

En cifras concretas, el mercado global de IA en agricultura está creciendo rápidamente, pasando de 2.080 millones de dólares en 2025 a 10.490 millones de dólares en 2032, según proyecciones de la firma analista Data Bridge Market Research.

La relación entre la IA y el agro se manifiesta principalmente a través de la agricultura de precisión, el análisis de datos y la automatización de procesos clave. Pero si esto suena un poco abstracto, basta mencionar que la inteligencia artificial puede reducir el uso de agua y fertilizantes entre 20% y 40%, además de aumentar la productividad agrícola hasta en 20%.

Ejemplos de una IA agrícola

Aunque la IA suele relacionarse con grandes laboratorios, empresas y asistentes personales, en el campo se expresa mediante la agricultura de precisión, un enfoque que utiliza tecnologías avanzadas para optimizar la producción agrícola y minimizar el impacto ambiental, aplicando la cantidad exacta de insumos (agua, fertilizantes, pesticidas, etc.) en el momento y lugar adecuados.

En este nicho, la IA es invaluable, ya que permite recopilar y analizar grandes volúmenes de datos provenientes de sensores, drones, tractores con GPS y otros dispositivos IoT. Así, la IA facilita el monitoreo de cultivos en tiempo real, permitiendo a los agricultores tomar decisiones más precisas sobre riego, fertilización, control de plagas y manejo de insumos.

La IA también hace posible la automatización de tareas como los sistemas de riego inteligente, tractores autónomos y robots que detectan anomalías en los cultivos. Esta es una tendencia global que incluye a Colombia, como lo demuestran los robots desarrollados por el SENA (Servicio Nacional de Aprendizaje) en el Quindío.

Desafíos y consideraciones para la adopción de la IA

A pesar de los beneficios, la adopción generalizada de la IA en la agricultura enfrenta varios desafíos significativos, que comienzan por el financiamiento necesario para llevar la tecnología a los sectores agrícolas, con un retorno de inversión (ROI) a menudo poco claro.

Otro punto a considerar es el manejo de la información. Los sistemas de IA dependen de la recopilación y el análisis de grandes cantidades de datos agrícolas sensibles, y es allí donde surgen preguntas críticas respecto a la propiedad de los datos y los mecanismos de protección de esta información.

Por último, está el factor cultural y la resistencia al cambio. La necesidad de que los agricultores comprendan conceptos tecnológicos complejos de IA y aprendizaje automático, interpreten análisis de datos sofisticados y gestionen eficazmente sistemas tecnológicos avanzados, representa un desafío que solo puede resolverse mediante educación y cooperación entre el sector privado, la academia y el Estado.

Si quieres saber cómo desde Movistar Empresas te podemos ayudar a impulsar la transformación de tu negocio y a hacerlo de manera sostenible ingresa aquí.

Foto de Freepik

¿Recuerda cuando las plataformas de inteligencia artificial, los grandes LLM (Large Language Model), no podían responder temas de actualidad? La solución a este problema llegó con la Generación Aumentada por Recuperación (RAG). ¿En qué consiste y por qué es tan importante?

En 2020, la prestigiosa conferencia académica NeurIPS (Conference on Neural Information Processing Systems), sirvió como escenario para la presentación de un trabajo titulado «Retrieval Augmented Generation for Knowledge Intensive NLP Tasks«. Este estudio, liderado por investigadores de Facebook AI Research (ahora Meta AI), University College London y New York University, silenciosamente, cambiaría al mundo.

Casi cuatro años después de su presentación, el RAG se convertiría en un estándar de mercado, adoptado por gigantes como Meta, AWS, Google, Microsoft, Oracle y OpenAI, entre otros. ¿Cómo lo lograron? La respuesta sencilla es que esta tecnología sirvió para resolver uno de los principales problemas de la inteligencia artificial generativa.

En términos simples, antes de la llegada de la arquitectura RAG (Retrieval-Augmented Generation), los modelos de lenguaje grandes (LLM) operaban utilizando únicamente la información y el conocimiento que habían adquirido durante su entrenamiento, que era un conjunto gigantesco pero estático de datos.

En otras palabras, antes de la llegada del RAG, los LLM más famosos del mercado como ChatGPT, Gemini o Claude, no tenían acceso a información nueva, ni a bases de datos internas o externas. Por lo tanto, no podían responder preguntas sobre eventos recientes, datos privados o conocimientos fuera de su material de entrenamiento.

Origen y tecnología del RAG

Aunque actualmente RAG es un estándar que crece cada día, al punto de mover más de 1.200 millones de dólares en 2024 y más de 11 mil millones de dólares para 2030, según proyecciones de Grand View Research, esta iniciativa no fue acogida de inmediato. Tuvo que competir con otros enfoques tecnológicos, como el uso de «bases de conocimiento externas», así como con el ajuste fino (fine-tuning) de modelos tradicionales.

Sin embargo, a finales de 2023 y durante 2024, la adopción de RAG creció exponencialmente. Al punto que, en una encuesta realizada por Exa Enterprise AI, el 50% de los encuestados afirmaron que sus organizaciones usaban RAG, resaltando además que cuanto mayor es la tasa de utilización de IA generativa dentro de una empresa, mayor es su interés por la RAG.

¿Cómo funciona el RAG?

El RAG introduce un componente intermediario de recuperación de información entre la consulta del usuario y la respuesta del LLM. El flujo de trabajo de RAG se puede desglosar sistemáticamente en tres etapas principales: Recuperación, Aumento y Generación.

La etapa inicial de recuperación implica que un sistema, generalmente impulsado por búsqueda semántica, identifica y obtiene los documentos, pasajes o «fragmentos» de información más relevantes de una fuente de conocimiento externa. Estas fuentes pueden incluir diversas formas de datos estructurados y no estructurados.

Una vez que se recupera la información relevante, esta se combina con el conocimiento preexistente del LLM para construir un prompt enriquecido, más informativo y contextualmente fundamentado. Esta etapa a menudo emplea técnicas de ingeniería de prompts para comunicar eficazmente el contexto.

El prompt “aumentado” sirve para mitigar el riesgo de generar información incorrecta o fabricada (alucinaciones). Finalmente, se llega al paso de generación, donde el LLM entrega una respuesta a la consulta del usuario. Esta respuesta resultante es significativamente más precisa, relevante y contextualmente informada de lo que un LLM podría producir basándose únicamente en su conocimiento interno.

• Si quieres saber cómo desde Movistar Empresas te podemos ayudar a impulsar la transformación de tu negocio y a hacerlo de manera sostenible ingresa aquí.

Foto de Freepik

Aunque los beneficios de la inteligencia artificial sean innegables en términos de productividad, su implementación conlleva una serie de desafíos que van desde aspectos técnicos hasta normativas legales e incluso éticas. La gobernanza de la IA es un imperativo en las organizaciones de nuestros días.

En 2019, Apple, en aquel entonces la empresa más valorada del mercado, se vio envuelta en una polémica sobre acusaciones de discriminación de género que surgieron en torno a la tarjeta de crédito Apple Card. Este incidente sirvió para demostrar cómo los sesgos algorítmicos estaban infiltrados en la tecnología y la importancia de una buena gobernanza de la IA.

De hecho, el incidente llegó al punto de que el cofundador de Apple, Steve Wozniak, denunció que incluso su esposa recibió límites de crédito significativamente más bajos a pesar de tener finanzas conjuntas. Esto desembocó en investigaciones del Departamento de Servicios Financieros de Nueva York (DFS) y la Oficina de Protección Financiera del Consumidor (CFPB) estadounidense.

Pero tal vez la mayor consecuencia de este incidente fue la visibilidad de un problema que podría afectar incluso a gigantes con recursos casi ilimitados: la discriminación algorítmica. Si esto afectó a una empresa del tamaño de Apple, ¿qué pueden hacer otras organizaciones? La respuesta está en los procesos.

Comenzando por la definición

El Carnegie Council for Ethics in International Affairs, una organización independiente fundada por Andrew Carnegie en 1914, define la Gobernanza de la Inteligencia Artificial como «el conjunto de normas, reglamentos, marcos éticos y técnicos y mecanismos similares que guían el desarrollo y despliegue de las tecnologías de inteligencia artificial».

Se trata de una serie de estándares que garantizan que los sistemas y herramientas de IA operen de manera ética con el objetivo de dirigir la investigación, el desarrollo y la aplicación de la IA hacia resultados beneficiosos, con un fuerte énfasis en fomentar la equidad, la transparencia y el respeto por los derechos humanos. En sí, la gobernanza de la IA no es simplemente una preocupación técnica o regulatoria; es un elemento fundamental para generar confianza pública.

¿Por dónde empezar con la gobernanza de la IA?

El primer paso es establecer una base ética y un código de conducta. Esto implica desarrollar un código de ética que describa claramente los valores y principios de IA de la organización. Estos principios deben incluir la equidad y la transparencia.

Luego, se deben diseñar e implementar estructuras de gobernanza de la IA. Las organizaciones deben crear un Comité o Junta de Ética de la IA, un organismo especializado responsable de supervisar las actividades y gobernanza de la IA. Este comité puede incluir una mezcla diversa de partes interesadas con experiencia en IA, derecho y ética, con asesores externos que ofrezcan perspectivas imparciales.

Es fundamental definir roles y responsabilidades. La clara delineación de roles y responsabilidades es esencial para evitar la duplicación, reducir la posibilidad de que los problemas relacionados con la IA pasen desapercibidos y fortalecer la rendición de cuentas.

La ética debe integrarse en todo el ciclo de vida de la IA. Esto implica diseñar sistemas de IA con principios éticos desde cero, asegurando que sean transparentes, explicables y justos. Las prácticas clave incluyen la identificación y mitigación del sesgo en los datos y modelos a través de pruebas y validaciones rigurosas en diversos grupos demográficos.

Finalmente, es crucial el monitoreo, la auditoría y la evaluación continuos. La IA no es una tecnología de «configurar y olvidar». Las auditorías éticas periódicas son una parte fundamental para construir y mantener sistemas de IA confiables.

• Si quieres saber cómo desde Movistar Empresas te podemos ayudar a impulsar la transformación de tu negocio y a hacerlo de manera sostenible ingresa aquí.

Foto de Freepik