La imagen de un perro robot caminando entre viñas o plantas de mora resume una transformación más profunda que la simple incorporación de una máquina llamativa al campo. En Extremadura, el Centro Tecnológico Nacional Agroalimentario (CTAEX) desarrolla AGRHOUND, un proyecto que pretende utilizar inteligencia artificial, sensores y desplazamiento autónomo para observar los cultivos, localizar diferencias de calidad y orientar el momento y el lugar de la recolección. Su objetivo no es sustituir de inmediato al agricultor, sino convertir una parcela heterogénea en un conjunto de datos operativos: qué zonas tienen fruta suficiente, cuáles presentan distintos grados de maduración y dónde conviene empezar a cosechar.

El proyecto comenzó en junio y tiene previsto prolongarse hasta principios de 2029. Durante 2026 se recopilan datos y se desarrollan algoritmos; las campañas de 2027 y 2028 servirán para probarlos en condiciones agrícolas reales. Los ensayos se llevan a cabo en viñedos de la provincia de Valladolid y en plantaciones de moras de Huelva. La elección de ambos cultivos no es menor: la uva tempranillo ofrece una base algorítmica avanzada procedente de trabajos anteriores, mientras que la mora obliga a resolver problemas nuevos de identificación, maduración y variabilidad. El resultado no está garantizado, pero la hoja de ruta permite distinguir la investigación en curso de una tecnología ya lista para su comercialización masiva.

La verdadera innovación está en decidir dónde actuar

El valor de AGRHOUND no reside únicamente en que un robot tenga cuatro patas. La locomoción es el medio para alcanzar lugares donde un vehículo convencional puede compactar el suelo, quedar bloqueado entre líneas estrechas o tener dificultades para entrar en invernaderos y macrotúneles. La finalidad económica se encuentra en otra parte: recopilar información suficientemente precisa para que una decisión agrícola deje de basarse solo en una estimación general de toda la finca.

Las explotaciones no maduran de manera uniforme. La orientación de las filas, la exposición solar, el drenaje, la disponibilidad de agua, la variedad, la carga de fruto y la incidencia de enfermedades generan diferencias dentro de una misma parcela. Cuando la recolección se organiza como si todo el terreno tuviera el mismo estado, pueden recogerse frutos demasiado verdes junto a otros que ya han perdido calidad comercial. Un sistema capaz de señalar esas diferencias podría ayudar a escalonar las cuadrillas, reducir desplazamientos innecesarios y ajustar la salida de la producción hacia mercados con exigencias concretas.

La secuencia prevista por los investigadores es significativa. El robot debe desplazarse de forma autónoma, captar datos mediante sensores, procesarlos con algoritmos de inteligencia artificial y elaborar mapas en tiempo real. Solo después llega la decisión agronómica. Esta cadena contiene varios puntos críticos: una lectura defectuosa puede producir una clasificación equivocada; un mapa incompleto puede desorientar la planificación; y una recomendación técnicamente correcta puede ser inviable si no encaja con la disponibilidad de trabajadores, maquinaria, agua o transporte.

De la automatización visible a la inteligencia de la parcela

La primera lectura del proyecto podría ser que el campo incorpora un nuevo tipo de robot. La interpretación más relevante es que la agricultura avanza hacia sistemas de observación continua. Durante décadas, la mecanización se concentró en ejecutar tareas físicas: arar, pulverizar, transportar o cosechar. Ahora una parte creciente de la innovación se desplaza hacia la medición y la interpretación. La máquina no solo hace algo; también debe explicar qué está viendo y convertirlo en una orden útil.

Ese cambio introduce un primer punto de vista crítico. La inteligencia artificial agrícola no será competitiva por imitar la percepción humana, sino por mejorar la coordinación de recursos escasos. Si AGRHOUND logra detectar con antelación qué sectores están listos para la cosecha, su efecto más importante podría recaer en la organización del trabajo. Las empresas agrícolas podrían programar mejor las cuadrillas, adaptar los turnos, priorizar las zonas con mayor riesgo de deterioro y reducir la cosecha prematura. La rentabilidad dependerá menos de la espectacularidad del dispositivo que de su capacidad para integrarse en la planificación diaria.

La mora constituye una prueba especialmente exigente. A diferencia de una superficie homogénea y fácilmente visible, una plantación de frutos pequeños presenta hojas, sombras, frutos ocultos, diferencias de color y estructuras que pueden dificultar la identificación automática. El algoritmo desarrollado para la uva tempranillo no puede trasladarse sin más. Necesitará nuevas imágenes, nuevas reglas de clasificación y probablemente una validación repetida en variedades, condiciones meteorológicas y sistemas de cultivo diferentes. La adaptación al cultivo de la mora demuestra que la inteligencia artificial no es una solución universal descargable de un catálogo: necesita datos específicos y conocimiento agronómico local.

El agricultor gana información, pero también asume nuevas dependencias

Para el agricultor, la promesa principal es disponer de una radiografía dinámica de la plantación. Conocer la cantidad estimada de fruta, su grado de maduración y la distribución espacial de cada estado puede mejorar la negociación con centrales hortofrutícolas, la selección de fechas y la gestión de pedidos. En cultivos de alto valor y con una ventana de recolección estrecha, una diferencia de pocos días puede afectar a la calidad, al precio y al porcentaje de producto comercializable.

Sin embargo, la tecnología también puede crear una dependencia nueva. El agricultor podría pasar de confiar en su experiencia y en sus trabajadores a depender de un sistema cuyo funcionamiento no siempre resulta transparente. Si el algoritmo clasifica mal los frutos por una iluminación inusual, una variedad poco representada en los datos o una modificación del sistema de conducción, la decisión errónea puede afectar a toda una jornada de trabajo. Por eso, la métrica decisiva no debería ser el número de imágenes procesadas, sino la capacidad del sistema para indicar su nivel de incertidumbre y permitir una revisión humana.

El coste será otro filtro. El proyecto se encuentra todavía en fase de investigación y no existe en la información disponible un precio de adquisición, mantenimiento o servicio. A ese coste directo habría que añadir baterías, conectividad, almacenamiento de datos, calibración, formación y asistencia técnica. Una explotación grande podría distribuir la inversión entre muchas hectáreas; una pequeña tendría más dificultades para justificarla. La fórmula comercial más probable no tiene por qué ser la compra del robot. Podrían imponerse servicios compartidos, cooperativas tecnológicas o empresas que cobren por campaña y por superficie analizada.

La cuestión laboral: menos improvisación, no necesariamente menos empleo

La automatización agrícola suele presentarse como una respuesta a la escasez de mano de obra, pero esa explicación es incompleta. Un robot que identifica las zonas maduras no recoge necesariamente la fruta ni resuelve los picos de actividad. En un primer momento puede desplazar algunas tareas de inspección manual y reducir recorridos de supervisión, mientras aumenta la necesidad de personas capaces de interpretar mapas, verificar resultados y ajustar las operaciones.

El efecto sobre el empleo dependerá de cómo se utilice la información. Si sirve para concentrar a las cuadrillas en los sectores que realmente requieren intervención, puede mejorar la productividad sin eliminar el trabajo de cosecha. Si se combina con sistemas autónomos de recolección, el impacto sería mayor y afectaría a la estructura de las campañas temporales. Esa segunda fase no está demostrada por AGRHOUND, pero el desarrollo de plataformas de navegación y percepción podría convertirse en una infraestructura para automatizaciones posteriores.

También hay una dimensión territorial. La digitalización puede fortalecer a las explotaciones que ya cuentan con capital, conectividad y personal técnico, mientras deja atrás a productores pequeños o ubicados en zonas con mala cobertura. Si el acceso a la tecnología depende de la capacidad de contratar asesoramiento especializado, la brecha no será solo entre empresas grandes y pequeñas, sino entre territorios con distinta infraestructura. Las cooperativas y los centros tecnológicos tendrán un papel decisivo para evitar que la agricultura de precisión quede reservada a una minoría.

El dato agrario se convierte en un activo estratégico

AGRHOUND también plantea una disputa menos visible: quién controla los datos que el robot recopila. Las imágenes y mediciones pueden revelar rendimientos, ritmos de maduración, problemas sanitarios y decisiones productivas de una explotación. Esa información tiene valor para el agricultor, para una cooperativa, para un proveedor tecnológico y, potencialmente, para compradores que intentan anticipar el volumen disponible.

Un contrato de servicio que no defina con claridad la propiedad, el almacenamiento, la reutilización y la eliminación de los datos puede generar conflictos. El productor debería saber si las imágenes se utilizan únicamente para su finca o si alimentan modelos comerciales aplicados a otros clientes. También tendría que conocer quién responde cuando una recomendación automatizada provoca una pérdida. La regulación europea sobre inteligencia artificial y protección de datos ofrece referencias importantes, pero el dato agronómico requiere además reglas sectoriales sobre trazabilidad, responsabilidad y competencia.

El segundo gran riesgo es la homogeneización de decisiones. Si muchas explotaciones utilizan modelos entrenados con los mismos criterios, podrían terminar priorizando las mismas variedades, fechas o estándares de maduración. Eso puede mejorar la eficiencia media, pero reducir la diversidad productiva y hacer que el sistema sea vulnerable a una condición que no estaba representada en los datos de entrenamiento. La inteligencia artificial necesita diversidad de parcelas y campañas, no solo grandes volúmenes de imágenes similares.

La prueba decisiva llegará cuando cambien el tiempo y el terreno

Los ensayos de 2027 y 2028 serán relevantes porque obligarán al sistema a enfrentarse a la variabilidad real. Un algoritmo puede funcionar en una jornada con buena luz y suelo seco, pero ofrecer resultados distintos con polvo, lluvia, vegetación densa, reflejos en un invernadero o una distribución excepcional de los frutos. La autonomía también deberá demostrar que el robot puede mantener su ruta sin dañar plantas, superar obstáculos y detenerse cuando la percepción sea insuficiente.

La seguridad no debe reducirse a evitar una colisión. El dispositivo tendrá que convivir con trabajadores, animales, vehículos, sistemas de riego y maquinaria. Deberá contar con protocolos de parada, registro de incidencias y mecanismos para que una persona retome el control. En un entorno agrícola, un fallo de navegación puede traducirse en daños físicos, pérdida de tiempo o contaminación accidental si el robot interfiere con una operación de tratamiento.

Hay además un riesgo de expectativas. La expresión “inteligencia artificial” puede hacer pensar en una predicción exacta y autónoma, cuando el sistema depende de la calidad de los datos y de las condiciones en las que fue entrenado. El éxito de AGRHOUND debería medirse con indicadores verificables: precisión en la detección de madurez, reducción de recorridos, disminución de fruta descartada, ahorro de agua o mejora del rendimiento económico. Sin esa comparación con métodos convencionales, el proyecto podría generar imágenes atractivas sin demostrar un beneficio suficiente.

Un posible modelo para la agricultura de los próximos años

Si el desarrollo alcanza sus objetivos, los robots cuadrúpedos podrían ocupar un nicho concreto dentro de una arquitectura agrícola más amplia. Drones, estaciones meteorológicas, sensores de suelo, imágenes satelitales y maquinaria autónoma aportarían datos diferentes. El perro robot tendría ventaja en la observación cercana y en espacios donde otros equipos no pueden operar con facilidad. Su función no sería reemplazar cada herramienta, sino llenar el vacío entre la visión aérea y la inspección manual.

La evolución más probable será gradual. Primero se utilizará como instrumento de diagnóstico acompañado por un operario; después podrá generar mapas integrados en los programas de gestión de la explotación; y solo más adelante podría activar tareas automáticas bajo supervisión. Esa progresión permitiría comprobar el valor económico antes de delegar decisiones de mayor riesgo. También favorecería una formación profesional orientada a la interpretación de datos, la calibración de sensores y la gestión de excepciones.

El proyecto de Extremadura llega en un momento en el que el campo necesita producir con menos agua, menos insumos y mayor previsibilidad, pero no puede permitirse soluciones que ignoren la complejidad biológica. AGRHOUND apunta a una idea poderosa: conocer mejor la variación dentro de una parcela puede ser tan importante como aumentar la capacidad de las máquinas. La promesa, sin embargo, solo se convertirá en una mejora real si los mapas son fiables, las recomendaciones son comprensibles, los costes resultan asumibles y los agricultores conservan la decisión final. El futuro de este perro robot no se decidirá por la cantidad de sensores que lleve, sino por la confianza que sea capaz de ganarse entre quienes trabajan la tierra.