Un pulverizador avanza entre plantas jóvenes de soja. Las cámaras no ven una alfombra verde: distinguen cultivo, suelo y maleza. Un ordenador decide en milisegundos qué boquilla debe abrirse y cuál debe permanecer cerrada. Al final de la pasada queda un mapa de cada detección y cada disparo. La imagen parece futurista, pero la técnica ya trabaja en campos reales.
La pregunta difícil no es si una máquina puede reconocer una planta. Es si puede hacerlo durante jornadas largas, entre polvo, sombras y hojas superpuestas; si controla la maleza durante toda la campaña; si el ahorro paga el equipo; y si agricultores, contratistas, técnicos y fabricantes consiguen mantenerlo. Una demostración perfecta no convierte una tecnología en corriente. La repetición rentable sí.
ParallaxSee pronostica con una confianza del 60% que, durante la campaña agrícola de 2035, al menos el 25% de la superficie combinada sembrada con maíz y soja en los 48 estados contiguos de Estados Unidos recibirá una aplicación posemergente de herbicida mediante reconocimiento de malezas con IA en tiempo real y pulverización automática localizada.
La unidad de medida importa. No pronosticamos que una cuarta parte de las explotaciones compre un robot, ni que el 25% de todos los tratamientos sea selectivo. Una hectárea contará una sola vez si recibe al menos una aplicación que cumpla la definición, aunque el servicio sea contratado y el tractor siga teniendo conductor. La orientación automática, los mapas preparados con anterioridad, el deshierbe mecánico y las pruebas de investigación no cuentan.
La evidencia ya permite imaginar esa escala sin confundir posibilidad con adopción. En Australia, un ensayo de pulverización robotizada en 25 hectáreas de caña redujo en promedio un 35% el herbicida y conservó el 97% de la eficacia del tratamiento uniforme. En Uruguay, una verificación independiente de INIA en cinco chacras observó un ahorro medio del 40%, con un rango enorme de 1% a 87%, y no detectó diferencias de control frente a la cobertura total. Son resultados prometedores y, a la vez, una advertencia: el valor depende de cuánta maleza haya, de cuál sea y de cómo se programe el sistema.
Esta edición investiga la predicción desde el mundo hispanohablante. Argentina y Uruguay ya prueban economía y desempeño; Chile y Colombia entrenan modelos con malezas locales; España conecta investigación, validación y regulación; México muestra la oportunidad de diseñar tecnología accesible. El futuro agrícola no será una exportación idéntica para cada campo. Será una capacidad compartida para reconocer mejor la variabilidad y actuar solo donde haga falta.
01 — La revolución cabe entre la cámara y la boquilla.
La pulverización localizada en tiempo real encadena cuatro operaciones. Una cámara captura el terreno; un modelo clasifica los píxeles o delimita plantas; el sistema calcula dónde estará el objetivo cuando llegue bajo la barra; y una electroválvula abre la boquilla correspondiente durante una fracción de segundo. Todo debe ocurrir a la velocidad de trabajo de una máquina agrícola.
Ese último detalle separa una buena fotografía de una herramienta de campo. La maleza cambia de forma con la edad, comparte color con el cultivo y puede quedar oculta. La iluminación varía dentro de una misma pasada. El polvo ensucia lentes. El viento mueve hojas y gotas. Un falso positivo desperdicia producto o daña el cultivo; un falso negativo deja una planta capaz de producir miles de semillas.
Chile ofrece una explicación práctica del camino. El INIA Quilamapu entrenó modelos con combinaciones locales de cultivo, especie, etapa de desarrollo, cámara e iluminación. Sus pruebas con YOLOv4 superaron un índice F1 de 0,80 y llegaron a 0,96 en algunas condiciones. El propio instituto señala lo que falta: integrar modelos dispersos, ampliar el rango de situaciones y llevar la inferencia a ordenadores capaces de trabajar dentro de la maquinaria.
La IA aporta una diferencia cualitativa frente a sensores que solo distinguen vegetación de suelo. Puede intentar separar una hoja de maíz de un amaranto, o una plántula de trigo de una amapola. El IAS-CSIC y la Universidad de Córdoba demostraron en España la detección temprana de Papaver rhoeas con imágenes milimétricas y una red YOLOv5 abierta. Identificar no equivale todavía a controlar, pero crea el dato preciso que la boquilla necesita.
La máquina corriente de 2035 no tendrá que ser autónoma. Bastará con que observe, decida y accione con suficiente rapidez y que deje una traza comprobable. La automatización completa del vehículo puede llegar después. Esta modularidad es una de las razones por las que el pronóstico resulta plausible: la inteligencia puede incorporarse a una labor que los agricultores ya realizan.
02 — El ahorro químico solo vale si el campo queda limpio.
La cifra comercial más atractiva suele ser el porcentaje de herbicida ahorrado. También es la más fácil de malinterpretar. Si solo el 10% de un barbecho tiene plantas verdes, una aplicación selectiva puede ahorrar muchísimo. Si la maleza cubre casi todo, la barra deberá abrir casi todas sus boquillas. El rango uruguayo de 1% a 87% no es una inconsistencia: retrata la biología real del lote.
El riesgo aparece cuando el operador aumenta el ahorro bajando la sensibilidad. Un ensayo de tres años de la Universidad de Arkansas en soja redujo entre 43% y 59% el volumen posemergente, pero la configuración menos sensible dejó escapar malezas; la población de amaranto de Palmer aumentó un 280% anual en ese tratamiento. Los investigadores favorecieron sensibilidad alta y un programa que mantiene herbicidas residuales de cobertura.
Esta conclusión es decisiva. La pulverización inteligente no sustituye automáticamente el manejo integrado. Debe convivir con rotación de modos de acción, cultivos de cobertura, monitoreo, control mecánico cuando convenga y prevención de semilla. Una sola superviviente resistente puede costar más que el producto ahorrado alrededor de ella.
También debemos diferenciar tres beneficios. El primero es privado: menos producto, menos recargas y quizá más superficie tratada por jornada. El segundo es agronómico: mantener control y rendimiento. El tercero es ambiental: reducir exposición fuera del objetivo, escorrentía y carga total. Pueden avanzar juntos, pero no son sinónimos. Una pasada adicional, una mezcla más cara o un fallo que obligue a repetir el tratamiento puede reducir el beneficio económico aunque baje el volumen aplicado.
El mejor indicador será el resultado de campaña: coste total por hectárea, malezas que escapan, banco de semillas, daño al cultivo y rendimiento. La IA se volverá corriente cuando los productores vuelvan a contratarla después de comparar esos registros, no cuando una exhibición muestre una hilera de boquillas parpadeando.
03 — Estados Unidos ya construyó la autopista de precisión.
El pronóstico fija su umbral en maíz y soja estadounidenses porque allí coinciden enorme superficie, explotaciones grandes, contratistas especializados y una infraestructura previa de agricultura de precisión. La encuesta del Servicio de Investigación Económica del USDA informó que en 2023 el guiado automático ya era utilizado por el 70% de las grandes explotaciones de cultivos y por el 52% de las medianas. Esa adopción no mide pulverización con IA; demuestra que una tecnología útil puede difundirse desde porcentajes mínimos hasta convertirse en equipo normal.
La nueva barra puede aprovechar tractores, redes de concesionarios, posicionamiento satelital y flujos digitales existentes. Los contratistas constituyen un puente importante: compran una máquina costosa, la utilizan en muchas hectáreas y venden el resultado como servicio. Así, una explotación puede aparecer en el numerador sin inmovilizar capital ni contratar a un especialista propio.
La escala también concentra riesgos. Las ventanas de tratamiento son cortas. Si cámaras, computación o electroválvulas fallan durante una semana crítica, no basta con que el proveedor prometa una actualización. Harán falta piezas, diagnóstico remoto, técnicos y un modo seguro de continuar. La ventaja de un equipo debe sobrevivir al coste de la parada.
La desigualdad por tamaño seguirá presente. Una tecnología puede cubrir el 25% de la superficie y continuar fuera del alcance de la mayoría de productores. La cifra prevista representa hectáreas, no justicia distributiva. Aun así, el servicio contratado, la adaptación de barras existentes y modelos de pago por superficie pueden ensanchar el acceso.
Para resolver la predicción usaremos la superficie definitiva combinada de maíz y soja de USDA NASS Quick Stats como denominador. Preferiremos una medición oficial compatible del uso tecnológico. El programa ARMS del USDA ya recoge prácticas y finanzas a nivel de campo, aunque hoy no publica exactamente este indicador. Si no lo hace, deberá existir una encuesta nacional representativa o un conjunto auditado que documente cómo evita contar dos veces la misma hectárea.
Ventas de máquinas, hectáreas acumuladas anunciadas por fabricantes y demostraciones no bastarán. El pronóstico trata de adopción anual verificable sobre una base agrícola definida.
04 — Uruguay y Argentina convierten el concepto en una cuenta de explotación.
Uruguay aporta una pieza excepcional: una evaluación externa de un sistema comercial en condiciones productivas. INIA dividió cinco chacras de barbecho en bloques y comparó 15 unidades selectivas con 15 de cobertura total. Tres o cuatro semanas después, la cobertura final fue prácticamente idéntica: 1,8% frente a 1,7%. La amplitud del ahorro confirma que ninguna promesa única sirve para todos los lotes.
El país lleva años colocando la aplicación precisa dentro de una transición agroecológica más amplia. Un informe de INIA Uruguay sobre trayectorias agroecológicas describe sistemas capaces de identificar y asperjar solo las malezas. La contribución más madura no consiste en abolir insumos de un día para otro, sino en conocer mejor dónde son necesarios y medir su efecto.
Argentina ofrece escala extensiva, experiencia contratista y una industria agtech densa. El INTA estudia desde hace décadas sensores, mapas y aplicación selectiva. Su análisis económico de 2025 sobre drones para generar mapas de prescripción de malezas recuerda que detectar y rociar pueden separarse: un vuelo previo produce el mapa y otro equipo ejecuta. Ese método no cumple la definición en tiempo real del pronóstico, pero puede ser más barato o robusto para ciertos productores y ejercer presión competitiva sobre la pulverización instantánea.
La difusión tampoco se limitará a soja y maíz. En 2026, el INTA documentó grupos AgTech en caña de azúcar, yerba mate y tabaco del norte argentino, con sensores de bajo coste, redes neuronales, drones y alfabetización digital. Esa diversidad importa para el mundo hispánico: una solución entrenada en cultivos extensivos no reconoce automáticamente una plantación subtropical ni encaja en la economía de una finca pequeña.
Uruguay enseña a verificar; Argentina, a escalar servicios y adaptar. Juntos muestran el mercado que realmente se formará: equipos, contratistas, ensayos públicos, agrónomos y conjuntos de imágenes locales. La IA visible será solo la punta de esa infraestructura.
05 — Chile y Colombia muestran por qué cada territorio necesita sus propios ojos.
Un modelo aprende de las imágenes que recibe. Si abundan campos despejados, hojas tempranas y luz uniforme, fallará justamente cuando el follaje cierre o aparezca una especie rara. La base de datos agrícola no es un catálogo decorativo: determina qué plantas serán vistas y cuáles permanecerán invisibles.
El programa chileno empezó en Maule y Ñuble con malezas, cultivos y etapas locales. Su objetivo de combinar cámaras aéreas y terrestres apunta a dos escalas: localizar rodales desde arriba y decidir a centímetros desde la barra. El conocimiento agronómico —cuándo una especie es vulnerable, cuánto daño causa y qué tratamiento corresponde— debe acompañar a la clasificación visual.
En Colombia, investigadores publicaron una detección de Cuscuta en pimiento mediante fotogrametría de dron y redes profundas. El trabajo usa una planta parásita amarillenta y un cultivo específico; no demuestra pulverización automática universal. Su valor está en mostrar una ruta accesible para localizar temprano una amenaza concreta y convertir imágenes en zonas de intervención.
La adopción colombiana también revela barreras que no aparecen en el laboratorio. Una revisión sistemática en la revista científica de AGROSAVIA encontró implementación incipiente y poca información nacional de adopción. Rentabilidad, formación, conectividad, escala, capacidad institucional y compatibilidad entre equipos deciden tanto como la precisión del algoritmo.
México añade el desafío de fabricar para estructuras productivas heterogéneas. Un desarrollo publicado por la revista del INIFAP construyó controladores capaces de variar en tiempo real fertilizante y agroquímico con errores pequeños. No reconoce malezas con IA, pero demuestra que universidades e institutos regionales pueden diseñar la electrónica de dosificación, en lugar de limitarse a importar una caja cerrada.
El modelo panhispánico más fértil será modular y auditable. Una cooperativa podrá compartir imágenes anotadas; un instituto, validar detección; un fabricante, integrar válvulas; y un técnico, ajustar el umbral sin perder la trazabilidad. La soberanía no exige fabricar cada sensor. Exige entender qué ve la máquina, qué decisión toma y cómo corregirla.
06 — España convertirá la precisión en infraestructura regulada.
España reúne cereal, olivar, viñedo, frutales e invernaderos, cada uno con geometrías de aplicación distintas. El diagnóstico del Observatorio para la Digitalización del Sector Agroalimentario del MAPA cataloga sensores, pulverizadores selectivos, robots y sistemas de dosis variable. El mensaje es importante: ya no hablamos de una sola máquina experimental, sino de una familia tecnológica que debe interoperar con explotaciones y normas reales.
La validación será un activo europeo. La Universidad de Córdoba describió en 2025 un caso de pulverización con visión artificial dentro de AgrifoodTEF. Estas instalaciones de ensayo permiten que pymes prueben IA antes de venderla. Para agricultura, validar significa exponer el sistema a condiciones variables, medir fallos y relacionar la salida digital con un efecto biológico.
La regulación puede acelerar el buen equipo. En 2024, la Unión Europea reconoció que determinadas técnicas de agricultura de precisión reducen exposición. Un reglamento sobre el uso del fungicida captan exige, en ciertos usos al aire libre en frutales, equipos que logren una reducción media de al menos 61% del producto por hectárea y 20% de la pérdida al suelo, manteniendo la dosis sobre la superficie objetivo. Es un caso regulatorio concreto, no una meta universal para herbicidas, pero muestra cómo el rendimiento verificable de una máquina puede entrar en una autorización.
La misma precisión crea nuevas obligaciones. Los mapas de malezas pueden revelar prácticas, productividad y vulnerabilidades de una explotación. Los registros de aplicación afectan cumplimiento y responsabilidad. El productor necesita saber quién conserva esos datos, si ayudan a entrenar modelos y si puede exportarlos al cambiar de proveedor.
Europa aportará normas, bancos de pruebas y un mercado que premia la reducción demostrada de exposición. América Latina aportará escala, diversidad y soluciones de coste ajustado. El intercambio será mucho más interesante que una simple transferencia norte-sur.
07 — El cuello de botella no será la inteligencia: será el acceso.
La tecnología agrícola se adopta cuando encaja en una red de crédito, asistencia, reparación y confianza. Una cámara más precisa no resuelve por sí sola la falta de conectividad, el coste del capital ni la incertidumbre sobre quién responde si el cultivo sufre daño.
El ecosistema regional está creciendo. El Radar AgTech de IICA y Embrapa identificó en 2026 unas 2.656 empresas emergentes agrícolas en 23 países: Argentina, México, Chile, Colombia y Uruguay aparecen detrás del enorme núcleo brasileño. Sensores, software, drones e IA ya forman un mercado latinoamericano, pero la oferta no equivale a uso estable.
El propio IICA estima que los agricultores utilizan menos del 5% de las herramientas digitales disponibles. Esa brecha explica por qué 2035 no es una fecha conservadora pese al rápido progreso del reconocimiento visual. Hay que convertir productos en servicios que solucionen una labor, soporten capacitación y entreguen una cuenta clara.
La pequeña agricultura requiere otra arquitectura comercial. Puede acceder mediante cooperativas, asociaciones de maquinaria, contratistas o programas de extensión. Las barras reacondicionables y el cómputo local reducen barreras. Una interfaz en español, que nombre malezas regionales y funcione sin conexión constante, no es un detalle de localización: es parte del rendimiento.
La inclusión también mejora el modelo. Si solo grandes empresas generan datos, la máquina aprenderá sus cultivos, equipos y condiciones. Incluir fincas pequeñas amplía la diversidad visual y agronómica, siempre con acuerdos justos sobre uso y propiedad de imágenes.
La agenda regional del IICA sobre digitalización agroalimentaria advierte fragmentación institucional, financiación insuficiente y riesgos de exclusión. La respuesta no consiste en frenar la automatización, sino en construir bienes públicos alrededor de ella: protocolos de validación, formación de técnicos, datos interoperables, conectividad rural y mecanismos para comparar el coste total.
08 — Tres curvas decidirán si se alcanza el 25%.
La primera curva es técnica. Asignamos un 90% condicional a que equipos adecuados logren control fiable en suficientes condiciones de maíz y soja. Cámaras, modelos y válvulas ya funcionan; el reto es sostener velocidad, sensibilidad y precisión durante campañas completas. La evidencia de Uruguay, Australia y Arkansas permite creer en la capacidad sin imaginar perfección.
La segunda curva es económica y contiene la mayor incertidumbre. Damos un 75% condicional a que, una vez fiable, el coste total resulte atractivo en suficiente superficie. El herbicida ahorrado debe pagar equipo, financiación, software, mantenimiento y riesgo de parada. Campos con infestación dispersa producen grandes ahorros; campos muy cubiertos, pocos. La ventaja promedio dependerá de la mezcla real de situaciones y del precio de los productos.
La tercera curva es industrial. Damos un 90% condicional a que fabricación, concesionarios, adaptación de barras y contratistas puedan atender la superficie necesaria una vez probadas las dos condiciones anteriores. El producto de 0,90, 0,75 y 0,90 es 60,75%, que redondeamos al 60%. Son juicios editoriales explícitos, no frecuencias medidas ni una salida calibrada de un modelo estadístico.
La sensibilidad muestra dónde mirar. Si la probabilidad económica baja de 75% a 55%, manteniendo las otras, el resultado combinado cae aproximadamente a 45%. Si sube a 90%, llega a cerca de 73%. Por eso una rebaja de hardware, una red contratista convincente o varios años de datos de retorno importan más que otro video de detección.
La adopción seguirá una forma conocida. Primero, explotaciones grandes y contratistas prueban en campos favorables. Después comparan campañas y amplían cultivos. Los fabricantes integran la opción en barras nuevas; talleres adaptan las existentes; aseguradoras y prestamistas aprenden a valorar el equipo. Finalmente, “pulverización inteligente” deja de ser una categoría especial y se convierte en una casilla dentro del plan de tratamiento.
El fracaso también tiene formas claras: control inconsistente, malezas resistentes que escapan, equipos que no se reparan a tiempo, ahorro insuficiente o datos encerrados en una marca. Cualquiera puede dejar una tecnología técnicamente brillante por debajo del umbral.
09 — En 2035 contaremos hectáreas, no promesas.
El período del evento es la campaña agrícola de 2035 en los 48 estados contiguos de Estados Unidos. El denominador será la superficie combinada sembrada con maíz y soja según las estimaciones finales del USDA. El numerador será la superficie que haya recibido al menos una aplicación posemergente de herbicida en la que cámaras y un modelo de IA reconozcan malezas en tiempo real dentro del cultivo y controlen automáticamente la entrega a puntos seleccionados.
Se admiten máquinas conducidas o autónomas, propias o contratadas. Cada hectárea se cuenta una vez por cultivo aunque reciba varias pasadas. No cuentan pulverización uniforme, guiado, aplicación de tasa variable basada solo en un mapa previo, deshierbe mecánico, ventas de equipos ni pruebas sin uso productivo. La contabilidad oficial determinará cómo tratar doble cultivo.
La campaña termina el 31 de diciembre de 2035 a las 23:59 UTC. Permitiremos que la evidencia se publique o revise hasta el 31 de diciembre de 2038. Una estimación nacional compatible de 25% o más resuelve verdadera; una inferior, falsa. Si faltan datos nacionales compatibles o estimaciones creíbles quedan a lados opuestos del umbral, el resultado será ambiguo, no una derrota automática.
Esta disciplina protege el significado de “corriente”. Un fabricante puede sumar la misma hectárea en varias pasadas o anunciar capacidad teórica. Nosotros buscamos tierra única realmente tratada durante una campaña. La fuente preferida será el USDA; la alternativa deberá ser representativa, transparente y auditada.
Volvamos a la soja del inicio. La cámara distingue una maleza, la boquilla se abre y el mapa conserva el evento. Nada de eso garantiza el futuro. Lo que lo construye es la campaña completa: control eficaz, menos producto desperdiciado, maquinaria disponible y una factura que invita a repetir.
El mundo hispanohablante ya posee todas las piezas intelectuales para participar: ensayos independientes, modelos locales, electrónica, contratistas, centros de validación y una red agtech creciente. Si las conecta con acceso y manejo agronómico, la pulverización selectiva no solo reducirá insumos. Enseñará a tratar cada metro de campo como un lugar distinto. Para 2035, esa manera de mirar tiene una probabilidad real de haberse vuelto normal.