Mientras buena parte de la conversación global sobre inteligencia artificial gira en torno a asistentes virtuales, generación de contenido o automatización de tareas, otra transformación avanza con mucho menos ruido dentro de los laboratorios que desarrollan la próxima generación de tecnologías agrícolas.

En una industria donde llevar una innovación desde la investigación hasta el productor puede demandar más de una década, la inteligencia artificial dejó de ser una promesa para convertirse en una herramienta que ayuda a anticipar problemas, reducir los tiempos de desarrollo y tomar decisiones apoyadas en modelos predictivos en lugar del tradicional método de prueba y error.

"El trabajo de un equipo de Investigación y Desarrollo, especialmente del área de investigación, es identificar los problemas de los próximos 15 años", explica Camilla Corsi, Head of Crop Protection Research & Development de Syngenta, durante una visita a la Argentina. "Hoy podemos ser un poco más rápidos, probablemente reducir alrededor de un año los tiempos de investigación o de desarrollo, pero nuestro trabajo sigue siendo pensar muy por delante de lo que ocurre en el campo".

La ejecutiva lidera una organización integrada por más de 3.300 especialistas distribuidos globalmente y un presupuesto anual superior a US$ 830 millones destinado únicamente a investigación y desarrollo en protección de cultivos.

De la prueba y error a la ciencia predictiva

Durante décadas, desarrollar un herbicida implicaba evaluar miles de moléculas mediante procesos experimentales sucesivos. Hoy ese paradigma comenzó a modificarse. Según explica Corsi, Syngenta trabaja con modelos predictivos desde hace casi una década, mucho antes de que la inteligencia artificial generativa popularizara esta tecnología.

"La IA no es solamente el futuro. La IA es el presente. Venimos trabajando con modelos predictivos y modelos de lenguaje desde hace nueve o diez años. Y la base de toda esa oportunidad es la enorme base de datos que construimos durante más de 100 años", sostiene.

Ese volumen de información permite entrenar modelos capaces de anticipar fenómenos que antes sólo podían comprobarse muchos años después mediante ensayos de campo. La inteligencia artificial hoy ayuda a proyectar la aparición de resistencias, estimar perfiles toxicológicos, evaluar mezclas de productos e incluso diseñar moléculas considerando las exigencias regulatorias de distintos mercados antes de iniciar los procesos de desarrollo.

"Uno de los principales motivos por los que un producto fracasa en etapas avanzadas es la toxicología. Después de trabajar ocho o diez años en un desarrollo, encontrarse con un fracaso es muy duro y muy costoso. Hoy podemos predecir desde el comienzo cuál puede ser un mejor punto de partida", afirma.

Explorar un universo que antes era inaccesible

Para explicar el cambio que introdujo la inteligencia artificial, Corsi utiliza una comparación poco habitual y describe al universo químico como un espacio prácticamente infinito. "El espacio químico es inmenso, comparable a un universo. Durante el último siglo todas las compañías estuvimos trabajando apenas en un par de planetas. Hoy la inteligencia artificial nos da la oportunidad de explorar ese universo y descubrir nuevos planetas", explica.

La consecuencia práctica es una reducción significativa del número de moléculas que deben sintetizarse y evaluarse hasta encontrar una candidata con potencial comercial. Como resume Marcos Bradley, director regional para Latinoamérica de Syngenta, antes podían ser necesarias unas 10.000 moléculas para obtener una exitosa. Hoy, gracias a los modelos predictivos, ese proceso se acorta considerablemente porque la inteligencia artificial reduce la incertidumbre desde las primeras etapas del desarrollo.

Argentina como laboratorio de innovación

La elección de Argentina para lanzar primero algunas tecnologías no responde solamente al tamaño del mercado sino también a la idiosincrasia propia del agro local. Uno de los ejemplos más claros de esa lógica es el desarrollo de Authence, un nuevo herbicida diseñado para controlar malezas gramíneas resistentes. El proyecto comenzó hace más de diez años, cuando la resistencia todavía no ocupaba el lugar que tiene hoy dentro de la agenda agrícola. La solución terminó desarrollándose en un plazo inferior al habitual para la industria gracias al uso de ciencia predictiva y modelos de aprendizaje automático.

Actualmente, las malezas resistentes afectan alrededor del 70% del territorio productivo argentino y pueden provocar pérdidas de rendimiento de hasta el 70%, lo que convirtió a ese problema en uno de los principales desafíos para el sector. 

Bradley recuerda incluso una conversación que ilustra ese cambio de mentalidad. "Hace siete años un investigador me mostró un producto que iba a llegar siete años después. Le pregunté por qué estábamos desarrollando algo que no parecía mejor que lo que ya existía. Me respondió que, para cuando llegara al mercado, la resistencia habría hecho que el producto actual dejara de funcionar. Siete años después, eso fue exactamente lo que ocurrió", relata.

Para el ejecutivo, ese episodio terminó demostrando que hoy la investigación agrícola ya no trabaja solamente para resolver los problemas actuales, sino para anticiparse a los que todavía no aparecieron.

El productor también forma parte del laboratorio

Otro cambio importante es que la innovación dejó de producirse exclusivamente dentro de un centro de investigación. Durante las últimas etapas del desarrollo, Syngenta trabaja con productores e influencers técnicos que prueban las tecnologías en condiciones reales, generan información propia y retroalimentan a los equipos científicos.

Según Bradley, ese proceso cumple una doble función: validar el desempeño del producto y construir confianza antes de su lanzamiento comercial. "Les damos el producto y les decimos: 'Probalo y decime qué pensás'. Después ellos mismos nos presentan los datos obtenidos en sus campos. Eso genera confianza y compromiso", explica.

Corsi agrega que los datos aportados por los productores no reemplazan la enorme base de información propia de la compañía, pero sí ayudan a validar hipótesis y adaptar las soluciones a las condiciones específicas de cada región.

Una investigación cada vez más interdisciplinaria

La incorporación de inteligencia artificial también modificó la composición de los equipos de investigación. Además de químicos, agrónomos y biólogos, hoy participan científicos de datos distribuidos tanto en las áreas de investigación como de desarrollo y de negocios.

"Ya no se trata solamente de la opinión de Camilla o de Marcos. Hoy existen modelos muy robustos que ayudan a los científicos a tomar decisiones y a tener mejores discusiones", sostiene Corsi.

Ese cambio también acorta la distancia entre el laboratorio y el campo. La información obtenida por los equipos comerciales y los productores vuelve a los centros de investigación, donde alimenta nuevos modelos predictivos que permiten ajustar la siguiente generación de tecnologías.

En un negocio donde una innovación tarda más de una década en llegar al mercado, la inteligencia artificial se volvió una herramienta estratégica. No porque reemplace a los científicos, sino porque les permite mirar más lejos, conectar mejor la información y aumentar las probabilidades de que la solución llegue justo cuando el problema aparece.