A IMBR desenvolve algoritmos próprios capazes de estruturar e interpretar dados, gerando análises como monitoramento e previsão de safra (Imagem: Divulgação)
Apesar do avanço acelerado da inteligência artificial em diversos setores, a agricultura ainda utiliza apenas uma fração do potencial da tecnologia. A avaliação é reforçada por um relatório recente da Anthropic e encontra eco no diagnóstico de startups do setor.
O relatório aponta que a “IA está longe de atingir sua capacidade teórica: a cobertura real ainda representa apenas uma fração do que é viável”, em especial no agronegócio, em que muitas tarefas, naturalmente, ainda dependem de trabalhos físicos.
Para Hernan Angulo, cofundador e diretor administrativo da IMBR Agro — empresa que integra o SNASH, hub de startups com apoio da Sociedade Nacional de Agricultura — , o principal gargalo não está apenas na adoção da IA, mas na própria estrutura dos dados disponíveis no campo.
“A inteligência artificial é um algoritmo, e esse algoritmo é sustentado por bases de dados”, explica.
Entretanto, segundo ele, diferentemente de outros segmentos, o agronegócio lida com informações altamente fragmentadas, que vão de índices climáticos a preços de commodities, e que “não são diretamente relacionáveis”.
Na prática, embora ferramentas consigam coletar dados como chuva, radiação solar ou produtividade, falta a elas capacidade de cruzar essas informações de forma adequada.
Por isso, é necessário “desenvolver algoritmos e modelos complementares para que esses agentes possam acessar esses algoritmos de análise específica para funcionar”, destaca Angulo.
É justamente nesse ponto que a IMBR atua ao desenvolver algoritmos próprios capazes de estruturar e interpretar esses dados, gerando análises como monitoramento e previsão de safra.
“Temos os algoritmos que nós construímos, que fazem as relações dos dados e aí geram os resultados”, diz.
Além da limitação técnica, há entraves estruturais. A conectividade no campo — especialmente em regiões mais afastadas — ainda é considerada um dos principais obstáculos para a adoção de tecnologias mais avançadas.
“Para um agente de IA conseguir acessar o sistema de um trator, ele precisa de conectividade. E a conectividade, principalmente no Brasil, é ainda muito restrita”, afirma.
Outro fator relevante é o custo e a complexidade de implementação dessas soluções, que ainda dependem de maior escala para se tornarem acessíveis. Segundo o executivo, trata-se de um “ciclo vicioso”, em que limitações estruturais e baixa adoção se retroalimentam.
Angulo também chama atenção para um equívoco recorrente no debate sobre tecnologia no campo. “Há uma confusão de que a tecnologia do campo só se aplica dentro da porteira”, afirma.
Segundo ele, há uma tendência de associar inovação apenas a equipamentos como máquinas autônomas e drones.
Embora esses equipamentos façam parte da transformação digital, representam apenas uma parcela do potencial da inteligência artificial no agro.
A tendência, de acordo com Angulo, é que a IA também seja usada para integrar e gerenciar essas tecnologias. No entanto, esse avanço ainda depende da superação das barreiras atuais, especialmente no que diz respeito à infraestrutura digital.
LEIA TAMBÉM:
Chega ao mercado nova ferramenta de gerenciamento de riscos agrícolas
Controle do clima ao alcance das mãos
Estratégia para driblar a falta de dados
Para contornar parte desses desafios, a IMBR adotou uma abordagem que reduz a dependência de informações coletadas diretamente nas fazendas. A startup utiliza bases públicas de dados, como informações climáticas e geoespaciais, provenientes de instituições nacionais e internacionais.
“A gente consegue analisar o clima, o perfil climático, o potencial produtivo das fazendas, só que sem depender de alguém dentro das propriedades fornecendo esses dados”, explica Angulo.
A IMBR coleta e cruza dados de diferentes fontes para gerar diagnósticos sobre áreas específicas.
Esse modelo tem permitido à agtech atuar principalmente no mercado B2B, atendendo empresas que prestam serviços ao agronegócio.
Ciência como base para avançar
Para evoluir seus modelos, a IMBR aposta em parcerias com instituições acadêmicas e centros de pesquisa. Segundo Angulo, os algoritmos utilizados têm base científica e passam por validações constantes.
“A gente vai fazendo esse aprimoramento sempre baseado na ciência, nunca meramente aleatório”, afirma. Esse processo envolve colaboração com universidades e instituições de pesquisa, além de testes em campo com parceiros e clientes.
O objetivo, diz, é garantir precisão e aplicabilidade prática.
Mudança geracional pode acelerar adoção
Apesar das resistências, Angulo vê sinais de mudança no perfil dos produtores rurais, com a entrada de gerações mais jovens no comando das propriedades.
“Os produtores estão começando a ficar com um perfil um pouco mais jovem”, afirma.
“Esses produtores mais jovens estão começando a trazer mais tecnologia, são mais preparados em informação e mais adeptos a novas tecnologias do que as gerações anteriores”, diz.
