De 43 proyectos postulados, seis validaron su tecnología a campo, durante una temporada productiva completa.
Cada startup trabajó con un plan de validación propio: hipótesis, métricas y jornadas de campo acordadas con el equipo de Validagro. Acá está el resumen de cada experiencia.
Cada validación fue una prueba de concepto en condiciones reales, con acompañamiento del equipo de Validagro. Elegí una startup y navegá su informe por secciones.
| Parámetro | Lote GanaderIA | Lote testigo | Total |
|---|---|---|---|
| N.º de animales | 157 | 158 | 315 |
| Peso promedio inicio (kg) | 234,73 | 237,22 | – |
| Método de pesaje periódico | Dron (c/15 días) | Balanza (c/30 días) | – |
| Condiciones de pastoreo | Igualitarias | Igualitarias | – |
| Condición de captura | Real | GanaderIA | Error |
|---|---|---|---|
| Condiciones óptimas de filmación | 315 | 315 | 0,00% |
| Condiciones subóptimas | 315 | 314 | 0,26% |
| Condición de captura | Desvío negativo | Desvío positivo | Dentro del margen |
|---|---|---|---|
| Condiciones óptimas de filmación | –1,8% | +2,1% | Sí |
| Segundo ensayo (óptimas) | – | +0,76% | Sí |
| Condiciones subóptimas | –6,17% | – | No |
| Indicador | GanaderIA | Testigo |
|---|---|---|
| Peso inicio (kg) | 234,73 | 237,22 |
| Peso final (kg) | 323 | 310 |
| GPV (kg) | 88,27 | 72,78 |
| GDM (kg/día) | 0,68 | 0,56 |
| Diferencia GPV | +15,49 kg | |
| Diferencia GDM | +21% | |
| Indicador | GanaderIA (dron) | Tradicional (balanza) |
|---|---|---|
| Tiempo total por medición | ~1,5 horas | ~8 horas |
| Intervención directa sobre el animal | ~30 minutos | ~8 horas |
| Reducción de tiempo | >80% | – |
| Nivel de estrés animal | Bajo | Elevado |
| Personal requerido | 1–2 personas | 3 personas |
| Horas de trabajo diferencial | 126 horas × 5,3 USD/h |
| Ahorro económico | U$S 668 |
| Diferencial de kilos | 4.879 kg × 3,6 USD/kg |
| Resultado económico | U$S 17.566 |
Cálculo: U$S 18.234 de ahorro total ÷ 27.805 kg ganados (88,27 kg × 315 cab). Ejemplo de escalabilidad: 1.000 animales × 120 kg ganados/animal × 0,65 USD/kg = U$S 78.000 de ganancia potencial adicional.
Con 1 vuelo de práctica y 4 hs de capacitación, personal sin experiencia previa en drones operó el sistema de forma autónoma. Ganader participó activamente en capacitaciones y seguimiento.
Factor clave: flujo controlado, altura del dron, evitación de aglomeraciones. Idealmente con 2 operarios para controlar el flujo de animales bajo el dron.
Nuevo objeto de referencia QR desarrollado durante el ensayo para ajustar y corregir desvíos. Mejoró resultados vs. versiones previas del modelo de estimación de peso.
Vuelo a ~30 m de altura. No requiere objetos de referencia. Protocolo simplificado, mayor escalabilidad operativa. Operación sencilla y de rápida ejecución.
Vuelo a ~9,9 m de altura. Requiere 2 objetos de referencia QR para calibración geométrica. Protocolo más cuidadoso, idealmente con 2 operarios para controlar el flujo.
| Razas | Hereford y Angus |
| Individualización | Caravana electrónica |
| Manejo | Pastoreo rotativo intensivo |
| Terminación | Parques de invernada |
| Genética | Plan de desarrollo genético con cabañas de ambas asociaciones |
| Causa | Impacto |
|---|---|
| Pérdida de caravanas | Duplicación de registros |
| Reasignación de identificadores | Dispersión de información |
| Alto nivel de movimientos diarios | Dificultó carga del stock inicial |
| Múltiples movimientos previos | Profundizó el problema al completar carga |
Oportunidad de complementar el esquema individual con trabajo a nivel de rodeos o grupos generalizados, definidos por características productivas clave.
La caravana electrónica debería funcionar como un atributo más del animal, valioso pero no excluyente, permitiendo que la gestión continúe aun cuando dicho dato no esté disponible.
Enfoque híbrido: gestión por rodeos con individualización opcional y progresiva. Mantener trazabilidad estratégica sin sacrificar agilidad operativa.
Finca demuestra potencial como plataforma de digitalización ganadera, especialmente en integración de datos, capacidad analítica y construcción de indicadores productivos relevantes. La digitalización total del stock es técnicamente viable, aunque su implementación efectiva depende de la escala operativa, la dinámica de movimientos y el modelo de gestión.
Finca no encuentra sus límites en la capacidad tecnológica, sino en la necesidad de adaptar su lógica de uso a sistemas de gran escala y alta complejidad. Ajustando estos aspectos, tiene el potencial de consolidarse como herramienta central para la gestión ganadera basada en datos.
| Lote | Mezcla forrajera | Sup. (ha) | Fecha corte |
|---|---|---|---|
| Clé Sur 1 | Lotus + trébol + festuca + raigrás | 36 | 02/11/2025 |
| Clé Sur 2 | Lotus + trébol + festuca + raigrás | 17 | 02/11/2025 |
| Santa María 1 | Alfalfa + cebadilla + festuca + trébol blanco | 12 | 27/10/2025 |
| Santa María 2 | Alfalfa + cebadilla + festuca + trébol blanco | 13 | 27/10/2025 |
| San José Norte 1 | Alfalfa + cebadilla + festuca + trébol blanco | 36 | 31/10/2025 |
| San José Norte 2 | Alfalfa + cebadilla + festuca + trébol blanco | 20 | 31/10/2025 |
| Clé Sur (1 y 2) | Lotus + trébol + festuca + raigrás + alfalfa | 71 | 27/12/2025 |
| Tablas Sur 1 | Lotus + trébol + festuca | 37 | 15/12/2025 |
| Lote | Stock (kg MS/ha) | Stock + tasa crec. | kg MS total |
|---|---|---|---|
| Clé Sur 1 | 2.915 | 3.765 | 113.940 |
| Clé Sur 2 | 2.932 | 3.782 | 54.094 |
| Santa María 1 | 2.100 | 2.750 | 25.800 |
| Santa María 2 | 2.100 | 2.750 | 27.950 |
| San José Norte 1 | 2.335 | 3.135 | 91.260 |
| San José Norte 2 | 2.109 | 2.909 | 46.180 |
| Lote | Stock (kg MS/ha) | Remanente | kg MS total |
|---|---|---|---|
| Clé Sur | 5.883 | 400 | 417.717 |
| Tablas Sur 1 | 4.908 | 400 | 181.578 |
| Lote | Pastech (r/ha) | Productor (r/ha) | Dif. r/ha | Dif. kg MS/ha |
|---|---|---|---|---|
| Clé Sur 1 y 2 | 7,0 | 7,7 | –0,7 | –350 |
| Santa María 1 y 2 | 4,8 | 4,5 | +0,3 | +150 |
| San José Norte 1 y 2 | 5,5 | 5,3 | +0,2 | +100 |
Diferencia máxima: 350 kg MS/ha (coincide con el umbral). 2 de 3 grupos con diferencias <150 kg MS/ha. Alto nivel de ajuste.
| Lote | Pastech (r/ha) | Productor (r/ha) | Dif. r/ha | Dif. kg MS/ha |
|---|---|---|---|---|
| Clé Sur | 13,8 | 14,5 | –0,7 | –350 |
| Tablas Sur 1 | 11,5 | 12,8 | –1,3 | –650 |
Subestimación sistemática. Tablas Sur 1: –650 kg MS/ha, supera el umbral. Acumulación de MS remanente y déficit hídrico interfirieron en la interpretación espectral.
La precisión en la toma de datos impacta directamente en la calidad de los resultados. Es necesario capacitar al operario responsable de las calibraciones iniciales a campo.
Los protocolos de calibración deben ajustarse según el tipo de pastura presente en cada potrero y la frecuencia de calibración requerida.
La plataforma permite construir escenarios predictivos para asignación de carga, dimensionamiento de parcelas, duración de rotaciones y gestión del stock forrajero.
Desde la salida del invierno hasta el inicio de los períodos restrictivos por sequía y altas temperaturas, el modelo reproduce con alto grado de fidelidad el stock de pasto disponible. En ese rango, presenta alto potencial para ajuste de carga y manejo según tipo de rodeo.
| Parámetro | R02 (Advisor) | R04 (Advisor) | Testigos |
|---|---|---|---|
| Superficie (ha) | 83 | 81 | R01E y R03 |
| Cultivo | Maíz (línea parental Bayer) | Maíz (línea parental Bayer) | Manejo convencional productor |
| Fecha de siembra | 10/09/2025 | 16/09/2025 | – |
| Cosecha de espiga | 28/01/2026 | 07/02/2026 | – |
| Método de decisión de riego | BH FCA-UNL + Advisor | BH FCA-UNL + Advisor | Criterio del productor |
Para validar el modelo de recomendación se contrató, por medio de Tecnotierras, a la Facultad de Ciencias Agrarias (UNL) y su Laboratorio de Suelos, con el objetivo de identificar las características edáficas de los lotes. Se realizó un balance hídrico que fue tenido en cuenta para los ajustes del modelo.
En ambos círculos se implantaron líneas machos y hembras de maíz del semillero Bayer. Los coeficientes de cultivo (Kc) fueron obtenidos de Ojeda-Bustamante et al. (2006). Se monitorearon dos pivotes centrales de similar superficie con dosis bruta de 15 mm por evento e intervalo de ~2 días en máxima demanda.
Se utilizaron dos estaciones agrometeorológicas automáticas: una de Arable Labs y una Metos instalada en las proximidades de R02 y R04, ambas con cálculo de ETo según Penman.
Con el asesoramiento de la UNL se logró caracterizar la dinámica del agua en el perfil del suelo mediante la estimación de la CRAD, la fracción de agua fácilmente utilizable y los umbrales de estrés hídrico.
En general, las recomendaciones de riego estuvieron alineadas con el balance hídrico propio del proyecto. Sin embargo, se detectaron limitaciones estructurales en la plataforma, principalmente en la parametrización del suelo (rigidez del factor de agotamiento y simplificación de la profundidad de enraizamiento), lo que obligó a ajustes indirectos en los parámetros de entrada para aproximar la realidad agronómica observada en campo.
FieldNET es una plataforma robusta que permite centralizar información en tiempo real sobre el funcionamiento y la operación de equipos de riego de manera remota.
La plataforma demostró alta eficiencia en el monitoreo remoto del estado operativo de los equipos (avance, presión, voltaje), en la generación de alertas funcionales y en la visualización de índices espectrales del cultivo. Estos módulos fueron valorados positivamente por el equipo técnico de Fersam Agroindustrial.
Como diferencial estratégico, se destaca su capacidad de integración con bases de datos externas, lo que amplía el ecosistema de información disponible y fortalece su potencial como sistema integral de gestión del riego.
Centralización de información en tiempo real. Alta eficiencia en alertas funcionales e índices espectrales. Valorado positivamente por Fersam Agroindustrial.
Diferencial estratégico: capacidad de integración con bases de datos externas, ampliando el ecosistema de información y el potencial como sistema integral de gestión del riego.
El desempeño óptimo requiere calibración inicial precisa. La parametrización edáfica es el punto más crítico y el eslabón más sensible del sistema.
Herramientas como FieldNET Advisor atacan un dolor muy relevante para los productores que utilizan sistemas de riego. Mejorar la toma de decisiones sobre la gestión de riego puede tener un gran impacto positivo, no solo en la rentabilidad sino en la huella hídrica de la producción.
En el contexto del proyecto, los ajustes técnicos y las decisiones de manejo durante la mayor parte del ciclo productivo se realizaron a partir de la información generada y validada por el Laboratorio de Física de Suelos y la FCA-UNL. Si bien esta intervención dotó de rigor técnico a las recomendaciones, no permitió observar la autonomía de la plataforma por sí sola.
La plataforma comenzó a proporcionar recomendaciones consistentes recién en las etapas finales del sistema productivo, con cultivos próximos a la senescencia. Si bien algunos resultados no fueron exactamente iguales al BH propio, las recomendaciones fueron semejantes a las del balance independiente en las etapas donde logró calibrarse.
En conclusión, la plataforma no alcanzó a validar plenamente las hipótesis planteadas. No obstante, estos resultados no invalidan la herramienta ni el proceso de evaluación.
FieldNET Advisor cuenta con un alto potencial para evolucionar hacia un modelo predictivo y de recomendación robusto, siempre que se realicen los ajustes y calibraciones necesarios para su aplicación en condiciones productivas de Argentina y, en particular, en ambientes con alta heterogeneidad edáfica. El aprendizaje obtenido permite sentar las bases para adaptar la plataforma a la realidad productiva regional y avanzar hacia un uso más preciso y confiable en futuras campañas.
Transforman datos en decisiones accionables. Resultados inmediatos y respuestas en lenguaje natural.
Estándares estrictos de confidencialidad. Solución abierta, interoperable y adaptable a cualquier ecosistema digital.
Reducción drástica del tiempo de recolección de datos, procesamiento y cálculo de KPIs. Automatización de reportes.
Modelo de aprendizaje continuo. A medida que se profundizan las consultas, la precisión y pertinencia mejoran.
| Nombre | Rol |
|---|---|
| Daniel Almazan Sendino | CEO |
| Yair Zacca | CDO |
| Marcelo Soto | CTO |
| Mariana | Técnica |
| Variable | Fuente |
|---|---|
| Consumo de combustible | JD Operations Center |
| Rendimiento | JD Operations Center |
| Horas de máquina | JD Operations Center |
| Eficiencia de campo | JD Operations Center |
| Costos productivos | Datos de gestión |
Se logró la unificación automática de datos de maquinaria John Deere de 10 clientes de Agronorte en un repositorio central (Snowflake). Dentro de Validagro, se accedió a los datos de Entre Ríos S.A., con comparativas entre datos promedios de los demás usuarios.
Pipeline funcional: API JD → dbt → Snowflake → Power BI. Extracción periódica automatizada con normalización de variables.
Se implementaron agentes de IA que permiten consultas en lenguaje natural sobre desempeño de maquinaria, eficiencia operativa y costos productivos.
Pipeline ETL funcional y escalable. API JD → dbt → Snowflake → Power BI. Extracción automatizada de datos de 10 clientes de Agronorte.
El agente conversacional mejora con cada interacción. Aprende la lógica del negocio, dónde buscar y cómo correlacionar la información. Precisión creciente pero aún en fase piloto.
Completar la maduración del agente de IA hasta un nivel de autonomía compatible con el uso diario por productores. Requiere fase adicional de implementación comercial.
IAGRO resuelve de manera efectiva el problema de la fragmentación y centralización de datos, y ofrece una capa de visualización funcional mediante dashboards en Power BI con indicadores operativos y económicos.
Respecto al módulo conversacional, la experiencia de uso durante el período de validación evidenció un proceso de maduración progresiva del modelo: a medida que se profundizaron las consultas y el equipo de IAGRO ajustó los parámetros de entrenamiento, la precisión en la búsqueda, correlación e interpretación de la información mejoró significativamente.
El desafío pendiente es completar la maduración del agente de IA hasta un nivel de precisión y autonomía que permita su adopción como herramienta de consulta y decisión en el día a día del productor, lo cual requerirá una fase adicional de implementación comercial con acceso pleno a datos y usuarios finales.
