En el agro, innovar implica trabajar sobre problemas que muchas veces todavía no existen. Hasta ahora, desarrollar una nueva tecnología podía significar más de una década de investigación, ensayos y procesos regulatorios antes de llegar al productor. Para entonces, los desafíos del campo podían ser diferentes de los que existían al momento de comenzar ese desarrollo. 

Esa particularidad obliga a la industria a mirar más allá de la campaña siguiente. Resistencias que todavía no aparecieron, cambios en las condiciones productivas, nuevas exigencias regulatorias o productos que podrían perder efectividad dentro de algunos años forman parte de las variables que los científicos intentan anticipar desde los laboratorios.

"El trabajo de un equipo de Investigación y Desarrollo (I+D), especialmente del área de investigación, es identificar los problemas de los próximos 15 años", explica Camilla Corsi, directora global de Investigación y Desarrollo de Protección de Cultivos de Syngenta. "Nuestra tarea sigue siendo anticipar lo que necesita el productor a partir de lo que ocurre en el campo. Hoy podemos ser un poco más rápidos y reducir esos tiempos”. 

Corsi lidera un equipo global de más de 3 mil especialistas. La compañía invierte unos 2 mil millones al año en I+D en todas sus unidades de negocio.

Marcos Bradley, director regional para Latinoamérica de Syngenta, lo traduce a una experiencia concreta. "Hace siete años, alguien de Investigación y Desarrollo 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 más tarde, eso fue exactamente lo que ocurrió", relata.

La anécdota sintetiza uno de los principales desafíos de la innovación agrícola: la investigación no trabaja solamente para solucionar los problemas actuales, sino para anticiparse a los que todavía no aparecieron.

La ciencia predictiva

Durante décadas, desarrollar una solución de protección de cultivos implicaba evaluar miles de moléculas mediante procesos experimentales sucesivos. Ese paradigma comenzó a modificarse con el desarrollo de modelos capaces de utilizar grandes volúmenes de información para anticipar resultados antes de avanzar hacia las siguientes etapas de investigación. 

Los modelos ayudan a anticipar la aparición de resistencias, estimar perfiles toxicológicos, evaluar mezclas de productos e incluso diseñar moléculas considerando las exigencias regulatorias de distintos mercados antes de comenzar los procesos de desarrollo. La inteligencia artificial y el aprendizaje automático se incorporaron como herramientas para potenciar ese proceso. "La IA no es solamente el futuro, es el presente. Venimos trabajando con modelos predictivos y modelos de lenguaje desde hace casi diez años", sostiene Corsi.

La consecuencia no es solamente una reducción de tiempos. También cambia la forma en que los científicos deciden dónde concentrar los recursos. Bradley explica que antes podían ser necesarias unas 10.000 moléculas para obtener una exitosa. Los modelos predictivos permiten reducir ese universo desde las primeras etapas y concentrar los ensayos sobre aquellas alternativas con mayores probabilidades de avanzar. 

Uno de los ejemplos es Authence®, un nuevo herbicida diseñado para controlar malezas gramíneas resistentes que la compañía lanzó a nivel global en Argentina en junio de este año. La elección del país para lanzar primero aquí algunas tecnologías no responde solamente al tamaño del mercado, sino también a las características de su sistema productivo y a la velocidad con la que aparecen determinados desafíos.

El proyecto comenzó hace más de diez años, cuando esa problemática todavía no tenía el lugar que ocupa actualmente dentro de la agenda agrícola: hoy, las malezas gramíneas resistentes afectan a alrededor del 70% del territorio productivo argentino y pueden provocar pérdidas de rendimiento de hasta el 70%. Gracias al uso de ciencia predictiva y modelos de aprendizaje automático, sumado al trabajo de los científicos, su desarrollo terminó realizándose en un plazo inferior al habitual para la industria. 

Es justamente ese escenario el que permite entender la anécdota de Bradley sobre aquel producto que, siete años antes de su lanzamiento, todavía no parecía ofrecer una ventaja evidente. El valor de la innovación estaba en anticipar cuáles serían las necesidades del productor cuando finalmente estuviera disponible.

En una industria donde una innovación puede tardar más de una década en llegar al mercado, anticiparse es parte central del proceso científico. Las nuevas herramientas permiten reducir la incertidumbre y mejorar las decisiones, pero el desafío de fondo sigue siendo el mismo: anticiparse a las necesidades y desafíos del campo del futuro antes de que ese futuro llegue