La cartografía de malas hierbas con IA de Geco crece rápidamente, pero los retornos agrícolas siguen siendo la prueba
La cartografía de malas hierbas con IA de Geco se ha expandido de tres explotaciones del oeste de Canadá en 2023 a más de 160 explotaciones en siete países. Ese crecimiento da sustancia a las afirmaciones de que la inteligencia artificial se está convirtiendo en una tecnología agrícola de rápida evolución.
El cambio importante no es otra cámara que reconoce malas hierbas justo antes de que una pulverizadora las alcance. Geco Strategic Weed Management analiza varios años de imágenes e historial de campo para prever dónde es probable que emerjan poblaciones persistentes de malas hierbas.
Esa distinción adelanta el momento de decisión. Los agricultores y agrónomos pueden dirigir semillas, herbicidas, laboreo o capacidad robótica antes de que las malas hierbas visibles dicten la respuesta.
Sin embargo, la adopción no resuelve el argumento económico. Geco, EMILI —con sede en Manitoba— y la red nacional AIVA Network siguen evaluando si las zonas de malas hierbas previstas generan retornos repetibles en distintos cultivos, regiones y sistemas de manejo.
La cartografía de malas hierbas con IA de Geco apunta al banco de semillas, no solo a las plantas visibles
La apuesta central de Geco es que el mapa de malas hierbas más útil describe una población plurianual, no la vegetación de un solo día.
Un banco de semillas de malas hierbas es la reserva de semillas viables presente en el suelo o cerca de él. Algunas semillas germinan durante la temporada actual, mientras que otras permanecen latentes y generan presión en años posteriores.
La exploración tradicional proporciona a los agricultores información valiosa sobre las plantas ya visibles en un campo. Las pulverizadoras equipadas con cámaras también identifican malas hierbas emergidas y activan boquillas o secciones individuales durante la aplicación.
Geco opera en una escala temporal diferente. Su software utiliza inteligencia artificial, imágenes satelitales, información histórica de los campos y modelos agronómicos para estimar dónde se están desarrollando zonas recurrentes de malas hierbas.
La empresa afirma que, por lo general, analiza cinco años de historial de campo y más de 100 imágenes satelitales. Las imágenes de drones o los datos de pulverizadoras ópticas pueden complementar ese registro cuando están disponibles.
Esta visión histórica importa porque un terreno limpio no indica necesariamente un banco de semillas vacío. Un tratamiento herbicida exitoso puede eliminar las plantas emergidas mientras las semillas viables permanecen bajo la superficie.
El fundador de Geco, Greg Stewart, describió este cambio en el informe original sobre cartografía de malas hierbas. Los agricultores comienzan a considerar la población subterránea y las acciones sostenidas necesarias para reducir sus concentraciones más graves.
El mapa resultante no está diseñado para sustituir a un agrónomo ni para prescribir un tratamiento universal. Divide un campo en zonas donde las herramientas de manejo existentes pueden aplicarse de forma diferente.
Un agricultor podría aumentar la densidad de siembra del cultivo en un foco previsto. Una mayor competencia del cultivo puede limitar el acceso de las malas hierbas a la luz, el agua y los nutrientes.
Otro campo podría recibir un herbicida residual en zonas seleccionadas. Los herbicidas residuales permanecen activos en el suelo durante un periodo tras la aplicación y atacan las malas hierbas a medida que germinan.
El laboreo y el control de semillas de malas hierbas durante la cosecha son otras respuestas posibles. La elección adecuada depende de la rotación de cultivos, los patrones de resistencia, las condiciones del suelo, el equipo y el programa de control de malas hierbas existente en la explotación.
El software genera archivos de prescripción para maquinaria agrícola compatible. Estos archivos indican a los equipos de dosis variable dónde debe cambiar el nivel de un insumo mientras se desplazan por un campo.
Ese flujo de trabajo vuelve operativa la predicción. Un mapa coloreado en una pantalla tiene un valor limitado si no puede dirigir una sembradora, pulverizadora, apero de laboreo o máquina autónoma.
Geco afirma que sus archivos funcionan con marcas de equipos existentes, en lugar de exigir una plataforma de maquinaria dedicada. Esto reduce una barrera para la adopción, pero no elimina la necesidad de registros de campo precisos.
El enfoque también cambia la unidad de análisis. En lugar de tratar un campo como un bloque uniforme, la explotación puede gestionar los parches persistentes como problemas biológicos diferenciados.
Por eso la historia va más allá de otra función de IA agrícola. El software intenta traducir observaciones históricas incompletas en una estrategia plurianual contra las malas hierbas.
De tres explotaciones a más de 160
El crecimiento de Geco es notable porque la adopción de IA agrícola en Canadá sigue siendo baja, incluso mientras se expande la presencia de la propia empresa.
EMILI, la Enterprise Machine Intelligence and Learning Initiative, comenzó a trabajar con Geco en 2023. En ese momento, la tecnología se estaba probando en tres explotaciones del oeste de Canadá.
En enero de 2026, EMILI informó de que Geco estaba disponible comercialmente en Norteamérica y se utilizaba en más de 160 explotaciones de siete países. Material posterior describió el total como superior a 160 explotaciones.
Esta expansión debe interpretarse con cautela. Demuestra alcance comercial, pero no muestra cuántas hectáreas inscribió cada cliente ni con qué regularidad utilizan las prescripciones resultantes.
Tampoco establece que la inteligencia artificial se haya vuelto común en toda la agricultura canadiense. Los datos nacionales ofrecen una imagen mucho más contenida.
Farm Credit Canada y Deloitte informaron de que solo el 1,8 por ciento de las empresas agrícolas canadienses utilizó IA durante el segundo trimestre de 2025. La tasa correspondiente en otros sectores fue del 12,2 por ciento.
El mismo análisis de adopción de IA identificó como barreras importantes la conectividad rural limitada, las restricciones de capital, la escasez de talento, la infraestructura fragmentada y una gobernanza incierta.
Estas condiciones hacen que la trayectoria de Geco sea más interesante, no menos. La empresa está creciendo dentro de un sector donde el despliegue sigue siendo difícil y desigual.
Su ruta al mercado también ilustra por qué importan las redes de validación. Una pequeña startup agrícola no puede mantener fácilmente equipos de campo en varias provincias y temporadas de cultivo.
EMILI proporciona tierras, registros históricos, observaciones con drones y exploración sobre el terreno en Manitoba. AIVA amplía ese trabajo de validación mediante centros asociados en Alberta, Ontario y Saskatchewan.
La red expone el modelo a distintos cultivos, tamaños de campo, especies de malas hierbas, suelos, patrones meteorológicos y sistemas de manejo. No puede asumirse automáticamente que un mapa que funciona en un campo de trigo funcione en soja o patatas en otros lugares.
El programa actual incluye trigo, soja, patatas, maíz, centeno, cebada, canola y habas. Los ensayos separados de rutas robóticas incluyen calabazas y cebollas.
Esta amplitud es importante porque las señales de vegetación cambian entre las cubiertas de los cultivos y las etapas de crecimiento. La geografía también cambia qué malas hierbas importan y cuándo las imágenes satelitales pueden captarlas.
La validación inicial de campo de Geco involucró kochia resistente a herbicidas y avena loca. Ambas son graves problemas de malas hierbas en las praderas, y ambas desafían los programas de manejo que dependen en gran medida de una gama limitada de herbicidas.
Agriculture and Agri-Food Canada señala que una planta de kochia puede producir 30.000 semillas. Su investigación sobre la kochia también describe la creciente resistencia de esta mala hierba a las clases de tratamiento establecidas.
Esa presión hace que la identificación de focos persistentes sea comercialmente relevante. Un agricultor que sabe dónde se están acumulando poblaciones resistentes puede concentrar intervenciones más costosas en vez de aplicarlas uniformemente.
Aun así, el rápido crecimiento de clientes y una fuerte relevancia biológica responden solo a parte de la cuestión. La prueba más difícil es si la acción recomendada mejora la rentabilidad después de cada insumo y coste operativo adicional.
La predicción cambia la competencia con la pulverización basada en cámaras
La competencia principal se da entre la planificación anticipada basada en poblaciones previstas de malas hierbas y el tratamiento inmediato basado en malas hierbas visibles.
Los sistemas basados en cámaras suelen observar el campo durante una pasada de aplicación. Sus sensores clasifican la vegetación, distinguen el cultivo de las malas hierbas y dirigen el tratamiento hacia las plantas detectadas en tiempo real.
Ese método ofrece una visión cercana de las condiciones actuales. Es especialmente útil cuando un productor quiere reducir la pulverización generalizada tratando solo objetivos visibles.
La cartografía de malas hierbas con IA de Geco comienza antes y más lejos de la planta individual. Su software busca patrones espaciales recurrentes que indiquen dónde es probable que vuelva la presión de malas hierbas.
Los dos enfoques no se excluyen mutuamente. Un mapa previsto puede orientar dónde una pulverizadora óptica, un técnico de exploración o un robot debería concentrar primero su atención.
Sin embargo, responden a preguntas diferentes. Una cámara pregunta qué está creciendo aquí ahora. Geco pregunta dónde ha persistido la población de malas hierbas y dónde debería intensificarse la intervención durante varias temporadas.
La distinción afecta a la planificación agrícola. La detección en tiempo real puede hacer más selectiva una pasada, mientras que la zonificación predictiva puede influir en los pedidos de semillas, los programas de herbicidas, la competencia del cultivo, el laboreo y las rutas de los equipos.
Un modelo de cinco años también busca suavizar el ruido de una temporada inusual. El clima, la elección del cultivo, el momento de aplicación y el acceso al campo pueden cambiar temporalmente lo que aparece sobre el suelo.
Las imágenes históricas aportan repetición, pero introducen sus propias hipótesis. El software debe distinguir las señales de malas hierbas del estrés del cultivo, las plantas voluntarias, los residuos, el suelo desnudo, las enfermedades y otras variaciones del campo.
EMILI afirma que su primera validación comparó los modelos satelitales de Geco con imágenes de drones y exploración física. Su validación de campo determinó que los modelos satelitales podían identificar de forma fiable parches de malas hierbas más grandes en los campos evaluados.
Esos resultados respaldaron la decisión de crear mapas de prescripción a partir de datos satelitales ampliamente disponibles. No demostraron que todas las especies de malas hierbas, campos y etapas de crecimiento funcionarán igual de bien.
El programa actual de AIVA está diseñado para examinar esa limitación. Los técnicos de campo visitarán los centros de ensayo cuatro veces durante la temporada y compararán las especies y densidades observadas de malas hierbas con las zonas detectadas por satélite.
Su segundo experimento aplica combinaciones de tasas de siembra y de herbicida residual de referencia o elevadas. Los tratamientos de siembra elevada aumentan la tasa aproximadamente entre un 25 y un 50 por ciento en zonas seleccionadas.
Los investigadores registrarán la presión de malas hierbas, el rendimiento del cultivo y el contenido de proteína. Estas mediciones vinculan la precisión de la detección con resultados que influyen en los ingresos agrícolas y las decisiones agronómicas.
Un tercer experimento utiliza la presión prevista para planificar rutas de robots desherbadores. Las rutas orientadas a las malas hierbas se compararán con rutas lineales convencionales en calabazas y cebollas.
Los tres experimentos de campo hacen que el panorama competitivo sea más matizado. La predicción podría convertirse en una capa organizadora para otros sistemas de detección y automatización.
Un robot tiene una capacidad diaria limitada. Si una previsión identifica las zonas más dañinas, la máquina puede visitar esas áreas antes de completar pasadas de menor prioridad.
La misma lógica se aplica a los técnicos de exploración. Un mapa puede dirigir la mano de obra limitada hacia áreas inciertas o de alta presión sin pretender que la teledetección sustituya la observación de campo.
Esto crea una posible división del trabajo. Los modelos históricos clasifican el riesgo, mientras que las cámaras de corto alcance y las personas verifican qué está realmente presente.
Si esa combinación funciona, el ganador no son las imágenes satelitales ni las cámaras por sí solas. Es un sistema por capas que utiliza cada fuente en la etapa en la que ofrece la decisión más clara.
Los primeros resultados de los ensayos son prometedores, pero limitados
El resultado económico más sólido hasta ahora proviene de un ensayo de siembra dirigida, no de una demostración amplia de rentabilidad entre los clientes de Geco.
Durante la temporada 2025, Geco y EMILI probaron un aumento de la siembra en tres franjas de 120 pies de ancho cada una, en un campo de Innovation Farms.
El ensayo aplicó una tasa de siembra un 25 por ciento mayor en zonas seleccionadas con malezas. EMILI informó un aumento del rendimiento del 7 por ciento y una reducción de las malezas del 29 por ciento.
Stewart describió que la semilla adicional generó un retorno siete veces superior a su coste. La cifra es útil, pero provino de un tratamiento específico en un campo bajo las condiciones de una sola temporada.
El resultado respalda un mecanismo agronómico consolidado. Un cultivo más denso puede competir con mayor eficacia con las malezas y limitar su reproducción.
La contribución de Geco es la capa de focalización. Se añade semilla donde la presión prevista lo justifica, en lugar de hacerlo en cada acre.
Esto importa porque una tasa de siembra elevada aumenta los costes. Aplicarla en todo un campo podría desperdiciar semilla en zonas de baja presión y debilitar el argumento económico.
El mismo principio se aplica a los herbicidas premium. Los tratamientos más intensos o adicionales pueden reservarse para zonas donde una presión persistente justifique el gasto.
Un ensayo de trigo de 2026 está evaluando cuatro combinaciones. Los investigadores están combinando tasas de siembra base y elevadas con tratamientos de herbicida residual base y elevados.
Olds College está realizando un ensayo comparable de bloques replicados en Alberta. El programa medirá la presión de malezas y el rendimiento de cosecha antes de comparar el desempeño agronómico y económico de cada tratamiento.
Estos experimentos van más allá de preguntar si un modelo puede localizar una mancha. Preguntan si un agricultor gana más dinero después de actuar con base en esa información.
Ese es el umbral adecuado. El software agrícola compite por presupuesto con semillas, fertilizantes, protección de cultivos, maquinaria, tierra, mano de obra y financiación.
Un cálculo convincente del retorno debe incluir más que el rendimiento. Debe contemplar el acceso al software, el tiempo agronómico, las pasadas de maquinaria, los insumos adicionales, la preparación de archivos, el monitoreo en campo y la complejidad operativa.
El cálculo también necesita un horizonte temporal adecuado. La gestión del banco de semillas busca suprimir poblaciones futuras, por lo que una sola temporada puede subestimar o sobrestimar su valor real.
Una fuerte respuesta del rendimiento durante un año puede reflejar lluvias favorables o variaciones del campo. A la inversa, evitar la reposición futura de semillas podría generar valor que no aparece en la cosecha actual.
Por tanto, los ensayos plurianuales son fundamentales para la afirmación de Geco. El modelo utiliza el historial de varias temporadas, y la intervención resultante debería evaluarse a lo largo de varias temporadas.
La evidencia también necesita replicarse en distintos cultivos. Un dosel denso de trigo no se comporta como hortalizas ampliamente espaciadas, y la economía de la canola difiere de la de la soja.
La validación independiente ayuda a reducir otra preocupación. Las startups naturalmente destacan los casos favorables, mientras que los agricultores necesitan saber cómo se comporta un producto en condiciones normales y desfavorables.
El monitoreo de EMILI añade credibilidad porque su personal recopila observaciones de forma independiente al modelo de Geco. La red más amplia de AIVA puede comprobar si los resultados de Manitoba se trasladan a otras regiones.
Aun así, la evidencia pública sigue siendo incompleta. Ningún conjunto de datos publicado ofrece actualmente distribuciones de beneficios a nivel de cliente, tasas de fracaso, superficie inscrita o retención plurianual.
Esta brecha no invalida los primeros resultados. Define la siguiente etapa de prueba necesaria antes de que una adopción rápida se convierta en infraestructura agrícola duradera.
La teledetección sigue teniendo un problema de resolución
Un mapa predictivo solo puede mejorar las decisiones cuando su incertidumbre es visible y sus errores siguen siendo menos costosos que las acciones que dirige.
Las imágenes satelitales ofrecen una amplia cobertura y un profundo archivo histórico. Estas ventajas hacen práctico el análisis plurianual en campos que nunca fueron inspeccionados con drones.
La contrapartida es la resolución. Un satélite puede reconocer una gran mancha recurrente, pero pasar por alto plantas pequeñas o mezclar varios elementos del campo dentro de un píxel.
Las nubes también pueden interrumpir la recopilación de imágenes. Los residuos de cultivo, el color del suelo, las sombras, el cierre del dosel y las etapas de crecimiento de las plantas complican aún más la clasificación.
Geco aborda parte de este problema combinando observaciones repetidas con el historial de cultivos y modelos agronómicos. También puede incorporar imágenes de drones o pulverizadores ópticos cuando esas fuentes existen.
Las imágenes repetidas reducen la dependencia de una sola observación. No eliminan la necesidad de verificar qué representa una señal.
Un estudio revisado por pares de 2026 ofrece una advertencia útil. Los investigadores compararon tres métodos de detección de malezas basados en drones con una referencia de cámara terrestre en un campo en barbecho de verano.
Todos los métodos con drones subestimaron las malezas. Las tasas de omisión informadas oscilaron entre el 41 y el 65 por ciento para imágenes RGB, entre el 48 y el 73,5 por ciento para infrarrojo cercano, y entre el 78 y el 85 por ciento para un modelo YOLO.
El estudio de cartografía con UAV no evaluó Geco, y los métodos con drones no son idénticos a sus modelos satelitales plurianuales.
No obstante, sus hallazgos establecen un principio importante. Una mayor complejidad algorítmica no supera automáticamente la falta de detalle de las imágenes.
Geco también está resolviendo un problema algo diferente. Busca zonas persistentes en lugar de un recuento preciso de cada maleza pequeña presente el día de la aplicación.
Ese objetivo más amplio podría ser más compatible con los datos satelitales. Las grandes manchas recurrentes dejan señales espaciales e históricas más fuertes que las plántulas aisladas.
Sin embargo, la precisión a nivel de zona todavía debe contrastarse con observaciones sobre el terreno. Un falso positivo puede dirigir semilla o herbicida costosos hacia un área que no los necesitaba.
Un falso negativo implica un coste diferente. La explotación puede dejar sin tratar una población resistente hasta que produzca más semillas y se expanda.
Estos errores no son simétricos. Su importancia cambia según la especie de maleza, el coste de la intervención, el valor del cultivo, el estado de resistencia y la producción esperada de semillas.
Por eso Geco no debería evaluarse solo mediante una puntuación genérica de precisión. Los ensayos deben vincular los errores de predicción con las consecuencias financieras y biológicas de actuar incorrectamente.
La gobernanza de los datos presenta otra incertidumbre. Los registros históricos de cultivos, los mapas de prescripción y las imágenes pueden revelar información sensible sobre el desempeño y la gestión de una explotación.
Los agricultores necesitan condiciones claras sobre propiedad, almacenamiento, reutilización y portabilidad. También necesitan confiar en que los datos puedan pasar entre el software agronómico y la maquinaria sin una preparación manual repetida.
La conectividad es menos restrictiva cuando los archivos de prescripción pueden prepararse antes de las operaciones de campo. Aun así, una banda ancha rural poco fiable puede ralentizar las cargas, el soporte y el acceso a imágenes actualizadas.
Los agrónomos siguen siendo esenciales en este flujo de trabajo. Pueden cuestionar zonas inusuales, considerar el historial de resistencia y determinar si la intervención recomendada encaja con el plan de cultivo.
Por tanto, la interpretación responsable es apoyo a la decisión, no certeza automatizada. Geco estima dónde existe presión persistente, mientras el agricultor y el agrónomo mantienen la decisión de gestión.
Tres señales decidirán si el crecimiento de Geco perdura
La próxima fase estará determinada por la economía replicada, la precisión entre regiones y la integración con equipos agrícolas en funcionamiento.
La primera señal son los datos de los ensayos de tasa variable de 2026. Los resultados deberían mostrar si los tratamientos con siembra elevada y herbicida residual mejoran los retornos netos en parcelas replicadas.
El rendimiento por sí solo no resolverá la cuestión. El análisis debe incluir los costes adicionales de los insumos y explicar qué parte del resultado provino de la focalización, en lugar de solo del tratamiento.
Los retornos consistentes reforzarían el caso de la cartografía de malezas con IA de Geco como herramienta de asignación presupuestaria. Los resultados mixtos sugerirían que las prescripciones requieren criterios más acotados por cultivo o campo.
La segunda señal es el desempeño en los centros de validación de AIVA. Las zonas detectadas por satélite se están comparando con el monitoreo humano en Manitoba, Alberta y Ontario.
La lista de cultivos abarca cereales, oleaginosas, legumbres, patatas y soja. Esa variedad pondrá a prueba si el modelo se transfiere más allá de sus condiciones originales del oeste de Canadá.
Los lectores deberían buscar resultados por especie, no solo afirmaciones generales sobre vegetación detectada. También deberían revisar las tasas de falsos positivos y falsos negativos por cultivo y región.
Un desempeño fiable entre regiones respaldaría una comercialización más amplia. Las grandes diferencias entre ubicaciones harían más importante la calibración local y la supervisión de agrónomos.
La tercera señal es la integración operativa. Una previsión útil debe cargarse en los equipos existentes, orientar una intervención práctica y ajustarse a las estrechas ventanas temporales del trabajo agrícola.
El experimento de rutas robóticas de AIVA es especialmente informativo. Prueba si las zonas predictivas pueden mejorar dónde trabaja primero una máquina autónoma, en lugar de limitarse a generar otro panel de control.
Las cifras de adopción también necesitan una definición mayor. El número de explotaciones indica alcance, pero la superficie, el uso recurrente, las renovaciones y las descargas repetidas de prescripciones revelan una implicación más profunda.
El mercado canadiense en general sigue abierto, pero es cauteloso. La baja adopción nacional de IA significa que Geco tiene margen para crecer, aunque debe competir contra barreras de infraestructura y confianza.
El argumento más sólido de la empresa no es que la IA deba estar en cada explotación. Es que varios años de evidencia de campo pueden hacer más selectivas las costosas intervenciones contra malezas.
Su mayor riesgo es prometer precisión antes de que los ensayos públicos definan los límites de error. Los agricultores pueden tolerar la incertidumbre cuando se mide y se incorpora en el coste de la decisión.
La cartografía de malezas con IA de Geco merece atención porque conecta la detección histórica con maquinaria real y acciones agronómicas. Eso es más concreto que un asistente de IA genérico.
El trabajo más difícil corresponde ahora a la red de validación. Debe mostrar qué cultivos se benefician, qué malezas siguen siendo detectables y dónde la focalización mejora el beneficio.
Para agricultores y asesores agrícolas, la acción inmediata es sencilla. Comparen los próximos resultados de los ensayos con el historial local de malezas, la compatibilidad de los equipos y el coste total de cada intervención prescrita.
Pregunten si el mapa cambia una decisión que pueda medirse a lo largo de varias temporadas. Si es así, registren los resultados de las zonas tratadas y no tratadas en lugar de basarse en una visualización atractiva.
El control predictivo de malezas adquiere valor cuando reduce la presión futura sin generar un coste actual mayor. Las próximas cosechas mostrarán si Geco puede ofrecer ese equilibrio a escala.
