De bytes a bushels: cómo la IA genética puede dar forma al futuro de la agricultura

Mc Kinsey, 10 de junio de 2024

Complementar la IA analítica con la IA generativa puede crear nuevo valor dentro y fuera del acre. Varios casos de uso interesantes muestran cómo puede evolucionar la industria.

La demanda mundial de nutrición continúa aumentando, creando nuevas presiones económicas (y oportunidades) para los agricultores. Al mismo tiempo, la industria agrícola debe hacer frente al impulso hacia prácticas más sostenibles.

La aparición de tecnologías en rápida evolución, como la IA, ofrece a los actores agrícolas otra herramienta poderosa para enfrentar estos desafíos de frente y lograr una mayor eficiencia y eficacia en todos sus negocios. La IA generativa (gen AI), en particular, ha capturado la imaginación de muchos líderes en la agricultura y otros ámbitos y podría ser el impulso para crear un cambio significativo.¹También ha sacado a la luz la aplicación de muchos otros enfoques existentes desde hace mucho tiempo, como la IA analítica, con casos de uso probados y niveles de adopción aún relativamente bajos.

Cuando se combinan, la IA analítica y la IA genérica tienen el potencial de desbloquear valor en toda la cadena de valor y en todas las operaciones comerciales. Este artículo explica cómo las empresas de la industria mundial de producción de alimentos, valorada en 4 billones de dólares,²pueden fortalecer integralmente sus esfuerzos de IA aprovechando la IA genérica. Hacerlo puede crear valor económico³en dos áreas clave: primero, en el acre al mejorar la economía agrícola, como los costos y rendimientos de la mano de obra y los insumos, y segundo, para la empresa a través de un mayor crecimiento de las ventas, la productividad y la eficiencia operativa. En general, nuestro análisis muestra que la IA puede generar 100 mil millones de dólares en la primera área y 150 mil millones de dólares en la segunda.⁴

Aplicación de la IA genética en la agricultura

En términos generales, la “IA genérica” se refiere a aplicaciones que procesan conjuntos grandes y variados de datos no estructurados, incluidos datos geoespaciales y meteorológicos, y realizan más de una tarea. De esta manera, la IA genética puede generar nuevas ideas identificando patrones en grandes conjuntos de datos no estructurados, particularmente cuando se trata de tareas complejas como la investigación molecular, el marketing o la agronomía, y la generación de códigos. Por el contrario, la IA analítica suele resolver tareas específicas haciendo predicciones basadas en conjuntos de datos bien estructurados y reglas predefinidas. Los ejemplos aquí incluyen pronosticar ventas, segmentar clientes y realizar análisis de sentimiento.

La agricultura es particularmente adecuada para la disrupción de la IA y la IA genética debido a sus grandes volúmenes de datos no estructurados, su importante dependencia de la mano de obra, su compleja logística de cadena de suministro y sus largos ciclos de I+D, así como la gran cantidad de agricultores que valoran las ofertas personalizadas y los bajos precios. -servicios de costos. Por ejemplo, la IA genética puede desarrollar escenarios de prueba sintetizando millones de puntos de datos sobre el clima, las condiciones del suelo y la presión de plagas y enfermedades, y los modelos analíticos de IA pueden luego simular esos escenarios. El uso de ambas tecnologías en conjunto tiene el potencial de aumentar la eficiencia, reducir los costos y mejorar el impacto ambiental para todos los actores agrícolas.

El importante valor en juego

La IA puede crear un valor significativo para la agricultura en dos áreas clave: 1) en el acre, que se refiere a la producción agrícola y ganadera, y 2) para la empresa, que se refiere a las funciones comerciales.

en el acre

La IA y la IA generada pueden ayudar a optimizar el uso de insumos y gestionar la mano de obra de manera eficiente. Por ejemplo, los asesores agronómicos virtuales habilitados para la IA, que extraen conjuntos de datos como el clima, las condiciones del suelo y la presión de plagas y enfermedades, pueden ayudar a los agricultores a tomar decisiones mejor informadas para mejorar los rendimientos (Anexo 1).

Exhibición 1

Hasta la mitad del valor en juego provendrá de este tipo de soluciones para una mejor gestión del rendimiento. El valor adicional se generará mediante la reducción de los costos laborales a través de soluciones autónomas para mejorar la fuerza laboral existente y reducir la dependencia de la mano de obra en las operaciones, así como mediante el ahorro de costos de insumos a través de nuevos conocimientos y manejo de datos para que la agricultura de precisión optimice los insumos y reduzca el desperdicio.

Aún no está claro qué actores agrícolas tomarán la iniciativa y crearán productos y servicios que combinen IA analítica e IA genética para los agricultores. Las tecnologías de generación de inteligencia artificial son más accesibles que nunca, lo que significa que existe un mayor potencial para que las empresas emergentes y los nuevos participantes capturen valor por acre de las empresas más grandes. En cualquier caso, los actores de toda la cadena de valor deberán actuar rápidamente en los próximos meses y años.

para la empresa

En todos los casos de uso, la combinación de IA analítica e IA genérica puede crear valor adicional al impulsar ganancias de eficiencia funcional. La mayor parte de este valor probablemente será posible gracias a la IA analítica y se complementará con soluciones habilitadas o mejoradas por la IA genérica. En este punto, muchas organizaciones históricamente han centrado sus soluciones de IA en funciones de soporte, mientras que nuestra investigación muestra que los casos de uso de IA analítica y de generación de IA añaden el mayor valor a las funciones principales, como I+D y productos, marketing y ventas, agronomía y sostenibilidad. y operaciones (Anexo 2).

Anexo 2

Los siguientes ejemplos ilustran cómo las formas combinadas de IA pueden crear oportunidades adicionales para los actores en cada paso de la cadena de valor, incluso cuando la distribución relativa entre las funciones comerciales puede diferir:

• Jugadores de entrada. Muchos actores de la protección de semillas y cultivos dependen en gran medida de la innovación, y la IA analítica y la IA genética se pueden utilizar para mejorar el ciclo de vida completo de la I+D, desde la investigación y el descubrimiento hasta el desarrollo y el lanzamiento de productos. En investigación y descubrimiento, la IA genética puede ayudar a generar hipótesis iniciales al realizar un escaneo en lenguaje natural de patentes e investigaciones científicas, o examinar grandes conjuntos de datos genómicos para proponer secuencias objetivo para la innovación de cultivos. Los modelos básicos entrenados en modalidades específicas, como datos genómicos, proteómicos o de moléculas pequeñas, pueden ayudar a priorizar hipótesis basadas en propiedades del estado final, como la resistencia a la sequía o a las plagas para cultivos genéticamente modificados o una mayor eficacia y sostenibilidad de los pesticidas (Anexo 3). Luego, estas herramientas se integran en un ciclo de aprendizaje activo en el que los modelos recomiendan hipótesis para probar en el laboratorio y los datos resultantes aceleran la superación personal. Y en el lanzamiento de productos, la IA gen. puede acelerar el registro de productos al automatizar la recopilación y el análisis de datos, generar documentos y proporcionar información sobre el panorama regulatorio (por ejemplo, al monitorear los cambios en los requisitos de los procedimientos regulatorios).

Anexo 3

Distribución de insumos y servicios de cultivo y producción. Los actores que atienden directamente a los agricultores, ya sea a través de la venta de insumos agrícolas o a través de servicios como asesoramiento agronómico, finanzas, seguros y agricultura de precisión, atienden a millones de agricultores que valoran las ofertas personalizadas y los servicios de bajo costo. La IA analítica y la IA genérica pueden respaldar los dominios de marketing y ventas en la gestión de precios y márgenes, el servicio y la experiencia del cliente, el crecimiento y la productividad de las ventas y el marketing personalizado.En la gestión de precios y márgenes, los modelos analíticos de IA pueden microsegmentar a los clientes y generar recomendaciones de precios basadas en la disposición histórica a pagar, mientras que la IA genética puede monitorear la demanda, la oferta y los cambios regulatorios en tiempo real para ajustar las recomendaciones de precios. En el servicio y la experiencia del cliente, la IA gen puede proporcionar respuestas de texto como primer punto de contacto en el proceso de compra, ayudando a los clientes con preguntas sobre la selección de productos o el pedido de muestras. También puede ofrecer soporte continuo para el producto con resolución de problemas automatizada, sintetizando grandes conjuntos de datos de posibles problemas y soluciones. En el crecimiento de las ventas y la productividad, la IA genética puede actuar como copiloto de ventas al generar guiones de ventas personalizados para los clientes, sintetizando la propuesta de valor del producto y los factores de compra del cliente, mientras que la IA analítica puede extraer datos estructurados de transacciones, ayudando a los representantes de ventas a priorizar los mejores próximos pasos. Finalmente, la IA genética se puede utilizar para crear contenido de marketing personalizado y en tiempo real basado en el historial de interacciones únicas de cada cliente, mientras que la IA analítica puede desarrollar y evaluar ofertas específicas basadas en el análisis de valor (Anexo 4). Estos casos de uso pueden reducir el costo de crear contenido de marketing e impulsar el crecimiento de los ingresos al mejorar la conversión de clientes potenciales con una mejor identificación del cliente.

Anexo 4

• Comercio y transformación primaria. Para los actores de este paso de la cadena de valor, la IA analítica y la IA genérica probablemente tendrán el mayor impacto en la excelencia operativa.En el ámbito de las adquisiciones, la IA puede crear borradores iniciales de documentos de solicitud de propuestas, sintetizar los términos del contrato para identificar fuentes de fuga de valor y generar nuevas estrategias de negociación. En la cadena de suministro, la IA genética puede ayudar a monitorear e identificar posibles interrupciones, como fluctuaciones en el clima o cambios en los flujos comerciales globales, así como mejorar la optimización de la red generando nuevos escenarios en torno al análisis y los costos a nivel de SKU. En la fabricación, la IA genómica puede actuar como un experto virtual en la materia sintetizando manuales operativos. También puede proporcionar información sobre problemas específicos encontrados durante la producción, mejorar el mantenimiento predictivo y el monitoreo de fallas y crear programas de producción optimizados.

Como se mencionó anteriormente, dichos casos de uso son meros ejemplos ilustrativos. En lo que respecta a la implementación, los casos de uso deberán adaptarse a las necesidades específicas de los actores en cada paso de la cadena de valor.

Recableado para capturar valor de la IA

Aunque muchos actores agrícolas están entusiasmados con las posibilidades de la IA genética, la mayoría aún no ha aprovechado todo el potencial de sus esfuerzos en curso en materia de IA. Aprovechar este potencial probablemente requerirá que los jugadores reconfiguren su enfoque hacia los siguientes esfuerzos digitales y de IA.⁵:

1. Comience con la alineación del valor con una estrategia dirigida por el negocio. Los directivos de nivel C y los miembros de la junta directiva pueden adoptar una visión de toda la empresa para centrar los recursos, utilizar los modelos de gobernanza adecuados para optimizar las inversiones e impartir agilidad y responsabilidad a la organización. Hacerlo probablemente implique transformar dominios con claridad sobre la fuente de valor y la diferenciación. Hoy en día, muchos actores están inundados de enfoques tecnológicos avanzados, pilotos ascendentes y modelos de asociación ad hoc, cada uno de los cuales eventualmente agota los recursos y no genera un impacto claro. Un cambio hacia una visión de arriba hacia abajo puede ayudar a transformar los dominios (a diferencia de los casos de uso), lo que puede crear un valor sustancial.
2. Modernizar la infraestructura tecnológica para la IA. Una estrategia tecnológica cuidadosa es fundamental para evitar la fragmentación y los costos de infraestructura cada vez mayores. Dependiendo de las capacidades requeridas para transformar un dominio, los jugadores pueden tomar las decisiones correctas en infraestructura tecnológica, modelos analíticos, decisiones de construcción versus compra y establecer relaciones clave de terceros con proveedores de software, proveedores de servicios en la nube y vendedores de grandes empresas. modelos lingüísticos. Muchos de los componentes subyacentes se pueden reutilizar para permitir la ampliación en lugar de comprar aplicaciones monolíticas.
3. Duplicar la base de datos. La generación de IA ha abierto nuevas vías para acceder a grandes cantidades de información no estructurada, que históricamente ha sido difícil de integrar para las empresas agrícolas. Cuando se trata de implementación, los líderes probablemente necesitarán tomar decisiones sobre la arquitectura de datos empresariales (almacenes de datos e integración), patrones de integración de datos (API) e infraestructura (la nube) para administrar datos estructurados y no estructurados.
4. Mejorar el talento dentro de las organizaciones empresariales y tecnológicas. La implementación y la captura de valor requieren el talento y las capacidades adecuadas. Los actores agrícolas pueden centrarse en generar talento mejorando las habilidades de los trabajadores internos y atrayendo talento externo. Los planes de formación a escala deben estar vinculados a mecanismos formales, como la compensación y la progresión profesional. Históricamente, la retención de talentos ha presentado un desafío porque muchos roles tienen trayectorias poco claras. A medida que la IA se democratiza, los líderes de las empresas pueden desarrollar experiencia y profundizar roles con las trayectorias profesionales y la progresión adecuadas, incluidos administradores e ingenieros de datos, arquitectos o desarrolladores de software, ingenieros de MLOps,⁶y expertos legales o de seguridad.
5. Planifique con anticipación para gestionar el riesgo. El riesgo se ha desplazado hacia la izquierda con la generación de IA, lo que significa que los problemas deben identificarse y abordarse en una etapa más temprana del ciclo de vida del desarrollo. A su vez, los actores deberán definir, codificar y evaluar los riesgos éticos, legales y regulatorios desde el principio del proceso mediante el monitoreo de la ciberseguridad y la privacidad del consumidor. La generación de IA ha exacerbado aún más estos desafíos, y los equipos legales y de riesgo se han convertido en partes críticas de la entrega ágil, con marcos y controles claros integrados en la infraestructura tecnológica.
6. Incorpore un modelo operativo ágil. El desarrollo de la IA es inherentemente iterativo, lo que significa que las organizaciones deben contar con mecanismos para apoyar dominios de alto valor, particularmente cuando se eliminan los pilotos sin valor agregado. Los modelos tradicionales de financiación y presupuestación anual pueden limitar la capacidad de una organización para transferir recursos en función de lo aprendido, y los líderes pueden explorar mecanismos de financiación de la innovación para impulsar y posteriormente absorber los esfuerzos de IA en un estado estable. Además, un equipo integrado con un propietario de negocio claro puede ayudar a garantizar que los equipos de productos e inteligencia artificial cumplan con los problemas comerciales críticos.
7. Priorizar la adopción y el cambio. Con demasiada frecuencia, los actores asignan la mayor parte de su inversión en IA al desarrollo de tecnología, pasando por alto la adopción y la gestión del cambio. Este ha sido un desafío crítico para la agricultura, tanto en las aplicaciones tradicionales de tecnología agrícola como en los esfuerzos digitales en curso. Dado que la IA de generación puede cambiar drásticamente los procesos de trabajo, la adopción y el cambio deberían ser componentes críticos de la estrategia. Sin embargo, estos esfuerzos probablemente requerirán que los actores reimaginen nuevas formas de trabajar, mejoren las habilidades de la fuerza laboral para que se comporten de manera diferente y gestionen cuidadosamente el cambio y el desarrollo de capacidades.

---

La agricultura está preparada para lograr avances notables tanto en la producción como en las operaciones de alimentos, transformando la forma en que se cultivan, cosechan y distribuyen los cultivos, al tiempo que capacita a las empresas para trabajar de manera más eficiente y tomar decisiones más inteligentes para un futuro más sostenible. Lograr el equilibrio entre las prácticas sostenibles y las presiones económicas será cada vez más importante en los próximos años, y la combinación de IA analítica e IA genética probablemente desempeñará un papel clave en la configuración del futuro de la industria.

SOBRE LOS AUTORES)

Daniela Nuscheler es socia de la oficina de McKinsey en Berlín, David Fiocco es socio principal de la oficina de Minneapolis, Pradeep Prabhala es socio de la oficina de Mumbai, RS Mallya Perdur es socio de la oficina de Houston, Tom Brennan es socio de la oficina de Filadelfia oficina, Yashaswi Gautam es socio principal en la oficina de Boston y Ryan Degnan es socio asociado en la oficina de Denver.

Los autores desean agradecer a Andrew Bradley, Arty Cervantes, Daniel Alves, Djavan De Clercq, Egor Sachko, Jenny Lu, Jim Trahanas, John Durbin, María García de la Serrana Lozano, Matje Macak, Mehliyar Sadiq, Naman Maheshwari, Natalia Acero, Natasha. Keidl, Patrick Tomkins, Priyank Jain, Rishab Bansal, Tanmay Sharma y Wesley Davis por sus contribuciones a este artículo.

PERSPECTIVAS MÁS POPULARES

1. El estado de la IA a principios de 2024: la adopción de la IA de generación aumenta y comienza a generar valor
2. El potencial económico de la IA generativa: la próxima frontera de la productividad
3. ¿Qué es la IA generativa?
4. Un nuevo futuro del trabajo: la carrera por implementar la IA y aumentar las capacidades en Europa y más allá
5. Definiendo su ‘verdadero norte’: una hoja de ruta hacia una transformación exitosa