Casos de éxito desde el campo.

Para Elizabeth Hernández, gerente de Planeación de Agave en Casa Sauza, el primer problema que resolvieron los drones no fue técnico, sino de personas. Sauza llevaba el control de sus 30 millones de plantas de agave con dos cuadrillas de 20 trabajadores que recorrían los campos dos veces al año contando planta por planta, y cada vez menos gente quería ese trabajo. Como lo cuenta Hernández:

Es un trabajo muy pesado, hay que imaginarse los 40 grados de calor en Nayarit e ir contando agave por agave, [verificar] que las plantas siguen ahí, que no están dañadas.

Un dron puede sobrevolar un campo y fotografiarlo. Distinguir un agave de la maleza o de una piedra es otra cosa, y ninguna herramienta disponible lo hacía. Sauza necesitaba una hecha para el agave.

Ahí entró Manglar. El equipo entrenó un modelo de IA para reconocer el agave azul en imágenes de dron, y Sauza se convirtió en el primer cliente de agave de Manglar. Germán Medina, CEO de Manglar, recuerda cómo empezó:

Ya teníamos experiencia con cultivos en Colombia, lo que hicimos [para Sauza] fue construir un modelo de inteligencia artificial para el cultivo del agave. Fue el primer cliente con quien trabajamos en agave.

Pronto contar no fue suficiente. La maleza le resta peso a las plantas en cada etapa de su ciclo de seis años, así que los modelos aprendieron a mapear las zonas con maleza y a señalar plantas enfermas o con plaga. Hoy esos mapas guían a los drones para aplicar herbicida solo donde hace falta, en lugar de aplicar en todo el campo con bombas de espalda o avionetas.

Hoy Sauza cuenta cada dos meses el agave del 60 % de sus campos, con la meta de llegar al 90 %. Sus ingenieros ven cada campo en una plataforma digital a la semana siguiente del vuelo, y planean desde ahí. Hernández da un ejemplo de lo que hoy pueden decir sus ingenieros:

Ahora ya sé que en ese cultivo hay maleza, enfermedades, agave marchito… entonces en mi próximo plan semanal voy a incluir la solución de este problema.

Como cada planta se sigue contra metas anuales, Sauza no espera seis años para ver cómo resultó un cultivo: ya puede proyectar cómo responderán sus campos a la demanda de tequila con años de anticipación. Lo que empezó como respuesta a la falta de mano de obra hoy es parte de cómo planea la empresa. Como lo resume Hernández:

Los resultados no los veré al final, sino año con año, y eso nos permite tener un plan.

Basado en el artículo de Zacarías Ramírez en Fortune en Español, abril de 2020.

En el valle del río Cauca, en Colombia, el clima permite sembrar y cosechar caña todo el año. Pero el clima no es lo que mantiene competitiva a la región: lo son las tecnologías que adoptan sus ingenios y el conocimiento que construyen con ellas.

Hace algunos años, Diego Sandoval, director de Agricultura de Precisión y SIG de Ingenio Providencia, veía la IA aplicada al agro como algo lejano. Dudaba de que alguna empresa pudiera resolver lo que el ingenio necesitaba, empezando por el pisoteo en la cosecha mecanizada. Como lo cuenta Sandoval:

Toda su parte tecnológica, su capacidad y el equipo humano que hay detrás sí cambiaron mi perspectiva, al entender que sí era algo alcanzable, que estábamos cerca y que sí había una empresa colombiana que podía hacerlo.

El objetivo era claro: disminuir el pisoteo todo lo posible y evitar problemas futuros en las suertes. Manglar traza las líneas de surco de forma automática en imágenes de dron, y hoy esas líneas alimentan el piloto automático de las cosechadoras de Providencia.

Con la máquina guiándose sola sobre los surcos hay menos pisoteo y menos daños, y el operario puede enfocarse en la calidad del corte en lugar de la dirección de la cosechadora. En Providencia se cosecha todos los días, así que las líneas se ponen a prueba a diario, y el equipo las usa sin quejas. Sandoval lo dice sin rodeos:

La precisión del trazado automático de líneas de surco proporcionado por Manglar es muy buena y es algo que se demuestra todos los días.

Convencerse fue sencillo, dice Sandoval. Además del costo, un solo vuelo de dron trae mucho más que líneas de surco: información detallada de cada suerte. En palabras de Sandoval:

No hay comparación en los costos de la metodología que usa Manglar versus otras metodologías.

Hoy Providencia trabaja con Manglar como un aliado estratégico: uno que acompaña la evolución de la agricultura de precisión del ingenio, maneja grandes volúmenes de datos y desarrolla herramientas a la medida. Como lo resume Sandoval:

Lo que más nos gusta de Manglar es esa capacidad de adaptación, su mente abierta para escuchar ideas, su equipo técnico y la confianza que nos han generado a través de estos años cuando nos han dicho «Dame tu necesidad, miramos cómo la resolvemos» y sí la han resuelto.

La despoblación, los tramos de surco sin caña o sin rebrotes, decide dónde resembrar y cuánto. Antes de que Manglar llegara al sector azucarero, las cuadrillas la medían a mano y proyectaban una muestra sobre toda el área. Era impreciso: los rebrotes pequeños son difíciles de ver incluso recorriendo la suerte a pie.

En imágenes de dron de ultra alta resolución, los modelos de Manglar detectan hasta los rebrotes más pequeños y miden la despoblación surco por surco. Catalina Delgado, directora de Agricultura de Precisión y SIG de Ingenio Mayagüez, siempre vio en la IA la estrategia de la agricultura de precisión. Faltaba volverla concreta. Como lo cuenta Delgado:

Manglar lo volvió visible, lo volvió tangible y lo volvió una herramienta para una toma de decisiones acertada y oportuna.

La agricultura suele manejarse con promedios y datos empíricos. Medir la despoblación con precisión cambió eso, y con ello la forma en que el ingenio maneja el campo. No sin resistencia al principio: a quienes contaban a mano los espacios y los paquetes de semilla les costaba ver por qué cambiar. Delgado no lo minimiza:

La palabra «cambio» siempre genera resistencia, y más en un ámbito como el agrícola.

La respuesta fueron los datos. El equipo salió a hacer un conteo manual muy preciso y lo comparó con el de Manglar. Delgado describe el resultado:

Somos un equipo que le cree mucho a la tecnología, pero que le cree validando en campo […] las diferencias entre esa metodología versus la de Manglar fueron inferiores al 3 %.

Eso dio seguridad al personal del ingenio y a sus proveedores de caña, que tienen más del 65 % del área de Mayagüez, así que el ingenio les extendió los mapas. Hoy son los mayordomos quienes piden los mapas de resiembra para saber cuánta resiembra necesita cada suerte. Como lo resume Delgado:

Van más allá y dan un valor agregado: no es sólo entregar una imagen, no es sólo entregar el total de metros lineales en caña, es generar informes entendibles por el personal en campo.