IA y riego en Chile: qué validar antes de automatizar

La primera decisión es qué tarea mejorar

Antes de contratar IA para apoyar el riego, una empresa agrícola necesita definir qué decisión quiere mejorar y con qué información podrá comprobarlo. Reunir antecedentes, detectar mediciones incoherentes y proponer ajustes son tareas distintas. Esta guía ofrece criterios para evaluar un proyecto digital; las decisiones agronómicas deben acordarse con el profesional responsable del predio.

El 9 de julio de 2026, INIA informó sobre un taller en Alto del Carmen, Atacama, donde agricultores trabajaron con la Plataforma Agrícola Satelital, PLAS. La herramienta combina imágenes satelitales e información meteorológica para apoyar la programación del riego. La nota no la presenta como inteligencia artificial ni publica ahorros medidos de los participantes. INIA, taller sobre PLAS.

Ese antecedente muestra una pregunta previa a elegir un modelo: cómo relacionar distintas fuentes con un sector concreto del campo. Recomendamos comenzar con una tarea acotada, como preparar una ficha de antecedentes para revisión. Así puede evaluarse si la IA aporta algo útil frente al procedimiento existente.

Distinguir lo observado, lo estimado y lo propuesto

Proponemos que cada dato conserve su origen y su naturaleza: medición de un sensor, estimación satelital, pronóstico meteorológico o registro ingresado por una persona. La interfaz debería mostrar el sector al que corresponde, la unidad, el período representado y los datos faltantes. Un valor ausente debe seguir identificado como ausente; convertirlo en cero cambia su significado.

También conviene revisar la escala del producto contratado. La documentación de WaPOR distingue capas con diferentes resoluciones y frecuencias, además de definir la latencia como el tiempo entre el final del período medido y la disponibilidad del dato. Un producto con actualización frecuente no necesariamente describe lo que está ocurriendo ahora en una parcela. FAO, datos de WaPOR.

Nuestra recomendación para la integración es conservar por separado la información recibida y la interpretación del asistente. Si este resume una alerta, debe permitir volver al registro que la originó. La persona responsable necesita reconocer qué se midió y qué parte de la explicación fue propuesta por el sistema.

Pedir validación local, además de mayor resolución

Un piloto de FAO en Jendouba, Túnez, publicado el 3 de abril de 2026, evaluó datos de evapotranspiración más detallados y con menor demora para asesorar sobre riego. Usó datos de 2025. El informe reconoce que faltaron datos de referencia de parcelas para validar en terreno las mejoras espaciales. Ese límite importa al interpretar sus resultados. FAO, piloto de Jendouba.

Para una empresa chilena, proponemos pedir evidencia del producto y de su cobertura en la ubicación que se utilizará. Una experiencia extranjera no demuestra por sí sola desempeño en otro cultivo, suelo o instalación. La evaluación debe acordar qué observaciones del propio predio permitirán aceptar o cuestionar las recomendaciones.

Considere este ejemplo hipotético: dos sectores reciben información meteorológica general similar, pero tienen etapas de cultivo y registros de riego diferentes. Una primera función del asistente puede ser detectar esas diferencias y reunirlas para revisión. Si falta contexto, debería señalarlo antes de sugerir una misma acción para ambos sectores.

Comprobar qué información estaba disponible al decidir

WaPOR explica que algunas capas de diez días se publican primero en una versión cercana al tiempo real y se revisan posteriormente con observaciones adicionales. Evaluar un sistema solo con datos finales puede darle información que no estaba disponible cuando debía tomar la decisión. FAO, disponibilidad y revisión de datos.

Como criterio de prueba, recomendamos guardar la versión recibida, su fecha de disponibilidad y el momento de cada recomendación. Al revisar el piloto, reconstruya lo que el sistema podía conocer entonces. Incluya períodos con datos atrasados o incompletos y registre cómo actuaron el asistente y el equipo del campo.

Verificar la ejecución antes de ampliar la autonomía

Hay antecedentes chilenos específicos de IA aplicada al riego. En abril de 2025, INIA La Cruz describió pruebas del prototipo Sav(b)IA en tomates bajo invernadero. La experiencia incorporaba sensores, un caudalímetro y mediciones del contenido de agua del suelo para registrar y contrastar decisiones. Esa publicación histórica no acredita su situación comercial actual ni resultados transferibles a cualquier predio. INIA, ensayo de Sav(b)IA.

Para el piloto empresarial proponemos separar recomendación, aprobación, orden enviada y ejecución comprobada. La confirmación de un software no basta para concluir que ocurrió la acción física prevista. Defina qué registro operativo permitirá verificarla y quién revisará las discrepancias.

Empiece con apoyo a la revisión y acuerde las condiciones para incorporar acciones automáticas. Incluya pérdida de conectividad, sensores sin lectura y retorno al procedimiento manual. La guía de mantenimiento predictivo y órdenes de trabajo desarrolla una distinción relacionada: una señal necesita responsables y comprobación en terreno.

Evaluar el proceso completo y su mantenimiento

Antes de ampliar el proyecto, revise la calidad de los datos, las recomendaciones corregidas, el trabajo requerido para operar el sistema y las acciones efectivamente realizadas. Si se comparan consumo de agua o costos, documente las condiciones de cada período con el equipo agronómico; una diferencia aislada no demuestra que la IA la causó.

Una propuesta de automatización de procesos debería separar integración, pruebas, operación y mantenimiento. Pida responsables definidos para equipos, datos y software, junto con criterios de aceptación. El siguiente paso útil es un piloto que permita decidir con evidencia del predio, sin comprometer ahorros antes de medirlos.