José Belenguer Ballester
wwww.bibliotecahorticultura.com
José Belenguer Ballester
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
Resumen
El sector agroalimentario se halla en una encrucijada como resultado de la intensificación de las presiones climáticas, la volatilidad de los costes operativos y los requisitos normativos. En este contexto, la agricultura de precisión es la única solución viable para garantizar la competitividad, la resiliencia y la supervivencia del negocio.
La inteligencia agronómica basada en el dato se convierte en el motor de la transformación digital. Debe entenderse como un conjunto de tecnologías capaces de capturar la variabilidad de las explotaciones agrícolas y facilitar su transformación en conocimiento de negocio para la gestión moderna del sector.
En primer lugar, las tecnologías de monitorización y diagnóstico capturan datos e imágenes georreferenciados del clima, el suelo y el cultivo mediante sensores multinivel: desde estaciones meteorológicas, sensores de suelo y dispositivos IoT, pasando por robots terrestres, hasta drones y satélites. Como resultado del procesamiento de estos datos, se generan productos de diagnóstico como índices de vegetación, mapas de zonificación y estimaciones de biomasa. En segundo lugar, los sistemas de soporte a la decisión utilizan algoritmos de inteligencia artificial para integrar la información de las diversas fuentes y generar resultados como la prescripción variable de insumos y la de predicción del rendimiento y la calidad de cosecha.
En la traslación de las métricas agronómicas al ámbito empresarial es donde la agricultura de precisión demuestra su impacto operativo y estratégico. La aplicación variable de insumos permite una reducción drástica de los costes operativos y una mejora de los márgenes. A nivel estratégico, la digitalización garantiza la sostenibilidad normativa, facilitando el cumplimiento de las exigencias del Pacto Verde Europeo. También mejora la calidad, la homogeneidad del producto y la trazabilidad para el consumidor.
Sin embargo, la adopción masiva se ve frenada por distintos obstáculos. A nivel tecnológico, la brecha digital y de conectividad en algunas zonas rurales es limitante, así como la falta de interoperabilidad entre sistemas. A nivel económico, el alto coste de inversión inicial y la dificultad para analizar el ROI son críticos, especialmente para las pymes. La barrera humana y cultural es especialmente compleja: la falta de relevo generacional, el envejecimiento de la fuerza laboral agrícola y la insuficiente formación en nuevas competencias digitales dificultan la transformación del sector.
Para consolidar la AP, agricultura de precisión, como el pilar de la productividad futura, es imperativa una adopción decidida que se centre en la formación continua de los agentes y en el apoyo público a la I+D y los proyectos piloto, demostrando el valor práctico y económico de las soluciones digitales en entornos reales.
www.bibliotecahorticultura.com
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
1. El imperativo digital
El sector agroalimentario global se encuentra en una encrucijada histórica. La necesidad de alimentar a una población mundial creciente, que se espera que supere los 9.000 millones de personas para 2050, se topa con las presiones económicas, ambientales y regulatorias más intensas jamás experimentadas (Balyan et al., 2024; Istiak et al., 2023; Taha et al., 2025).
El imperativo digital surge de la confluencia de tres vectores de presión insostenibles para el modelo agrícola tradicional.
En primer lugar, el cambio climático está desestabilizando las prácticas agrícolas, generando temporadas irregulares, sequías severas y el aumento de la incidencia de plagas y enfermedades. Esto, sumado a la escasez crítica de recursos como el agua y la tierra arable, exige un nivel de eficiencia en el uso de insumos que la gestión uniforme de parcelas no puede proporcionar (Istiak et al., 2023; Mesías-Ruiz et al., 2023; Taha et al., 2025).
En segundo lugar, los costes de producción volátiles y la presión geopolítica amenazan la viabilidad y la rentabilidad de las explotaciones. La digitalización se presenta como una vía necesaria para lograr la contracción en la demanda de insumos básicos (agua, fertilizantes, fitosanitarios) y, por ende, el descenso de los costes de producción, asegurando la competitividad (Balyan et al., 2024; Comisión Europea, 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
En tercer lugar, el marco normativo europeo, liderado por el Pacto Verde Europeo y la estrategia
De la granja a la mesa, ha situado la sostenibilidad económica, social y medioambiental como una exigencia ineludible. La AP es fundamental para contribuir a los objetivos climáticos de la UE, incluida la neutralidad climática para 2050 (Comisión Europea, 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Reinhardt, 2023).
En este contexto, la agricultura de precisión (AP) no es una mera tendencia ni una opción de lujo tecnológico; es la única estrategia viable para entender y gestionar la complejidad biofísica inherente al campo. La producción agrícola se caracteriza por una elevada variabilidad espacial y temporal dentro de las parcelas en la composición del suelo, el vigor del cultivo y la aparición de focos de estrés que los métodos tradicionales, basados en la aplicación uniforme o en la intuición del operador, no logran abordar de manera eficiente. La transformación digital se convierte así en la "mejor esperanza" para salvar la brecha entre la necesidad de aumentar la productividad y la obligación de ser sostenibles (Balyan et al., 2024; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Reinhardt, 2023).
La AP debe entenderse como un conjunto de tecnologías facilitadoras cuyo valor reside en la inteligencia agronómica que genera, transformando datos masivos ¬recogidos a través de sensores, IoT, teledetección (satélites, drones) y robótica¬ en conocimiento de negocio. Al convertir la información de la variabilidad intrínseca de la parcela en prescripciones específicas y modelos predictivos, estos sistemas permiten sustituir la toma de decisiones subjetiva por una gestión basada en la evidencia. Este cambio de paradigma, de la intuición al dato, permite optimizar recursos, aumentar la resiliencia frente al clima y asegurar la trazabilidad y la calidad que demanda el mercado (Abiri et al., 2023; Soussi et al., 2024; Taha et al., 2025; Velusamy et al., 2021).
Solo entendiendo y aplicando la AP como el motor de inteligencia para la toma de decisiones, el sector podrá garantizar su prosperidad y su lugar en la economía del futuro.
La AP no es una moda tecnológica; ofrece un conjunto de tecnologías que facilitan la transformación digital del sector. Su valor reside en su capacidad para capturar datos sobre la complejidad biofísica del campo y transformarlos en información valiosa para la toma de decisiones.
2. Del dato al conocimiento agronómico
La AP no es una moda tecnológica; ofrece un conjunto de tecnologías que facilitan la transformación digital del sector. Su valor reside en su capacidad para capturar datos sobre la complejidad biofísica del campo y transformarlos en información valiosa para la toma de decisiones.
2.1. Monitorización y diagnóstico
La monitorización y el diagnóstico representan la fase de captación y procesamiento de datos, donde se mapea y se interpreta la realidad biofísica del campo. Las tecnologías actuales permiten transitar hacia sistemas automatizados de recolección de información, reduciendo la intervención manual.
Existe un factor que condiciona la efectividad de todo el sistema y que puede frenar la digitalización: la conectividad. Así pues, las redes de comunicaciones son fundamentales para la digitalización agrícola, ya que permiten la transmisión de los grandes volúmenes de datos generados por los sensores. Las redes de sensores inalámbricos (WSN, del inglés Wireless Sensor Networks) son fundamentales en la agricultura. Las tecnologías de largo alcance y bajo consumo (LPWA, del inglés Low-Power Wide-Area) ¬como LoRa/LoRaWAN (del inglés, Long Range/Long Range Wide Area Network) y NB-IoT (del inglés, NarrowBand Internet of Things)¬ son ideales para los entornos rurales. Ello es gracias a su bajo consumo energético y amplio rango de cobertura (de decenas de kilómetros), lo que facilita la conectividad de dispositivos desatendidos en el campo (Blanco-Carmona et al., 2023; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Shukla et al., 2023; Soussi et al., 2024).
La precisión, espacial y temporal, en la adquisición del dato agronómico reside en una de las innovaciones más valoradas: el geoposicionamiento. Esta tecnología utiliza sistemas satelitales GNSS (del inglés, Global Navigation Satellite System), como GPS (EE. UU.) o Galileo (Europa), para proporcionar posicionamiento, navegación y cronometraje. Los sistemas modernos combinan receptores GNSS con correcciones en tiempo real RTK (del inglés, Real-Time Kinematic). En estos sistemas, el protocolo NTRIP (Networked Transport of RTCM via Internet Protocol) permite conectar la estación base RTK con el rover (vehículo o sensor) a través de internet para transmitir las correcciones en tiempo real. De este modo, se consigue aumentar la precisión desde varios metros (GNSS) hasta unos pocos centímetros (RTK/NTRIP). Esta exactitud es vital para la navegación automatizada de los vehículos y la correcta georreferenciación de cada dato recogido, asegurando que la variabilidad espacial se registre de forma fiable (Balyan et al., 2024; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Soussi et al., 2024).
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
La captación de datos requiere una aproximación multinivel, actuando en varios estratos (clima, suelo y cultivo) y combinando diversas tecnologías y plataformas.
Los sensores ambientales son fundamentales para monitorizar las condiciones atmosféricas, incluyendo temperatura, humedad, precipitaciones, velocidad del viento y radiación solar. Estos datos son adquiridos a través de estaciones meteorológicas fijas, redes de sensores inalámbricos (WSN) o dispositivos IoT (del inglés, Internet of Things). Son vitales para la modelización del riesgo de plagas y enfermedades y la optimización de las estrategias de siembra, riego y cosecha (Blanco-Carmona et al., 2023; Shukla et al., 2023; Soussi et al., 2024).
Los sensores de suelo miden condiciones edáficas en diferentes profundidades, tales como humedad, temperatura, pH, salinidad y niveles de nutrientes como nitrógeno, potasio y fósforo. Estos dispositivos son cruciales para guiar las prácticas precisas de riego y fertilización, evitando el uso excesivo de recursos. Existen sensores que pueden ser instalados en la maquinaria agrícola para realizar análisis de conductividad eléctrica, por ejemplo, y generar mapas que revelen la posible heterogeneidad del suelo (Shukla et al., 2023; Soussi et al., 2024)
La maquinaria agrícola y los vehículos terrestres no tripulados (UGV, del inglés Unmanned Ground Vehicles) pueden equiparse con sensores para la recopilación de datos del cultivo durante sus operaciones. La integración de sensores ópticos y cámaras permite realizar una teledetección de proximidad que ofrece mediciones localizadas y de alta resolución a nivel de planta para caracterizar el cultivo o mapear el rendimiento (Wang et al., 2021).
Las imágenes satélites proporcionan datos de amplia cobertura espacial y temporal sobre el estado de los cultivos, el uso de la tierra y los patrones climáticos. Son ideales para la monitorización continua de grandes extensiones y el seguimiento de tendencias fenológicas a lo largo de la temporada de cultivo. La resolución espacial y las tasas de revisita de las imágenes satelitales gratuitas y de libre acceso son bajas: 10 metros y 5 días, en el caso de Sentinel-2. Sin embargo, existen proveedores comerciales, como Airbus Defence and Space o Planet Labs, que ofrecen de imágenes satelitales con resoluciones de hasta 50 centímetros actualizadas diariamente (Mmbando, 2025; Phang et al., 2023; Zhang & Zhu, 2023).
Los vehículos aéreos no tripulados (UAV, del inglés Unmanned Aerial Vehicles) o drones superan las limitaciones de los satélites en cuanto a resolución y tasa de revisita. Así pues, su popularidad ha ido en aumento gracias a las ventajas que ofrecen para el mapeo de parcelas o áreas específicas de interés. Cabe destacar su alta resolución espacial (hasta centímetros por píxel) y su flexibilidad, que permite la programación de la toma de imágenes en etapas críticas del desarrollo vegetativo, incluso en días nublados, a baja altitud (Balyan et al., 2024; de Castro et al., 2021; Mesías-Ruiz et al., 2023; Zhang & Zhu, 2023).
Las plataformas de teledetección (vehículos terrestres, drones, satélites) pueden equiparse con diversos sensores. La elección del sensor depende del objetivo agronómico y, a su vez, determina la calidad del diagnóstico. Los más habituales son los siguientes (Ahmad et al., 2023; de Castro et al., 2021; Phang et al., 2023; Radočaj et al., 2023; Vélez et al., 2023; Yang et al., 2025; Zhang & Zhu, 2023):
• Cámaras a color o RGB (del inglés, Red Green Blue): capturan imágenes visibles estándar (en color real). Se usan para inspección visual, caracterización estructural y conteo. Sensores
www.bibliotecahorticultura.com
Ópticos (RGB, Multiespectral, Hiperespectral): Son los más aplicados para la agricultura de precisión.
• Cámaras multiespectrales (MSI, del inglés MultiSpectral Imaging): miden la reflectancia de la luz en múltiples bandas discretas (típicamente, de 5 a 12). Habitualmente, incluyen bandas en el visible, el borde rojo (o red edge) y el infrarrojo cercano (NIR, del inglés Near InfraRed). Estas bandas son fundamentales para calcular índices de vegetación (VI, del inglés Vegetation Indices) que permiten evaluar el vigor vegetativo o detectar estrés o deficiencias nutricionales, entre otros.
• Cámaras hiperespectrales (HSI, del inglés HyperSpectral Imaging): proporcionan un espectro cuasicontinuo, al medir la reflectancia de la luz en cientos de bandas estrechas y contiguas. Los datos resultantes son más costosos y complejos de procesar, pero ofrecen un grado de detalle y discriminación espectral superior especialmente indicado para la identificación de especies o la detección de enfermedades o estrés.
• Cámaras térmicas: miden la radiación de calor emitida por la superficie foliar. Permite detectar variaciones de temperatura asociadas a estrés hídrico o enfermedad.
• Sensores LiDAR (del inglés, Light Detection And Ranging): utilizan pulsos láser para obtener coordenadas espaciales, incluso en condiciones de iluminación variables. Permiten crear modelos tridimensionales precisos ¬del terreno, la cubierta vegetal y la estructura de los árboles¬, cruciales para optimizar la aplicación de productos y estimar biomasa.
Figura 1. Las plataformas de teledetección, tanto terrestres como aéreas, pueden equiparse con diferentes tipos de sensores
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
La adecuada gestión y el análisis riguroso de la gran cantidad de datos generados por los sensores son esenciales para convertirlos en información útil. Esto requiere de un proceso de limpieza y corrección de los datos ¬para eliminar ruido, valores atípicos, georreferenciación, normalización y extracción de características. La fusión de datos de múltiples fuentes (satélites, drones, sensores de suelo, etc.) permite crear nuevos conjuntos de datos mejorados y aumentar la precisión del análisis. Esta estrategia es particularmente potente para abordar problemas complejos y no lineales como la monitorización de biomasa o brotes de plagas (Mesías-Ruiz et al., 2023; Omia et al., 2023; Vélez et al., 2023).
Como resultado del procesamiento de los datos capturados mediante las plataformas de monitorización, es posible obtener diversos productos, entre los que cabe destacar (Vélez et al., 2023; Zhang & Zhu, 2023):
• Índices de vegetación, calculados como combinaciones matemáticas de bandas espectrales. Ayudan a evaluar la condición y salud de los cultivos, identificando zonas bajo estrés (por agua o nutrientes) que requieren atención o tratamiento específico. El NDVI (del inglés, Normalized Difference Vegetation Index) es el índice más común e indica la densidad de la cubierta vegetal, el vigor y la salud de las plantas.
• Mapas de afectación de plagas y enfermedades, generados como resultado de la aplicación de algoritmos avanzados a imágenes espectrales. Facilitan la identificación, localización y clasificación de áreas afectadas por plagas y enfermedades, permitiendo la intervención localizada.
• Mapas de zonificación basados en el análisis espacial de series de datos temporales, incluyendo datos de rendimiento histórico. Se utilizan para la gestión del suelo, por ejemplo, para delimitar zonas de propiedad o de manejo dentro del campo.
• Estimaciones de biomasa y su potencial de secuestro de carbono de forma no destructiva.
2.2. Soporte a la decisión
La inteligencia agronómica encuentra su aplicación directa en los sistemas de soporte a la decisión (DSS, del inglés Decision Support Systems). Si los sistemas de monitorización y diagnóstico de la sección anterior se centran en "qué está pasando y dónde", los sistemas de soporte a la decisión se centran en "qué hay que hacer y cuándo". Así, los DSS contribuyen a la integración de la información, la prescripción variable y la predicción, convirtiéndose en enlaces entre las plataformas de monitorización y de actuación (Abiri et al., 2023; Mesías-Ruiz et al., 2023; Taha et al., 2025).
La complejidad biofísica de los ecosistemas agrícolas, con su vasta diversidad de síntomas, condiciones climáticas y decisiones de manejo, hace que el análisis sea un desafío y el principal cuello de botella en la protección de los cultivos. Por ello, el verdadero valor de un DSS no reside solo en su capacidad para procesar datos individuales, sino en su habilidad para integrar datos multitemporales de fuentes heterogéneas (sensores de suelo, estaciones climáticas, imágenes de teledetección…) (Omia et al., 2023; Taha et al., 2025).
La inteligencia artificial (IA), junto con sus subcampos del aprendizaje automático (ML, del inglés Machine Learning) y aprendizaje profundo (DL, Deep Learning), juega un papel esencial en esa
www.bibliotecahorticultura.com
función de integración de los DSS. Los algoritmos de IA permiten aprender de datos históricos, tratar problemas no lineales, revelar patrones complejos en los datos y construir modelos para clasificar, predecir rendimientos, identificar enfermedades y optimizar recursos. Por ejemplo, pueden correlacionar una anomalía detectada por un sensor multiespectral con un evento climático o una deficiencia hídrica medida en el suelo y, como resultado, generar un mapa de prescripción específica (Mesías-Ruiz et al., 2023).
Así, los DSS se convierten en sistemas inteligentes que facilitan la toma de decisiones informadas y basadas en la evidencia, proporcionando respuestas operacionales a partir de la información extraída de los datos. De este modo, transfieren el conocimiento práctico de vuelta al campo (Abiri et al., 2023).
Uno de los resultados tangibles de esta inteligencia agronómica es la prescripción variable (VRA, del inglés, Variable Rate Application). La VRA representa un avance significativo de la agricultura de precisión, al pasar de una aplicación uniforme de insumos a una aplicación a medida de las necesidades específicas de cada zona dentro de la parcela.
2. F La inteligencia agronómica encuentra su aplicación directa en los sistemas de soporte a la decisión
Por un lado, la VRA permite realizar una fertiirrigación a medida. Para ello, los DSS se basan en mapas de variabilidad del suelo y de zonificación de cada parcela ¬determinada mediante sensores de suelo, clima e índices de vegetación¬. Como resultado, generan órdenes de trabajo para ajustar el volumen y la composición del riego y la fertilización requeridos. Esto permite aplicar solo lo necesario, logrando una eficiencia de los recursos hídricos y nutricionales óptima (Radočaj et al., 2023).
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
Por otro lado, la VRA permite una aplicación localizada de productos fitosanitarios. En este caso, los DSS recurren a mapas generados mediante imágenes de teledetección y algoritmos de ML que facilitan la identificación de focos de malas hierbas, plagas o enfermedades. Esto se traduce en la aplicación de fitosanitarios y pesticidas solo donde son estrictamente necesarios. Como consecuencia, se reducen drásticamente los costes operativos, el uso de químicos y el impacto ambiental, alineando la actividad con las exigencias del Pacto Verde Europeo (Botero-Valencia et al., 2025; de Castro et al., 2021; Mmbando, 2025).
3. De la métrica agronómica al negocio sostenible
La inteligencia agronómica trasciende la mera optimización operativa y sofisticación tecnológica. Su verdadero valor reside en su capacidad para transformar las métricas agronómicas (salud del cultivo, variabilidad del suelo…) en beneficios empresariales tangibles: mayor productividad, rentabilidad y sostenibilidad. De este modo, ayuda a tomar decisiones que son críticas tanto para retorno de la inversión (ROI, del inglés Return Of Investment) inmediato como para el cumplimiento de los imperativos regulatorios futuros (Abiri et al., 2023; Balyan et al., 2024; Niedbała et al., 2023).
Figura 3. El verdadero valor de la inteligencia agronómica reside en su capacidad para transformar las métricas agronómicas en beneficios empresariales tangibles
El marco regulatorio europeo, liderado por el Pacto Verde Europeo y sus estrategias derivadas, ha situado la digitalización en el centro de la agenda de sostenibilidad y ha impulsado la transformación digital en la producción primaria. La AP es fundamental para que el sector agroalimentario pueda contribuir a los objetivos climáticos de la UE, incluyendo la neutralidad climática para 2050, y a la protección y restauración de la biodiversidad. Asimismo, la estrategia De la granja a la mesa (From farm to fork) establece una relación clara entre la agricultura sostenible, la economía circular de base biológica y la energía renovable. Para ello, la Política Agrícola Común (PAC) proporciona instrumentos de financiación para la adopción de prácticas
www.bibliotecahorticultura.com
más sostenibles y tecnologías de precisión que optimicen la producción (Comisión Europea, 2025; Gârban, 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Reinhardt, 2023).
Así pues, la sostenibilidad ya no es un objetivo deseable, sino una exigencia regulatoria y de mercado que define la competitividad futura del sector agroalimentario. La digitalización se percibe como la "mejor esperanza" para salvar la brecha entre la necesidad de aumentar la productividad y la obligación de ser sostenibles medioambiental, social y económicamente (Abiri et al., 2023; Balyan et al., 2024; Comisión Europea, 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Reinhardt, 2023)
El impacto directo de la AP en términos de eficiencia y rentabilidad de las explotaciones se cuantifica principalmente a través de dos vías: el aumento de la productividad y el rendimiento (ya sea en cantidad y/o calidad del producto) y, de forma más inmediata, la contracción en la demanda de insumos básicos (Abiri et al., 2023; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
En la sección anterior hemos visto cómo la AP permite obtener mapas de zonificación y definir zonas de manejo específicas para caracterizar y gestionar la variabilidad dentro de las parcelas. Su integración con DSS y VRA contribuye a la optimización del uso de insumos (agua, fertilizantes y fitosanitarios) y la consiguiente reducción de su impacto ambiental y de los costes operativos (Balyan et al., 2024; Botero-Valencia et al., 2025; Soussi et al., 2024).
En este sentido, es especialmente interesante su integración con el cuaderno de campo digital. Además de ser un requisito normativo, el CUE es una herramienta útil para el control de la sostenibilidad en las explotaciones agrícolas. El Ministerio de Agricultura, Pesca y Alimentación (MAPA) español pretende normalizar la información obtenida de dichas explotaciones a través del Sistema de Información de Explotaciones Agrarias (SIEX). Esta integración de datos busca reducir la carga administrativa para los agricultores, aplicando el principio de "recoger datos una vez, utilizarlos múltiples veces" (Comisión Europea, 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
No obstante, su impacto va más allá de la aplicación de insumos, adentrándose en la planificación estratégica y la sostenibilidad. Los sistemas avanzados combinan datos (climáticos, históricos, del estado actual del suelo y el cultivo) con modelos de IA para ofrecer previsiones precisas de cosecha antes de la recolección. Esta capacidad de predecir la cantidad y el momento de la cosecha es fundamental no solo para la gestión de la cadena de suministro, sino que influye también directamente en la calidad y la homogeneidad de los lotes. Ello permite a los productores, la distribución y la industria poscosecha planificar la logística, el almacenamiento y las operaciones de mercado con mayor certidumbre (Botero-Valencia et al., 2025; Longchamps et al., 2022).
La AP permite llevar la vinculación digital de la producción desde la explotación hasta el consumidor. Así se consigue fortalecer la cadena de valor, satisfaciendo la creciente demanda de los consumidores de transparencia, calidad y seguridad alimentaria. Las plataformas integran tecnologías para mejorar el almacenamiento, la trazabilidad y la transparencia de los datos. Esto permite incorporar información de valor añadido (origen, manejo, insumos, impacto medioambiental, etc.) y que los sellos distintivos de calidad, que certifican un modelo más
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
sostenible, sean valorados y potencialmente compensados por los consumidores (Balyan et al., 2024; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
La mitigación de los impactos ambientales y la eficiencia en el uso de los recursos naturales es una de las principales demandas de los consumidores. Esto incluye la reducción directa del consumo de energía y agua, así como la optimización en el uso de fertilizantes y pesticidas. Las herramientas MRV (del inglés, Measurement, Reporting, and Verification) son cruciales para fomentar prácticas en la agricultura que ayuden a mitigar el cambio climático. Por un lado, ayudan a demostrar el uso eficiente del agua y la reducción de la dependencia de agroquímicos, lo que mejora la resiliencia y la imagen de las explotaciones agrícolas. Por otro lado, permiten medir con precisión, notificar y certificar la cantidad de carbono almacenado mediante prácticas específicas de carbonocultura. Los agricultores tienen la oportunidad de aprovechar la carbonocultura como una fuente adicional de ingresos. Para ello, la UE ya ha establecido un marco voluntario de certificación, el cual requiere datos fiables, como los que ofrecen estas tecnologías, para supervisar y verificar las absorciones de carbono (Comisión Europea, 2025; Conti et al., 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
La digitalización no solo reduce el gasto, sino que maximiza el valor de la inversión. No obstante, su adopción está fuertemente condicionada por la percepción económica de la inversión y la demostración de su retorno. Muchos agentes del sector perciben el desembolso realizado en este tipo de tecnologías como un coste, en lugar de como una inversión estratégica que puede mejorar la gestión, la productividad económica y la sostenibilidad de su negocio. La rentabilidad de la actividad a la que va dirigida la herramienta digital y la dificultad para analizar el retorno de la inversión (ROI) son dos barreras significativas para su implementación. Para superarlas, resulta imperativo demostrar el valor financiero de este retorno para fomentar una adopción decidida (Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
4. El desafío de la transformación digital
La AP es el motor de la transformación digital. Sin embargo, su adopción generalizada se enfrenta a una serie de fricciones y obstáculos que deben abordarse con estrategias claras. Estos desafíos se agrupan en barreras operacionales (tecnología y costes) y barreras humanas (formación y sociodemografía). Superar estas limitaciones es crucial para asegurar que el sector pueda aprovechar plenamente el potencial de estas tecnologías (Abiri et al., 2023; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023)
4.1. Barreras tecnológicas y financieras
Las barreras para la transformación digital en el sector se agrupan principalmente en los ámbitos tecnológico y económico. Superar estas limitaciones requiere, en muchos casos, de la intervención administrativa y la innovación en los modelos de negocio (Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
La conectividad y la brecha digital en las zonas rurales se posicionan como la barrera tecnológica más crítica a la digitalización para los especialistas del sector agroalimentario español. Una conectividad deficiente impide el uso eficiente de dispositivos que requieren una integración continua de procesos físicos con infraestructuras de computación y redes de comunicación. No
www.bibliotecahorticultura.com
obstante, se están realizando grandes esfuerzos para expandir la conectividad. Las tecnologías de bajo consumo como LoRaWAN y NB-IoT son esenciales para el sector y altamente valoradas, especialmente para el despliegue de redes inalámbricas de sensores IoT. Por su parte, la tecnología de comunicación de quinta generación (5G) es considerada la de mayor interés para la cadena de valor. Esta ofrece importantes ventajas como la ultrabaja latencia, el gran volumen de datos intercambiables y el aumento de la velocidad. Por ello, la falta de infraestructura de comunicaciones de banda ancha limita severamente la capacidad para implementar soluciones de AP que dependen de la transferencia masiva y en tiempo real de datos (Abiri et al., 2023; Taha et al., 2025).
Figura 4. La conectividad y la brecha digital en las zonas rurales se posicionan como la barrera tecnológica más crítica a la digitalización para los especialistas del sector agroalimentario español
La segunda barrera tecnológica más relevante identificada es la interoperabilidad y la integración de herramientas. La eficacia de los DSS depende de la capacidad de fusionar datos heterogéneos (clima, suelo, cultivo) procedentes de múltiples plataformas y sensores. Sin embargo, muchos fabricantes tienden a utilizar protocolos específicos de tratamiento y compatibilidad de la información. Esta situación genera sistemas cerrados que limitan la conexión entre dispositivos de diferentes marcas, dificultando la integración y obligando a los operadores a depender de un único proveedor para toda su infraestructura digital. Por ello, es esencial mejorar la interoperabilidad entre las plataformas y dispositivos digitales, actuales y legados, para maximizar la efectividad de las soluciones tecnológicas. En este sentido, otros retos técnicos clave que afrontan los agentes es la complejidad en el manejo de las soluciones tecnológicas y la necesidad de que los modelos sean interpretables, flexibles y adaptables a la realidad específica de cadaexplotación (Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023; Taha et al., 2025).
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
En el plano económico, la digitalización se enfrenta a la baja rentabilidad percibida de la actividad agrícola donde se implementará la herramienta digital. El problema no solo es el coste inicial de la inversión, sino la percepción generalizada de la tecnología como un coste operativo y no como una inversión estratégica. En este sentido, la dificultad para analizar el ROI es un obstáculo fundamental. Esta dificultad es especialmente grave para las pequeñas y medianas explotaciones (pymes), que constituyen una parte fundamental de la agricultura en muchas regiones. Para ellas, el acceso a la innovación tecnológica es aún más difícil, ya que el coste de los equipos avanzados puede resultar prohibitivo o injustificado. Por ello, el papel de las administraciones públicas es vital para crear un entorno propicio que acelere la adopción de nuevas tecnologías. Para ello, deben seguir apoyando la investigación, la innovación y la inversión, por ejemplo, mediante la promoción de actividades de I+D y proyectos piloto de demostración de los resultados prácticos de las tecnologías en situaciones reales.
4.2. El factor humano y cultural
La tecnología, por sí sola, no puede impulsar la transformación sin el capital humano adecuado. La agricultura de precisión requiere un cambio profundo que va más allá del hardware y el software, impactando en la cultura, la formación y el perfil de los profesionales del sector. La sustitución de la intuición por el dato es, quizás, la transformación cultural más difícil de gestionar.
El obstáculo social más importante a la digitalización es la falta de relevo generacional. Esta situación está ligada al envejecimiento de la población rural y la disminución de la población en edad de trabajar. La avanzada edad de la fuerza laboral agrícola puede dificultar la transformación digital debido a la menor capacitación digital y a la resistencia a cambiar métodos tradicionales de trabajo. Coincidentemente, el fomento del relevo generacional constituye, en sí mismo, uno de los elementos facilitadores más importantes para acelerar el cambio tecnológico. Los jóvenes, al ser nativos digitales, tienen una mayor capacidad y cultura digital que los agricultores de mayor edad, lo que reduce las dificultades para usar las nuevas tecnologías. Por ello, su incorporación se considera imprescindible para la transformación digital del sector.
www.bibliotecahorticultura.com
Figura 5. El obstáculo social más importante a la digitalización es la falta de relevo generacional
A nivel personal, el obstáculo más relevante para la transformación digital es la insuficiente formación de los agentes del sector. Esto incluye la falta de mano de obra especializada e, incluso, la posible percepción errónea de algunos propios profesionales sobre sus competencias digitales, que les puede llevar a una utilización inadecuada o limitada de las nuevas tecnologías. Por ello, es fundamental invertir en la creación de un entorno propicio con actividades de asesoramiento y formación permanente en capacidades digitales. La nueva agricultura 5.0 busca precisamente generar nuevas oportunidades laborales que requieran experiencia técnica, mejorando la satisfacción laboral y cambiando la percepción del sector de ser un campo de baja cualificación a uno de alta cualificación (Comisión Europea, 2025; Ministerio de Agricultura & Grupo Cooperativo Cajamar, 2023).
5. La necesidad de una adopción decidida
La inteligencia agronómica basada en el dato no es una opción tecnológica, marginal o futurista; es la ruta más segura para que el sector agroalimentario pueda navegar la compleja realidad del siglo XXI. El imperativo digital se origina en la necesidad ineludible de gestionar la creciente presión de los costes operativos, la escasez de recursos como el agua, y las exigencias normativas y climáticas.
Hemos visto que la AP es, ante todo, un conjunto de tecnologías facilitadoras cuyo propósito central es alimentar los DSS. El valor de esta digitalización se encuentra en su capacidad para transformar datos heterogéneos y masivos (capturados por sensores de suelo, drones o satélites) en conocimiento aplicado, generando herramientas prácticas como la VRA y la predicción de rendimiento.
Desde una perspectiva empresarial, la adopción decidida de esta inteligencia impacta directamente en la sostenibilidad económica y estratégica. La aplicación variable y localizada de
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
insumos permite una reducción drástica de los costes operacionales y una mejora de los márgenes de rentabilidad. Además, la capacidad de cuantificar y comunicar el uso eficiente de recursos a través de herramientas digitales (como el cuaderno de explotación digital) se convierte en un activo regulatorio esencial para el cumplimiento y justificación de las exigencias del Pacto Verde Europeo y la PAC.
Sin embargo, el camino hacia la digitalización está sembrado de obstáculos que exigen un enfoque pragmático. Los actores implicados en esta transformación se enfrentan a realidades como la conectividad deficiente en zonas rurales y la falta de interoperabilidad entre las herramientas de diferentes fabricantes. A nivel económico, la inversión inicial sigue percibiéndose como un coste más que como una inversión, y la dificultad para analizar y demostrar el ROI frena la adopción masiva.
La barrera más importante, y la que definirá la velocidad de la transición, es la brecha humana y cultural. El sector requiere con urgencia profesionales formados y capacitados para el análisis de datos y la integración de sistemas. La falta de relevo generacional y la resistencia a sustituir la experiencia basada en la intuición por la gestión basada en el dato son retos que deben abordarse mediante la formación continua.
La experiencia demuestra que las tecnologías digitales, como los drones, son flexibles, rentables y ofrecen datos precisos si se implementan correctamente, superando las limitaciones de los sistemas tradicionales. Para garantizar que el sector coseche los beneficios de la digitalización, debe implementarse una adopción decidida y estratégica en torno a dos ejes principales:
• Inversión: Fomentar el desarrollo de herramientas prácticas, sencillas y flexibles, adaptadas a las necesidades específicas de cada explotación. Reforzar la infraestructura de comunicación para cerrar la brecha de conectividad rural. Promover la I+D y los proyectos piloto para mitigar el riesgo percibido de la inversión.
• Formación: Desarrollar planes adaptados que doten a los agentes de la cadena de las competencias digitales necesarias, haciendo hincapié en el análisis y la usabilidad de las herramientas.
Solo mediante una acción coordinada que aborde estas barreras tecnológicas, económicas y, sobre todo, humanas, la inteligencia agronómica se consolidará como el pilar de la productividad, la sostenibilidad y, en última instancia, la supervivencia competitiva del sector agroalimentario.
Bibliografía
Abiri, R., Rizan, N., Balasundram, S. K., Shahbazi, A. B., & Abdul-Hamid, H. (2023). Application of digital technologies for ensuring agricultural productivity. Heliyon, 9(12). https://doi.org/10.1016/J.HELIYON.2023.E22601
www.bibliotecahorticultura.com
Ahmad, A., Saraswat, D., & El Gamal, A. (2023). A survey on using deep learning techniques for plant disease diagnosis and recommendations for development of appropriate tools. Smart Agricultural Technology, 3. https://doi.org/10.1016/J.ATECH.2022.100083
Balyan, S., Jangir, H., Tripathi, S. N., Tripathi, A., Jhang, T., & Pandey, P. (2024). Seeding a Sustainable Future: Navigating the Digital Horizon of Smart Agriculture. Sustainability (Switzerland), 16(2). https://doi.org/10.3390/su16020475
Blanco-Carmona, P., Baeza-Moreno, L., Hidalgo-Fort, E., Martín-Clemente, R., González-Carvajal, R., & Muñoz-Chavero, F. (2023). AIoT in Agriculture: Safeguarding Crops from Pest and Disease Threats. Sensors, 23(24). https://doi.org/10.3390/S23249733
Botero-Valencia, J., García-Pineda, V., Valencia-Arias, A., Valencia, J., Reyes-Vera, E., MejiaHerrera, M., & Hernández-García, R. (2025). Machine Learning in Sustainable Agriculture: Systematic Review and Research Perspectives. Agriculture 2025, Vol. 15, Page 377, 15(4), 377. https://doi.org/10.3390/AGRICULTURE15040377
Comisión Europea. (2025). Una visión de la agricultura y la alimentación: configurando juntos un sector agrícola y agroalimentario atractivo para las generaciones futuras.
Conti, N., Della Rocca, G., Franciamore, F., Marra, E., Nigro, F., Nigrone, E., Ramadhan, R., Paris, P., Tárraga-Martínez, G., Belenguer-Ballester, J., Scatena, L., Lombardi, E., & Garosi, C. (2025). Tree Biomass Estimation in Agroforestry for Carbon Farming: A Comparative Analysis of Timing, Costs, and Methods. En Forests (Vol. 16, Número 8). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/f16081287
de Castro, A. I., Shi, Y., Maja, J. M., & Peña, J. M. (2021). UAVs for Vegetation Monitoring: Overview and Recent Scientific Contributions. Remote Sensing 2021, Vol. 13, Page 2139, 13(11), 2139. https://doi.org/10.3390/RS13112139
Gârban, G. (2025). From Fields to Frameworks: Empowering Farmers in EU Climate Action Empowering Farmers in EU Climate Action.
Istiak, M. A., Syeed, M. M. M., Hossain, M. S., Uddin, M. F., Hasan, M., Khan, R. H., & Azad, N. S. (2023). Adoption of Unmanned Aerial Vehicle (UAV) imagery in agricultural management: A systematic literature review. Ecological Informatics, 78, 102305. https://doi.org/10.1016/J.ECOINF.2023.102305
Longchamps, L., Tisseyre, B., Taylor, J., Sagoo, L., Momin, A., Fountas, S., Manfrini, L., Ampatzidis, Y., Schueller, J. K., & Khosla, R. (2022). Yield sensing technologies for perennial and annual horticultural crops: a review. Precision Agriculture, 23(6), 2407-2448. https://doi.org/10.1007/s11119-022-09906-2
Mesías-Ruiz, G. A., Pérez-Ortiz, M., Dorado, J., de Castro, A. I., & Peña, J. M. (2023). Boosting precision crop protection towards agriculture 5.0 via machine learning and emerging technologies: A contextual review. En Frontiers in Plant Science (Vol. 14). Frontiers Media S.A. https://doi.org/10.3389/fpls.2023.1143326
Inteligencia agronómica basada en el dato como motor de rentabilidad y sostenibilidad
Mmbando, G. S. (2025). Harnessing artificial intelligence and remote sensing in climate-smart agriculture: the current strategies needed for enhancing global food security. Cogent Food and Agriculture, 11(1). https://doi.org/10.1080/23311932.2025.2454354
Niedbała, G., Piekutowska, M., & Hara, P. (2023). New Trends and Challenges in Precision and Digital Agriculture. Agronomy, 13(8). https://doi.org/10.3390/AGRONOMY13082136
Ministerio de Agricultura, P. y A., & Grupo Cooperativo Cajamar. (2023). Observatorio para la Digitalización del Sector Agroalimentario. https://cpage.mpr.gob.es/
Omia, E., Bae, H., Park, E., Kim, M. S., Baek, I., Kabenge, I., & Cho, B.-K. (2023). Remote Sensing in Field Crop Monitoring: A Comprehensive Review of Sensor Systems, Data Analyses and Recent Advances. Remote Sensing, 15(2). https://doi.org/10.3390/rs15020354
Phang, S. K., Chiang, T. H. A., Happonen, A., & Chang, M. M. L. (2023). From Satellite to UAVBased Remote Sensing: A Review on Precision Agriculture. IEEE Access, 11, 127057127076. https://doi.org/10.1109/ACCESS.2023.3330886
Radočaj, D., Šiljeg, A., Marinović, R., & Jurišić, M. (2023). State of Major Vegetation Indices in Precision Agriculture Studies Indexed in Web of Science: A Review. En Agriculture (Vol. 13, Número 3). MDPI. https://doi.org/10.3390/agriculture13030707
Reinhardt, T. (2023). The farm to fork strategy and the digital transformation of the agrifood sector An assessment from the perspective of innovation systems. Applied Economic Perspectives and Policy, 45(2), 819-838. https://doi.org/10.1002/aepp.13246
Shukla, B. K., Maurya, N., & Sharma, M. (2023). Advancements in Sensor-Based Technologies for Precision Agriculture: An Exploration of Interoperability, Analytics and Deployment Strategies. Engineering Proceedings, 58(1). https://doi.org/10.3390/ECSA-10-16051
Soussi, A., Zero, E., Sacile, R., Trinchero, D., & Fossa, M. (2024). Smart Sensors and Smart Data for Precision Agriculture: A Review. Sensors, 24(8). https://doi.org/10.3390/S24082647
Taha, M. F., Mao, H., Zhang, Z., Elmasry, G., Awad, M. A., Abdalla, A., Mousa, S., Elwakeel, A. E., & Elsherbiny, O. (2025). Emerging Technologies for Precision Crop Management Towards Agriculture 5.0: A Comprehensive Overview. En Agriculture (Switzerland) (Vol. 15, Número 6). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/agriculture15060582
Vélez, S., Martínez-Peña, R., & Castrillo, D. (2023). Beyond Vegetation: A Review Unveiling Additional Insights into Agriculture and Forestry through the Application of Vegetation Indices. J, 6(3), 421-436. https://doi.org/10.3390/j6030028
Velusamy, P., Rajendran, S., Mahendran, R. K., Naseer, S., Shafiq, M., & Choi, J. G. (2021). Unmanned Aerial Vehicles (UAV) in Precision Agriculture: Applications and Challenges. Energies 2022, Vol. 15, Page 217, 15(1), 217. https://doi.org/10.3390/EN15010217
Wang, T., Liu, Y., Wang, M., Fan, Q., Tian, H., Qiao, X., & Li, Y. (2021). Applications of UAS in Crop Biomass Monitoring: A Review. Frontiers in Plant Science, 12, 616689. https://doi.org/10.3389/FPLS.2021.616689/XML/NLM
www.bibliotecahorticultura.com
Yang, Y., Mali, P., Arthur, L., Molaei, F., Atsyo, S., Geng, J., He, L., & Ghatrehsamani, S. (2025). Advanced technologies for precision tree fruit disease management: A review. Computers and Electronics in Agriculture, 229, 109704. https://doi.org/10.1016/J.COMPAG.2024.109704
Zhang, Z., & Zhu, L. (2023). A Review on Unmanned Aerial Vehicle Remote Sensing: Platforms, Sensors, Data Processing Methods, and Applications. Drones, 7(6). https://doi.org/10.3390/drones7060398
ESPECIALISTES EN SERVEIS PER A LA PRODUCCIÓ EDITORIAL, SL
Doctor Manuel Candela 26, 11ª 46021 VALENCIA – ESPAÑA
Tel.: +34-649 48 56 77 / info@poscosecha.com NIF: B-43458744
www.poscosecha.com www.postharvest.biz www.bibliotecahorticultura.com www.tecnologiahorticola.com www.actualfruveg.com