Agricoltura e AI: cosa funziona davvero e cosa è solo hype

Secondo la FAO, entro il 2050 la produzione alimentare globale dovrà aumentare del 60% per sostenere una popolazione che supererà i 9 miliardi di persone. Nel frattempo, il cambiamento climatico sta rendendo le stagioni agricole sempre meno prevedibili, e la disponibilità di acqua dolce si contrae. È in questo scenario che l’intelligenza artificiale viene presentata come la soluzione definitiva. Ma quanto di ciò che viene promesso è realmente operativo nei campi?

Il contesto: dall’agricoltura di precisione all’AI

L’idea di applicare tecnologia ai campi non è nuova. L’agricoltura di precisione esiste dagli anni Novanta, con GPS e sensori che permettono di variare la quantità di fertilizzanti o acqua in base alle condizioni specifiche di ogni zona del terreno. Quello che l’AI aggiunge è la capacità di elaborare enormi quantità di dati eterogenei — immagini satellitari, dati meteorologici, sensori IoT nel suolo, storici di raccolto — e trarne previsioni o raccomandazioni operative.

Le applicazioni concrete si dividono in alcune categorie principali: visione artificiale per il riconoscimento di malattie e parassiti, modelli predittivi per ottimizzare irrigazione e fertilizzazione, robotica autonoma per la raccolta, e sistemi di monitoraggio delle colture tramite droni o satelliti.

Computer vision: identificare problemi prima che sia troppo tardi

Uno degli ambiti dove l’AI ha dimostrato risultati tangibili è il riconoscimento visivo delle patologie delle piante. Startup come Plantix, acquisita da BASF nel 2021, hanno sviluppato app che permettono agli agricoltori di fotografare una foglia malata e ricevere una diagnosi in tempo reale. Il sistema si basa su reti neurali convoluzionali (CNN) addestrate su milioni di immagini di piante affette da diverse patologie.

Il progetto PlantVillage della Penn State University ha reso disponibile un dataset pubblico con oltre 50.000 immagini di foglie sane e malate, diventato un benchmark per la ricerca nel settore. I modelli più recenti raggiungono accuratezze superiori al 95% in condizioni controllate, ma le performance calano significativamente quando si passa alle condizioni reali del campo, dove illuminazione, angolazioni e varietà di piante introducono variabili non presenti nei dataset di training.

Modelli predittivi e ottimizzazione delle risorse

Aziende come Climate Corporation, acquisita da Bayer per oltre 1 miliardo di dollari nel 2013, offrono piattaforme che integrano dati meteorologici, caratteristiche del suolo e storici di produzione per fornire raccomandazioni su quando seminare, irrigare o applicare trattamenti. Il loro prodotto Climate FieldView copre oggi oltre 60 milioni di ettari nel mondo.

In Italia, xFarm Technologies ha sviluppato una piattaforma che aggrega dati da sensori, trattori connessi e immagini satellitari per creare modelli predittivi personalizzati per ogni azienda agricola. La startup ha raccolto oltre 40 milioni di euro in finanziamenti e collabora con consorzi agrari e cooperative.

Il machine learning viene utilizzato anche per l’ottimizzazione dell’irrigazione. Sensori di umidità del suolo, combinati con previsioni meteorologiche e modelli di evapotraspirazione, permettono di ridurre il consumo idrico fino al 30% mantenendo le rese. Sistemi come quelli di CropX o Netafim sono già operativi su scala industriale in regioni aride come Israele, California e Australia.

Robotica e automazione: promesse e limiti

La robotica agricola è probabilmente l’area dove il divario tra aspettative e realtà è più ampio. Raccogliere fragole o pomodori richiede una destrezza e una capacità di valutazione che i robot attuali faticano a replicare. Aziende come Abundant Robotics, che aveva sviluppato un sistema per la raccolta autonoma delle mele, hanno chiuso i battenti nel 2021 nonostante investimenti significativi.

Più promettenti sembrano le applicazioni di robot per il diserbo meccanico. FarmWise, ora parte di John Deere, e Carbon Robotics hanno sviluppato macchine che usano computer vision per distinguere le colture dalle erbe infestanti, eliminando queste ultime con lame o laser ad alta precisione. Questo riduce drasticamente l’uso di erbicidi, con benefici ambientali ed economici.

Il problema non è solo tecnologico ma economico: un robot per la raccolta costa centinaia di migliaia di euro, e i margini agricoli raramente giustificano investimenti simili senza incentivi pubblici.

I nodi critici: dati, connettività e concentrazione

L’efficacia di qualsiasi sistema basato su AI dipende dalla qualità e quantità dei dati disponibili. In agricoltura, questo significa sensori affidabili, connettività nelle aree rurali — spesso carente — e interoperabilità tra sistemi di produttori diversi. La frammentazione dei dati è un problema serio: ogni costruttore di trattori, ogni fornitore di sensori, ogni piattaforma gestionale tende a creare silos proprietari.

C’è poi la questione della concentrazione di mercato. Le grandi aziende agrochimiche — Bayer, Syngenta, Corteva — stanno acquisendo startup agritech e accumulando dati sulle pratiche agricole di milioni di aziende. Questo solleva interrogativi su chi controlla le informazioni e chi beneficia realmente delle ottimizzazioni suggerite dagli algoritmi.

Un paper pubblicato su Nature Food nel 2022 ha evidenziato come i sistemi di raccomandazione basati su AI tendano a favorire pratiche intensive e l’uso di input chimici rispetto ad approcci agroecologici, semplicemente perché i dataset disponibili riflettono decenni di agricoltura convenzionale.

Il ruolo dei large language model

L’arrivo dei modelli linguistici di grandi dimensioni ha aperto nuovi scenari anche in agricoltura. Microsoft, attraverso il suo programma AI for Good, sta sperimentando chatbot basati su GPT-4 per fornire consulenza agronomica a piccoli agricoltori in India e Africa, in lingue locali. Il progetto, sviluppato in collaborazione con ICRISAT, punta a democratizzare l’accesso a conoscenze che tradizionalmente richiedono consulenti specializzati.

Tuttavia, i LLM portano con sé i rischi noti: allucinazioni, informazioni obsolete, incapacità di contestualizzare le raccomandazioni alle condizioni specifiche del terreno. In un settore dove un consiglio sbagliato può compromettere un intero raccolto, l’affidabilità diventa critica.

Cosa aspettarsi nei prossimi anni

L’agricoltura e AI rappresentano un binomio con potenziale reale, ma la traiettoria non sarà lineare. Le applicazioni più mature — computer vision per la diagnostica, modelli predittivi per l’ottimizzazione delle risorse — continueranno a diffondersi, specialmente nelle aziende di medie e grandi dimensioni che possono permettersi gli investimenti necessari.

La robotica per la raccolta richiederà ancora anni di sviluppo prima di raggiungere la maturità economica. Nel frattempo, le questioni di governance dei dati, interoperabilità e accesso equo alla tecnologia determineranno se l’AI in agricoltura diventerà uno strumento di efficienza diffusa o un ulteriore fattore di concentrazione del potere nelle mani di pochi grandi player.

La sfida vera non è tecnologica ma sistemica: costruire un ecosistema dove l’innovazione serva effettivamente chi coltiva la terra, non solo chi vende la tecnologia.