En un contexto donde la producción alimentaria del sur de Chile alcanza escalas cada vez más relevantes a nivel global, la inteligencia artificial (IA) comienza a posicionarse no como una promesa futura, sino como una herramienta concreta para enfrentar la creciente complejidad del sector.
Así lo planteó el Dr. Mauricio Herrera, académico e investigador de la Universidad del Desarrollo, durante su exposición titulada “De los datos al plato: IA y producción alimentaria en el sur de Chile”, presentada en la conferencia “Los Lagos: potencia Alimentaria II”, organizada por Tendencia y Territorio.
Su presentación abordó un punto clave: la necesidad de comprender la magnitud del sistema productivo antes de aplicar tecnología. “Lo primero que me llevé como sorpresa era la magnitud, la escala. Estamos hablando de producciones increíbles, y por lo tanto las dimensiones de los problemas son también gigantescas”, señaló .
Una industria compleja, con desafíos compartidos
Si bien sectores como la salmonicultura, mitilicultura, lechería o producción de carnes presentan diferencias evidentes, Herrera enfatizó que comparten tensiones estructurales similares.
Factores como la variabilidad ambiental, la trazabilidad, la logística, la inocuidad y las exigencias de sostenibilidad atraviesan transversalmente a estas industrias. A ello se suman variables externas como regulaciones internacionales o dinámicas de mercado global.
En este escenario, el investigador planteó que la inteligencia artificial no debe entenderse como una automatización aislada, sino como una herramienta integrada para abordar sistemas complejos.
Más allá de ChatGPT: la IA como ecosistema de herramientas
Uno de los puntos más relevantes de la exposición fue la necesidad de desmitificar el concepto de inteligencia artificial. “La inteligencia artificial siempre es asociada a los Large Language Models… pero eso es solamente una parte ínfima”, explicó.
En la práctica, la IA aplicada a la producción alimentaria abarca múltiples disciplinas: desde el aprendizaje automático (machine learning) hasta la visión computacional, pasando por modelos de optimización, análisis de series temporales y redes complejas.
La clave, según Herrera, no es partir desde la tecnología, sino desde los datos. “Primero hay que ver la estructura de los datos que se generan dentro de la industria, y a partir de los datos empezar a ver qué modelos de inteligencia artificial uno debería utilizar”, indicó.
Salmonicultura: datos complejos para decisiones críticas
Dentro de los ejemplos presentados, la salmonicultura destacó por su nivel de complejidad. A diferencia de sistemas industriales tradicionales, aquí los datos provienen de sistemas vivos, altamente dinámicos y expuestos a múltiples variables.
“No estamos hablando de una señal limpia… sino de una señal generada por sistemas vivos”, advirtió. Factores como biomasa, oxígeno disuelto, temperatura, mortalidad, condiciones oceanográficas y variables climáticas interactúan constantemente, generando una data multimodal que requiere modelos avanzados para su interpretación. Esta complejidad, lejos de ser una barrera, abre oportunidades para el uso de inteligencia artificial en la toma de decisiones.
Alimentación de precisión: impacto directo en costos
Uno de los ámbitos donde la IA puede generar impactos más inmediatos es en la alimentación de peces, uno de los principales costos de la industria.
A través de modelos predictivos y sistemas de monitoreo basados en sensores y visión computacional, es posible optimizar la cantidad, frecuencia y tipo de alimento suministrado.
“La alimentación es uno de los factores más caros… esto va a tener un efecto bastante grande”, afirmó. Este enfoque no solo mejora la eficiencia productiva, sino que también reduce impactos ambientales asociados, como la acumulación de alimento no consumido en el fondo marino.
Predicción de riesgos sanitarios y ambientales
Otro campo de aplicación relevante es la gestión de riesgos sanitarios. Herrera explicó el uso de modelos basados en grafos —como las Graph Neural Networks— para representar centros de cultivo como nodos interconectados.
Este enfoque permite modelar la propagación de enfermedades o parásitos, como el caligus, y anticipar ventanas óptimas de intervención.
A ello se suma el uso de inteligencia artificial en el análisis climático y oceanográfico, incluyendo técnicas de “downscaling” para adaptar modelos globales a escalas locales. Esto permite, por ejemplo, anticipar cambios en la temperatura del mar o eventos como floraciones algales nocivas, con impacto directo en la producción.
De los datos a la acción: decisiones bajo incertidumbre
Más allá de los modelos, el foco central de la inteligencia artificial, según Herrera, está en mejorar la toma de decisiones en contextos inciertos. “La inteligencia artificial es una herramienta para una toma de decisiones bajo situaciones de incertidumbre”, sostuvo .
A diferencia de los enfoques tradicionales, los sistemas basados en IA trabajan con probabilidades y escenarios, permitiendo activar protocolos en función de umbrales de riesgo. Esto marca un cambio de paradigma: desde decisiones reactivas hacia decisiones predictivas y adaptativas.
Hacia una producción alimentaria inteligente
El investigador propuso una hoja de ruta clara para la implementación de estas tecnologías, que comienza con la “instrumentación” de datos —es decir, la correcta definición de indicadores clave— y avanza hacia modelos predictivos, sistemas de decisión y, finalmente, gemelos digitales.
Estos últimos permiten simular escenarios productivos completos y evaluar el impacto de distintas decisiones sin intervenir directamente en el sistema real. “Un gemelo digital es una réplica del sistema que permite hacer simulaciones”, explicó . Según Herrera, este proceso podría desarrollarse en un horizonte de aproximadamente 24 meses, dependiendo del nivel de madurez de cada organización.
El rol clave de la colaboración
Finalmente, la exposición subrayó un punto crítico para el éxito de estas iniciativas: la colaboración entre academia e industria. “Nosotros tenemos las herramientas, pero necesitamos el conocimiento específico de cada dominio”, afirmó .
En esa línea, destacó la importancia de generar espacios de trabajo conjunto que permitan traducir capacidades tecnológicas en soluciones concretas para el sector productivo.
En un escenario marcado por la presión por aumentar la eficiencia, reducir impactos y adaptarse a un entorno cada vez más variable, la inteligencia artificial se perfila como un habilitador estratégico para la salmonicultura y la producción alimentaria en el sur de Chile.
No se trata solo de incorporar tecnología, sino de cambiar la forma en que se toman decisiones. Porque, como plantea Herrera, el futuro no está en producir más, sino en producir mejor: con datos, con inteligencia y con capacidad de anticipación.
