
Previsión del rendimiento agrícola con IA: el agente AgriAI
El agente Previsión de AgriAI estima cuánto y cuándo cosecharás y cuánto cuesta cada kilo, para organizar mano de obra, ventas y entregas.
Agente de previsión de la producción
Sabes cuánto cosechas, cuándo y cuánto te cuesta.
Qué hace
- Estima la cantidad y la fecha de la cosecha por sector
- Actualiza la estimación cada día con el clima y el crecimiento
- Calcula costes, agua y energía por cada kilo
- Ayuda a organizar la mano de obra y la cosecha
- Prepara los datos para ventas, compradores y entregas
- Compara temporadas para mejorar la siguiente
Cómo trabaja, paso a paso

Reúne histórico de rendimientos, clima, crecimiento y datos de los otros agentes 
Estima cantidad y fecha de cosecha por sector 
Actualiza la estimación cada día y calcula costes, agua y energía por kilo 
Te prepara el plan de cosecha y los datos para ventas y entregas
Análisis agronómico
La ciencia detrás del agente
Prever el rendimiento significa convertir el crecimiento de la planta en números: cuántos frutos cuajan, cuánto tardan en madurar, cuánto pesan. No es una bola de cristal, es fisiología aplicada a los datos, y se vuelve más precisa cada semana.
La planta cuenta el calor
El desarrollo de un cultivo depende del calor acumulado más que de los días de calendario. Se usan los grados día: cada día se suma cuánto supera la temperatura media un umbral mínimo por debajo del cual la planta apenas crece, que para el pimiento suele situarse en torno a 10 °C. Del cuajado a la cosecha hace falta cierta suma de grados día: si hace más calor, se llega antes.
De la luz a los kilos
La cantidad final depende de la luz que interceptan las hojas y de cómo reparte la planta los azúcares entre hojas y frutos. El pimiento, en particular, alterna periodos de fuerte cuajado con periodos en que caen las flores, porque los frutos ya presentes absorben los recursos: una previsión seria debe tener en cuenta estas oleadas.
Cómo razona el agente
El agente combina dos enfoques: un modelo de crecimiento basado en grados día y luz, que funciona incluso con pocos datos, y un modelo estadístico que aprende de las temporadas de cada explotación. Al principio pesa más el primero, después el segundo. Cada semana compara la estimación con la cosecha real y se corrige, y siempre muestra un intervalo, no un solo número.
Los datos necesarios y cómo recogerlos
Se eligen plantas de muestra representativas y cada semana se cuentan flores, frutos cuajados y frutos en crecimiento, midiendo algunos. En la cosecha se pesa por sector y se registra el reparto por calibre y categoría comercial, porque un kilo de primera no vale lo mismo que un kilo de destrío. Son pocos minutos a la semana que hacen la previsión diez veces más útil.
De la fisiología al aprendizaje automático
Los modelos de crecimiento describen el cultivo con ecuaciones sobre la luz interceptada, la fotosíntesis y el reparto de azúcares: funcionan enseguida pero hay que calibrarlos para la variedad. Los modelos estadísticos y de aprendizaje automático aprenden de los datos de cada explotación, pero necesitan historia. Un enfoque híbrido usa el primero como base y el segundo para corregir sus errores sistemáticos.
Cada modelo se verifica «hacia atrás»: se finge estar a inicio de temporada, se prevé con los datos de entonces y se compara con lo que ocurrió de verdad. Es la forma honesta de saber cuánto fiarse de una previsión antes de usarla para firmar un contrato.
De la previsión a las decisiones
Una previsión sirve si cambia una decisión: cuántas personas llamar para la cosecha y cuándo, cuánto producto comprometer con un comprador, cómo organizar transportes y cadena de frío. Uniendo los datos de los otros agentes, el agente calcula también el coste de agua, energía y abono por kilo: el número que dice dónde gana de verdad la explotación.
Los límites que hay que conocer
Ningún modelo prevé una granizada, una avería de la instalación o una epidemia repentina. El primer año la incertidumbre es mayor, porque el modelo aún no conoce la explotación. Por eso el agente siempre muestra un intervalo y lo actualiza en cuanto llegan datos nuevos: una previsión que declara sus límites es más útil que una que promete certezas.
Los parámetros que importan
| Parámetro | Referencia | Por qué importa |
|---|---|---|
| Grados día acumulados | Suma diaria por encima del umbral del cultivo (para el pimiento a menudo ~10 °C) | Estiman cuándo estarán maduros los frutos |
| Frutos cuajados por planta | Recuento semanal en plantas de muestra | Son la cosecha de las próximas semanas |
| Peso medio del fruto | De las pesadas de cosecha, por variedad | Convierte el número de frutos en kilos |
| Luz acumulada | Suma semanal de radiación | Limita cuántos frutos puede llevar la planta a maduración |
Valores de referencia de la literatura agronómica para hortícolas de invernadero sin suelo: siempre hay que calibrarlos según cultivo, variedad, fase y clima local.
Los sensores que usa
Qué mide cada uno, dónde se instala y el detalle que marca la diferencia. «Base» es necesario para empezar, «Extra» añade precisión. Ver la lista completa de todos los agentes
- Sonda de humedad del sustratoBaseAgua disponible en el sustrato o el suelo (contenido volumétrico de agua); muchas sondas miden también EC y temperaturaEn la tabla o el suelo, a la altura de las raíces, en plantas representativas de cada sectorHacen falta varias sondas por sector: una sola medida describe una planta, no el invernadero.
- Temperatura y humedad del aire (caja ventilada)BaseTemperatura y humedad relativa; de ellas se calculan el VPD y el punto de rocíoA la altura de la vegetación, en una caja protegida y ventilada, al menos una por compartimentoSin protección y ventilación el sol falsea la lectura incluso varios grados.
- Sensor de CO₂ (infrarrojo NDIR)BaseConcentración de dióxido de carbono en ppmEn medio del cultivo, lejos de puertas y quemadoresHay que comprobarlo periódicamente con aire exterior o un gas de referencia.
- Sensor de luz PARBaseLuz útil para la fotosíntesis en µmol/m²/s y el total acumulado del díaSobre el cultivo, nivelado y sin sombrasLa luz acumulada guía el riego, la dosificación de CO₂ y la estimación del crecimiento.
- Estación meteorológicaBaseTemperatura, humedad, radiación solar, viento y lluvia fuera del invernaderoEncima o al lado del invernadero, lejos de obstáculosViento y lluvia sirven también para la seguridad: cerrar ventanas antes de la tormenta.
- Previsión meteorológicaBaseTemperatura, radiación y lluvia esperadas en los próximos díasServicio de datos en línea: no hay que instalar nadaPermiten anticiparse en lugar de perseguir, por ejemplo calentar menos antes de un día de sol.
- Cámaras fijas o sobre carroBaseImágenes de las plantas para reconocer síntomas y contar flores y frutosEn un carro que corre sobre los tubos de calefacción, o en puntos fijosLas imágenes tomadas siempre desde el mismo punto y a la misma hora son las más comparables.
- Fotos y notas de campo (smartphone)BaseObservaciones de quien trabaja en el invernadero: síntomas, conteo de frutos, fases del cultivoDesde la app AgriAI, durante la ronda por el invernaderoEl ojo de quien trabaja en el invernadero sigue siendo el sensor más valioso: la app lo convierte en dato.
- Pesaje de la cosechaBaseKilos cosechados por sector y por díaBáscula en el invernadero o en el almacén, conectada a la plataformaSin el dato real de cosecha la previsión no puede aprender.
- Báscula de canaleta (célula de carga)ExtraPeso de sustrato y plantas: agua consumida y transpiración minuto a minutoBajo una canaleta con plantas representativasEs la medida más directa del consumo de agua y muestra también el crecimiento de las plantas.
- Imágenes de satélite (Sentinel-2)ExtraÍndices de vegetación como el NDVI, útiles sobre todo en campo abiertoDatos gratuitos del programa europeo Copernicus, actualizados cada pocos días con cielo despejadoNo ven dentro del invernadero; en campo abierto muestran dónde crece menos el cultivo.
- Dendrómetro (sensor de tallo)ExtraVariaciones del diámetro del tallo a lo largo del díaEn el tallo de algunas plantas de referenciaEl tallo se contrae de día y se hincha de noche; si no se recupera, la planta tiene sed.
Los errores más comunes
- Prever por días de calendario en lugar de por calor acumulado
- Fiarse de un solo número sin margen de error
- No pesar la cosecha por sector: sin datos reales el modelo no aprende
- Ignorar las oleadas de cuajado típicas del pimiento
Una previsión útil nace de la fisiología y de datos medidos, siempre muestra su incertidumbre y mejora con las temporadas. Así se convierte en una herramienta para vender y organizar el trabajo, no en una promesa.
Estudios y fuentes
La investigación científica y la prensa del sector de las que partimos. Los enlaces llevan a las fuentes originales.
Investigación científica
- Predicting Sweet Pepper Yield Based on Fruit Counts at Multiple Ripeness Stages Monitored by an AI-Based System Mounted on a Pipe-Rail TrolleyHorticulturae (MDPI) · 2025Previsión del rendimiento del pimiento en un invernadero comercial contando frutos en varios estados de maduración con un sistema de IA.
- Forecasting the Number of Harvest-ready Fruits of Sweet Peppers Using Multimodal Time-Series DataarXiv (preprint) · 2026Combina imágenes y recuentos de frutos en el tiempo y da una estimación de la incertidumbre. Es un preprint, aún sin revisión.
Preguntas frecuentes
25 preguntas, dos respuestas cada una: la del agrónomo y la del desarrollador. Cuando citamos a un autor, el enlace lleva a la obra original.
¿Cómo estima cuánto produciré?
Responde el agrónomo
La producción depende sobre todo de la luz interceptada y de la eficiencia con que la planta la transforma en biomasa, como mostró John Monteith. Luego importa cuánta de esa biomasa va a los frutos.
John L. Monteith, Climate and the efficiency of crop production in Britain, Philosophical Transactions of the Royal Society B, 1977Responde el desarrollador
Usamos un modelo híbrido: una parte física que sigue la fisiología y una parte aprendida de los datos que corrige la diferencia entre lo previsto y lo real. Así el modelo sigue siendo sensato incluso con pocos datos.
¿Qué es un modelo de cultivo?
Responde el agrónomo
Es una descripción matemática de cómo crece la planta: fotosíntesis, respiración, reparto entre hojas, tallo y frutos. La escuela de Wageningen, con C. T. de Wit y Jan Goudriaan, sentó sus bases.
Jan Goudriaan, H. H. van Laar, Modelling Potential Crop Growth Processes, Kluwer, 1994Responde el desarrollador
Para nosotros es código con parámetros, bajo control de versiones: cada cambio de parámetro tiene autor, fecha y motivo, y siempre se puede volver atrás y repetir una previsión pasada.
Martin Kleppmann, Designing Data-Intensive Applications, O'Reilly, 2017¿Por qué contar los frutos con cámaras?
Responde el agrónomo
Los frutos cuajados hoy son la cosecha de las próximas semanas. Contarlos por fase de maduración da la previsión más directa, y es el método que siguen estudios recientes sobre pimiento en invernadero comercial.
Responde el desarrollador
Un modelo de detección de objetos, de la familia YOLO, encuentra los frutos en cada imagen; un algoritmo de seguimiento evita contar dos veces el mismo fruto visto desde ángulos distintos.
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, You Only Look Once: Unified, Real-Time Object Detection, CVPR, 2016¿Qué son los grados día?
Responde el agrónomo
El desarrollo del fruto depende de la temperatura acumulada por encima de un umbral mínimo, en torno a 10 °C para el pimiento. Sumando los grados día se estima cuándo estará maduro.
Leo Marcelis, Ep Heuvelink, Jan Goudriaan, Modelling biomass production and yield of horticultural crops: a review, Scientia Horticulturae, 1998Responde el desarrollador
El agente suma los grados día ya medidos con los previstos por la meteo y proyecta la fecha de cosecha de cada grupo de frutos. Si cambia la previsión, la fecha se actualiza sola.
¿Qué precisión tiene la previsión?
Responde el agrónomo
Mejora con los datos: el primer año es menos precisa y luego aprende de las temporadas de la explotación. Para planificar el trabajo suele bastar con la tendencia semana a semana.
Responde el desarrollador
La precisión se mide con el error porcentual medio de las previsiones pasadas, como enseñan Hyndman y Athanasopoulos. Publicaremos la medida en el Farm Tech, no una estimación teórica.
Rob J. Hyndman, George Athanasopoulos, Forecasting: Principles and Practice, OTexts, 3rd ed., 2021¿Por qué un intervalo y no un número exacto?
Responde el agrónomo
Para organizar mano de obra y entregas hace falta saber el peor y el mejor caso, no solo la media. Un número seco da una falsa seguridad.
Responde el desarrollador
La previsión es probabilística: un valor central y un intervalo con su probabilidad. Para estimar la incertidumbre usamos conjuntos de modelos, una técnica estudiada también en DeepMind.
Balaji Lakshminarayanan, Alexander Pritzel, Charles Blundell (DeepMind), Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles, NeurIPS, 2017¿Qué es la verificación hacia atrás (backtest)?
Responde el agrónomo
Es como preguntar al modelo: si hubieras estado aquí el año pasado, ¿qué habrías previsto? Y luego comparar con lo que se cosechó de verdad.
Responde el desarrollador
Se rehacen las previsiones sobre el pasado usando solo los datos disponibles en ese momento, nunca los posteriores. Es la validación cruzada para series temporales descrita por Hyndman y Athanasopoulos.
Rob J. Hyndman, George Athanasopoulos, Forecasting: Principles and Practice, OTexts, 3rd ed., 2021¿Mejor modelos físicos o aprendizaje automático?
Responde el agrónomo
Los modelos físicos contienen décadas de conocimiento sobre fisiología: la revisión de Marcelis, Heuvelink y Goudriaan muestra lo maduros que están para los cultivos hortícolas.
Leo Marcelis, Ep Heuvelink, Jan Goudriaan, Modelling biomass production and yield of horticultural crops: a review, Scientia Horticulturae, 1998Responde el desarrollador
Richard Sutton, en "The Bitter Lesson", observa que a la larga ganan los métodos generales que crecen con los datos. Pero una sola explotación tiene pocos datos: por eso unimos estructura física y aprendizaje.
Richard S. Sutton, The Bitter Lesson, 2019¿Usáis redes neuronales para series temporales?
Responde el agrónomo
Para el agrónomo importa que la previsión siga la evolución del cultivo y reaccione a eventos como una ola de calor o una poda.
Responde el desarrollador
Donde hay suficientes datos, sí: redes como las LSTM de Hochreiter y Schmidhuber recuerdan lo que pasó semanas antes, útil para un cultivo que responde al clima con retraso. Pero siempre se comparan con modelos más simples.
Sepp Hochreiter, Jürgen Schmidhuber, Long Short-Term Memory, Neural Computation, 1997¿Funciona el primer año, sin histórico?
Responde el agrónomo
Sí, partiendo de los parámetros de la literatura para el cultivo y la variedad. Los manuales de referencia, como el editado por Ep Heuvelink sobre el tomate, dan valores de partida sólidos.
Ep Heuvelink (ed.), Tomatoes, CABI, 2018Responde el desarrollador
El primer año el peso de la parte física es alto y el de la parte aprendida bajo; con los datos recogidos el equilibrio se desplaza. La incertidumbre declarada es más amplia al principio, y así debe ser.
¿Usa los datos de los otros agentes?
Responde el agrónomo
Sí, porque clima, riego y salud de las plantas explican gran parte de las variaciones de producción. Una semana fría o un ataque de trips se ven en la cosecha semanas después.
Responde el desarrollador
Los agentes comparten los datos a través de una plataforma de eventos: cada uno publica lo que mide y decide, y la previsión los lee. Es la arquitectura que describe Martin Kleppmann para sistemas con uso intensivo de datos.
Martin Kleppmann, Designing Data-Intensive Applications, O'Reilly, 2017¿A quién le sirve la previsión?
Responde el agrónomo
A quien organiza la cosecha y la mano de obra, a quien vende y a quien gestiona embalajes y transporte. Saber la producción con dos semanas de antelación cambia la forma de trabajar.
Responde el desarrollador
La previsión se exporta al software de gestión y, si quieres, a los clientes mediante una interfaz estándar. Tú decides qué compartir y con quién.
¿Prevé también el calibre de los frutos?
Responde el agrónomo
El calibre depende de la carga de frutos de la planta y de la luz disponible: con demasiados frutos cada uno queda más pequeño. Es un equilibrio que los manuales de horticultura describen bien.
Ep Heuvelink (ed.), Tomatoes, CABI, 2018Responde el desarrollador
A partir de las imágenes se estima el tamaño de cada fruto y por tanto la distribución de calibres. Esto ayuda a prever no solo los kilos, sino cuántos irán a cada categoría comercial.
¿Qué pasa con una ola de calor?
Responde el agrónomo
Con temperaturas muy altas el pimiento puede perder flores y frutos pequeños, y la caída se ve en la cosecha semanas después. Las altas temperaturas reducen también la calidad del polen.
Hamlyn G. Jones, Plants and Microclimate, Cambridge University Press, 2013Responde el desarrollador
El agente simula varios escenarios: con y sin ola de calor, con distintas intensidades. Así ves con antelación cuánto podría bajar la producción y puedes avisar a los clientes a tiempo.
¿Dónde se equivoca más a menudo?
Responde el agrónomo
Cuando pasa algo que los datos no registran: una enfermedad no señalada, una poda distinta de lo habitual, un cambio de variedad.
Responde el desarrollador
Es el desplazamiento de los datos: el mundo cambia y el modelo no lo sabe. Sculley y sus colegas lo señalan como uno de los costes ocultos del aprendizaje automático; lo vigilamos y avisamos cuando las condiciones salen de las conocidas.
D. Sculley et al. (Google), Hidden Technical Debt in Machine Learning Systems, NeurIPS, 2015¿Por qué es imprescindible pesar la cosecha?
Responde el agrónomo
El peso real cosechado por sector es la verdad con la que se mide todo lo demás. Sin él, ni siquiera se sabe si la previsión era correcta.
Responde el desarrollador
En el aprendizaje supervisado el modelo aprende comparando previsión y resultado real. Sin el dato de cosecha, como explican Goodfellow, Bengio y Courville, no hay nada de lo que aprender.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016¿Cada cuánto se actualiza?
Responde el agrónomo
Para planificar cosecha y ventas basta una actualización semanal; en las semanas de pico conviene seguirla cada día.
Responde el desarrollador
El cálculo se ejecuta cada día con los nuevos datos de clima, imágenes y cosecha. Cada versión de la previsión queda guardada, así se ve cómo cambió y por qué.
¿Prevé también los precios de mercado?
Responde el agrónomo
No. Los precios dependen de factores fuera del control de la explotación; saber bien cuánto y cuándo producirás ya es una ventaja fuerte en las negociaciones.
Responde el desarrollador
Es un límite de proyecto deliberado: un modelo que promete demasiado pierde credibilidad. Nos centramos en lo que podemos medir y verificar en el invernadero.
George E. P. Box, Science and Statistics, Journal of the American Statistical Association, 1976¿Y en campo abierto?
Responde el agrónomo
En campo pesan más la meteo y el suelo, y la variabilidad entre parcelas es mayor. Los índices de vegetación por satélite ayudan a ver dónde crece menos el cultivo.
Responde el desarrollador
Usamos las imágenes gratuitas Sentinel-2 del programa europeo Copernicus, con resolución de hasta 10 metros, junto con datos meteo y pesadas. Las nubes dejan huecos en los datos que el modelo debe saber gestionar.
¿Puedo fiarme de una previsión que no entiendo?
Responde el agrónomo
No, y no deberías. Una buena previsión se explica con hechos agronómicos: frutos cuajados, luz prevista, temperatura.
Responde el desarrollador
Cada previsión muestra qué factores la movieron hacia arriba o hacia abajo. Cynthia Rudin sostiene que, cuando las decisiones importan, hay que preferir modelos interpretables a cajas negras: es nuestra regla.
Cynthia Rudin, Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead, Nature Machine Intelligence, 2019¿Qué son los límites declarados?
Responde el agrónomo
Son las condiciones en que la previsión no es fiable: variedades nuevas, eventos extremos, datos que faltan. Saberlo antes evita decisiones erróneas.
Responde el desarrollador
Cada previsión lleva consigo sus advertencias. Como escribía George Box, todos los modelos son aproximaciones: declarar dónde falla el nuestro es parte del método científico.
George E. P. Box, Science and Statistics, Journal of the American Statistical Association, 1976¿Existe un gemelo digital del cultivo?
Responde el agrónomo
Sí: un modelo que simula la planta día a día. En las pruebas de Wageningen sobre el invernadero autónomo, simulaciones de este tipo ayudaron a los equipos a decidir la estrategia de cultivo.
Silke Hemming et al. (Wageningen), Remote Control of Greenhouse Vegetable Production with Artificial Intelligence, Sensors, 2019Responde el desarrollador
El gemelo se actualiza con medidas reales para no alejarse del invernadero, con técnicas de estimación como el filtro de Kalman. Así se pueden probar decisiones en el modelo antes de aplicarlas a las plantas.
Rudolf E. Kálmán, A New Approach to Linear Filtering and Prediction Problems, Journal of Basic Engineering, 1960¿Y los frutos ocultos por las hojas?
Responde el agrónomo
Una parte de los frutos nunca se ve desde un solo ángulo. Los conteos manuales en plantas muestra siguen siendo la referencia para corregir.
Responde el desarrollador
El modelo aprende un factor de corrección comparando los frutos que ve la cámara con los conteos manuales en las mismas plantas. El factor se recalcula cuando cambia la fase del cultivo.
¿Cuánto vale económicamente una buena previsión?
Responde el agrónomo
Reduce horas de mano de obra desperdiciadas, producto sin vender y penalizaciones por entregas fallidas. El valor depende de la explotación y de sus contratos.
Responde el desarrollador
No damos cifras prometidas: medimos con la explotación piloto horas de trabajo planificadas y reales, producto no vendido y entregas puntuales, antes y después de usar el agente.
¿Se integra con los sistemas de mis clientes?
Responde el agrónomo
Las grandes cadenas piden previsiones de suministro cada vez más precisas. Darlas de forma fiable refuerza la relación comercial.
Responde el desarrollador
Exportamos en formatos estándar y mediante API documentadas; solo se comparten los datos que autorizas tú, con accesos registrados.
European Union, General Data Protection Regulation (EU) 2016/679, EUR-LexLos otros agentes de AgriAI
Agente de viveroPlántulas sanas y uniformes, de la semilla al trasplante.
Agente de trasplanteCada plántula en su sitio, en el momento justo.
Agente de fertirrigaciónEl agua y los nutrientes justos, en el momento justo.
Agente de climaEl invernadero siempre en el clima ideal, con menos energía.
Agente fitosanitarioVe los problemas antes de que se conviertan en daños.
Agente de cosechaSolo frutos maduros, cosechados sin daños.
Agente de calidadCada fruto en la categoría correcta.
Agente de envasadoEnvases correctos y trazables, del invernadero al lineal.
Hazte explotación piloto
Chequeo digital gratuito: revisamos instalaciones, consumos y problemas y te decimos si AgriAI puede ayudarte y dónde.