Medir la talla y contar la semilla: las brechas que una IA detectó en tres registros de cultivo

De la predicción a la pregunta

La prueba la relata Ralf Klis, fundador de Mussel App —una aplicación de gestión para centros de cultivo de mejillones, ostras y algas—, en un boletín que la empresa publicó el 18 de septiembre de 2026. El equipo tomó tres cuentas de clientes con al menos doce meses de datos estructurados en la aplicación, junto con la información ambiental de cada centro. El resultado de sus modelos de pronóstico pasó por un modelo de decisión probabilística y luego por un modelo de lenguaje, encargado de interpretar y explicar en texto lo que los modelos detectaban.

Según Klis, el sistema comenzó entonces a formular requerimientos: qué variable registrar con más constancia en cada centro, por qué, y qué mediciones adicionales le permitirían predecir mejor. El propio fundador advierte que las predicciones de la aplicación todavía pueden ser muy precisas en un centro y fallar en otro, porque el sistema sigue aprendiendo y cada centro es distinto. La empresa anunció que durante el próximo mes comenzará a entregar este tipo de análisis a quienes ya usan la aplicación, y publicó tres ejemplos de la retroalimentación generada, sin identificar a los clientes ni su ubicación.

Primer caso: la talla, medida en el tiempo

El primer ejemplo corresponde a un cultivo en canastas cuyo registro el sistema califica de detallado y consistente: 1.771 siembras a lo largo de cinco etapas de manejo, con la densidad anotada en cada una y conteos de clasificación lo bastante precisos para calcular la supervivencia real entre etapas. La brecha estaba en la talla. Los registros eran fotos puntuales tomadas al clasificar, no una serie en el tiempo: el 59% de los muestreos consecutivos de un mismo cultivo compartía la misma fecha y, de 573 pares de muestreos, solo 16 estaban lo bastante separados como para calcular una tasa de crecimiento.

El sistema pidió un solo cambio: marcar un puñado de canastas por línea y registrar su talla con un calendario fijo, una vez al mes. Con ese dato, sostiene, podría establecer si la variación de densidad que el productor ya aplica —de unas 34 unidades por canasta en la primera etapa a 75 en la quinta— le está costando crecimiento. Agregó dos observaciones menores: el espaciamiento entre canastas no quedaba registrado y las unidades alternaban entre piezas y docenas.

Segundo caso: la semilla, contada al llegar

El segundo caso es un productor de mejillón de labio verde que trabaja con semilla de Kaitaia: semilla silvestre que llega a la playa Ninety Mile, en el norte de Nueva Zelanda, adherida a algas y que, según el propio análisis, se compra por peso. El sistema destacó la calidad de sus notas de campo —unas 2.200 observaciones con detalle suficiente para leer densidad, bioincrustación, asentamiento de mejillón azul y condición—, una serie continua de 3.400 muestreos en 1.540 cultivos y la trazabilidad completa de cada lote. La brecha estaba en la recepción: la talla de la semilla figuraba en 1 de 157 siembras de la primera etapa y no había conteo de semilla viva por lote, de modo que un lote que llegó con poca semilla y uno que simplemente creció mal se ven idénticos en los datos.

La petición fue una submuestra que cuente los mejillones de labio verde vivos por kilo de alga al momento de recibirla: el denominador que, según el sistema, falta para todo lo relacionado con la primera etapa. El análisis agregó que el campo de condición «Buena/Regular» no predecía nada —los lotes marcados como buenos crecieron incluso algo más lento— y propuso reemplazarlo por el porcentaje de mejillón de labio verde frente a mejillón azul. Con lo disponible, concluyó que, dentro de esos datos, el sitio es el factor que más influye en el crecimiento, muy por encima de la densidad y el espaciamiento, y ofreció al productor el ranking completo de sus sitios para planificar la temporada siguiente.

Tercer caso: la captación, en números

El tercer análisis buscaba establecer si la densidad de siembra y el espaciamiento influyen en el crecimiento del mejillón. Respaldó con números el calendario que el productor ya usaba —en ese centro, cuya ubicación no se informa, las líneas puestas en el agua entre julio y agosto captan más semilla que las de junio, septiembre o verano, y cerca de dos tercios ya están dentro de esa ventana—, pero no pudo responder la pregunta de fondo. La densidad de engorde se mueve en un rango estrecho y hay solo unos 100 cultivos, de modo que, si la densidad afecta el crecimiento, el efecto es menor de lo que esos datos permiten detectar. Para resolverlo, el sistema propuso un ensayo deliberado con dos densidades en paralelo: líneas vecinas, mismo sitio, misma temporada y mismo lote de semilla.

También reportó un primer indicio, que pidió tomar como una posibilidad y no como algo confirmado: las líneas instaladas antes de una semana de calma parecen captar más semilla que las instaladas antes de una semana de viento, lo que apunta a la importancia de los primeros siete días. Una sola temporada explica casi todo ese patrón, y el propio análisis recomienda no planificar todavía en base a él. Para que cada temporada futura se pueda medir, pidió anotar en cada revisión de las líneas de captación cuánta semilla tienen como número —un conteo o un peso por metro— y no solo como nota descriptiva; del lado del clima, la empresa indica que ya puede reconstruir las condiciones de ese sitio hora por hora desde 2021.

Un cambio principal en cada caso

Los tres casos comparten un rasgo: en ninguno el sistema pidió rehacer el registro. En cada uno planteó un cambio principal y acotado —medir las mismas canastas cada mes, contar la semilla viva por kilo al recibirla, anotar la captación como número— y separó lo que los datos ya permitían afirmar de lo que todavía no.

Klis atribuye el avance a que los datos de sus clientes están estructurados y se pueden conectar entre sí: siembras, movimientos, muestreos, densidad, cosechas, información ambiental y años de historial de cada centro. La empresa había planteado esa lógica en julio, al lanzar su Análisis Meteorológico de la Semilla: advirtió entonces que, con inteligencia artificial, «lo que entra es lo que sale», incorporó avisos que detectan registros inconsistentes y precisó que los patrones que muestra son asociaciones dentro de los datos de cada centro, no causas comprobadas.

Alcances y límites

La aplicación la desarrolla FutureLab, su empresa matriz; según su fundador, fue creada hace cuatro años. Publica sus contenidos en inglés y en español, y entre el 25 de marzo y el 2 de abril de 2026 su equipo visitó centros de cultivo en Chile. Para el análisis meteorológico que lanzó en julio, la empresa informa que usa datos climáticos del servicio Windy.

Para quien evalúe herramientas de este tipo, la pregunta útil es por sus alcances y límites: cuántos meses de registro necesitan, qué variables exigen y con qué frecuencia, y cómo distinguen una asociación de una causa. Con o sin inteligencia artificial, un registro que no se puede comparar en el tiempo deja sin respuesta las preguntas que más pesan en una temporada: cuánto creció el cultivo, cuánta semilla llegó y qué explica la diferencia entre un sitio y otro.

• Boletín completo de Mussel App (en español): musselfarm.co.nz

• Análisis Meteorológico de la Semilla, Mussel App (julio de 2026): musselfarm.co.nz

Mussel App forma parte de la red de proveedores de REDIA y solicitó difundir su boletín entre los productores. Esta nota se elaboró a partir de lo publicado por la empresa; los casos corresponden a clientes no identificados y REDIA no tuvo acceso a sus datos ni a sus modelos.