Casos de sucesso do campo.

Para Elizabeth Hernández, gerente de Planejamento de Agave da Casa Sauza, o primeiro problema que os drones resolveram não foi técnico, e sim de pessoas. A Sauza controlava suas 30 milhões de plantas de agave com duas equipes de 20 pessoas, que percorriam os campos duas vezes por ano contando planta por planta, e cada vez menos gente queria esse trabalho. Como conta 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.

É um trabalho muito pesado: imagine 40 graus de calor em Nayarit, contando agave por agave, verificando se as plantas continuam lá e sem danos.

Um drone pode sobrevoar um campo e fotografá-lo. Distinguir um agave de uma planta daninha ou de uma pedra é outra história, e nenhuma ferramenta disponível fazia isso. A Sauza precisava de uma feita para o agave.

Foi aí que a Manglar entrou. A equipe treinou um modelo de IA para reconhecer o agave azul em imagens de drone, e a Sauza se tornou o primeiro cliente de agave da Manglar. Germán Medina, CEO da Manglar, lembra como tudo começou:

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.

Já tínhamos experiência com culturas na Colômbia; o que fizemos para a Sauza foi construir um modelo de inteligência artificial para o agave. Foi o primeiro cliente com quem trabalhamos em agave.

Logo ficou claro que contar não bastava. As daninhas reduzem o peso das plantas em cada fase do ciclo de seis anos, então os modelos aprenderam a mapear reboleiras de daninhas e a sinalizar plantas doentes ou com pragas. Hoje esses mapas guiam os drones para aplicar herbicida só onde precisa, em vez de aplicar no campo inteiro com bombas costais ou aviões agrícolas.

Hoje a Sauza conta a cada dois meses o agave de 60% dos seus campos, com a meta de chegar a 90%. Seus agrônomos veem cada campo em uma plataforma digital na semana seguinte ao voo, e planejam a partir dali. Hernández dá um exemplo do que seus agrônomos podem dizer hoje:

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.

Agora sei que naquela área há daninhas, doenças, agave murcho… então no meu próximo plano semanal vou incluir a solução.

Como cada planta é acompanhada em relação a metas anuais, a Sauza não espera seis anos para ver como foi uma lavoura: já consegue projetar como seus campos vão atender à demanda de tequila com anos de antecedência. O que começou como resposta à falta de mão de obra hoje faz parte de como a empresa planeja. Como resume Hernández:

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

Não vou ver os resultados só no final, mas ano a ano, e isso nos permite ter um plano.

Com base no artigo de Zacarías Ramírez na Fortune en Español, abril de 2020.

No vale do rio Cauca, na Colômbia, o clima permite plantar e colher cana o ano todo. Mas não é o clima que mantém a região competitiva: são as tecnologias que suas usinas adotam e o conhecimento que constroem com elas.

Há alguns anos, Diego Sandoval, diretor de Agricultura de Precisão e SIG do Ingenio Providencia, via a IA aplicada ao agro como algo distante. Duvidava que alguma empresa pudesse resolver aquilo de que a usina precisava, a começar pelo pisoteio na colheita mecanizada. Como conta 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.

Toda a parte tecnológica, a capacidade e a equipe por trás mudaram minha perspectiva: entendi que era algo alcançável, que estávamos perto e que havia uma empresa colombiana capaz de fazê-lo.

O objetivo era claro: reduzir ao máximo o pisoteio e evitar problemas futuros nos talhões. A Manglar traça as linhas de plantio automaticamente em imagens de drone, e hoje essas linhas alimentam o piloto automático das colhedoras da Providencia.

Com a máquina se guiando sozinha pelas linhas, há menos pisoteio e menos danos, e o operador pode se concentrar na qualidade do corte em vez da direção da colhedora. A Providencia colhe todos os dias, então as linhas são testadas todos os dias, e a equipe as usa sem reclamações. Sandoval diz sem rodeios:

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

A precisão do traçado automático das linhas de plantio da Manglar é muito boa, e isso se comprova todos os dias.

Convencer a usina foi simples, diz Sandoval. Além do custo, um único voo de drone traz muito mais que linhas de plantio: informações detalhadas de cada talhão. Nas palavras de Sandoval:

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

Não há comparação entre o custo da metodologia da Manglar e o de outras metodologias.

Hoje a Providencia trabalha com a Manglar como um parceiro estratégico: alguém que acompanha a evolução da agricultura de precisão da usina, lida com grandes volumes de dados e desenvolve ferramentas sob medida. Como 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.

Do que mais gostamos na Manglar é a capacidade de adaptação, a mente aberta para ouvir ideias, a equipe técnica e a confiança que construíram ao longo destes anos: quando disseram “Diga sua necessidade, vamos ver como resolver”, resolveram.

As falhas no estande, trechos de linha sem cana ou sem rebrota, decidem onde replantar e quanto. Antes de a Manglar chegar ao setor sucroenergético, as equipes as mediam à mão e extrapolavam uma amostra para toda a área. Era impreciso: rebrotas pequenas são difíceis de ver mesmo percorrendo o talhão a pé.

Em imagens de drone de ultra-alta resolução, os modelos da Manglar detectam até as menores rebrotas e medem as falhas linha por linha. Catalina Delgado, diretora de Agricultura de Precisão e SIG do Ingenio Mayagüez, sempre viu na IA a estratégia da agricultura de precisão. Faltava torná-la concreta. Como conta Delgado:

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

A Manglar tornou isso visível, tangível e uma ferramenta para decisões certeiras e oportunas.

A agricultura costuma funcionar com médias e dados empíricos. Medir as falhas com precisão mudou isso, e com isso a forma como a usina maneja o campo. Não sem resistência no início: quem contava falhas e feixes de muda à mão não via por que mudar. Delgado não minimiza isso:

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

A palavra “mudança” sempre gera resistência, ainda mais na agricultura.

A resposta foram os dados. A equipe foi a campo, fez uma contagem manual cuidadosa e a comparou com a da Manglar. Delgado descreve o 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 %.

Somos uma equipe que acredita muito na tecnologia, mas acredita validando em campo […] as diferenças entre esse método e o da Manglar foram inferiores a 3%.

Isso deu segurança à equipe da usina e aos seus fornecedores de cana, que cultivam mais de 65% da área da Mayagüez, e a usina estendeu os mapas a eles. Hoje são os supervisores de campo que pedem os mapas de replantio para saber quanto replantar em cada talhão. Como 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.

Eles vão além e agregam valor: não é só entregar uma imagem ou o total de metros lineares de cana, é gerar relatórios que a equipe de campo entende.