Durante décadas, la calidad de las frutas y hortalizas se ha definido menos por la ciencia que por la interpretación. Los compradores ponen el listón, los productores intentan alcanzarlo y surgen disputas entre ambos. Cada vez más, esa brecha es objeto de sistemas de inteligencia artificial diseñados para convertir el juicio subjetivo en algo más cercano a normas mensurables y compartidas.
© GoMicro AI
Según el Dr. Sivam Krish, fundador de GoMicro AI, en el centro de este cambio hay una idea sencilla: los compradores ya deciden qué aspecto tiene lo "bueno", así que entrenar a la IA con imágenes que reflejen la buena y la mala calidad y defectos específicos permite evaluar los productos de forma coherente en toda la cadena de suministro.
"El único problema es la evaluación subjetiva", dice Krish. "El vendedor, el agricultor, piensa que sus existencias son buenas, pero en el otro lado dicen que son malas por diversas razones... y no hay forma de resolver ese problema porque en el otro lado, otro ser humano lo está evaluando subjetivamente".
Esa subjetividad acarrea una penalización económica. Los rechazos por parte del comprador suelen provocar que los productores tengan que asumir pérdidas, con poca capacidad para cuestionar la decisión. Cuando la mercancía es rechazada, a menudo ya tiene pocas salidas alternativas, lo que deriva en descuentos, depreciaciones o incluso desperdicio. De este modo, la subjetividad en el control de calidad actúa como una especie de "impuesto" dentro de la cadena de suministro, ya que las evaluaciones inconsistentes generan costes ocultos en cada etapa.
Sin embargo, poder aplicar un estándar unificado en una fase temprana de la cadena de suministro permitiría desviar el producto hacia otros usos, en lugar de dejar que avance hasta ser rechazado y, en algunos casos, desperdiciado.
© GoMicro AI
Lo que cambia con la IA no es solo la automatización, sino la armonización. En lugar de depender de varios inspectores humanos en distintos puntos de la cadena —cada uno de los cuales aplica un criterio ligeramente diferente—, los sistemas pueden entrenarse para reproducir un único estándar coherente.
"Reproducimos el juicio de un ser humano", afirma Krish. "Y ese criterio puede aplicarse a toda la cadena. De nada sirve que el agricultor diga que el producto es bueno; el comprador tiene que decir que lo es".
En términos prácticos, esto elimina gran parte de la ambigüedad que genera disputas. Si tanto el expedidor como el receptor evalúan con el mismo modelo, entrenado bajo una misma definición de calidad, los desacuerdos pasan de ser una cuestión de opinión a una diferencia verificable, o desaparecen por completo.
Para los productores, las ventajas económicas son inmediatas. Evaluar la fruta según la norma del comprador antes de que salga del almacén reduce el riesgo de rechazo y los costes de transporte, manipulación y eliminación asociados. También permite reorientar el producto antes.
"El expedidor también sabe: 'Vale si envío esto lo van a rechazar porque así es como lo evalúan'", dice Krish.
Esta capacidad de decisión previa es fundamental en categorías de productos perecederos como las berries y las verduras de hoja verde, donde los retrasos erosionan rápidamente el valor. En lugar de enviar productos dudosos a los canales retailer de alta exigencia, los productores pueden destinarlos al procesado o a mercados que trabajen con calidades inferiores, preservando de esta manera un margen que de otro modo se perdería.
Históricamente, el obstáculo técnico ha sido la precisión, sobre todo en productos con defectos sutiles u ocultos. "Si los defectos son evidentes, se puede hacer", dice Krish. "Pero si son sutiles, es difícil". Eso incluye problemas como la contaminación hoja sobre hoja en las espinacas o pequeñas magulladuras en las fresas.
© GoMicro AI
"Lo que hemos conseguido es detectar defectos muy sutiles, incluso los que son difíciles de detectar a simple vista", asegura, y añade que los sistemas pueden evaluar los productos incluso cuando los artículos se solapan, una limitación tradicional en la clasificación automatizada.
Lo más importante es que el método no depende de una única norma universal. En lugar de ello, la IA puede entrenarse rápidamente en función de las preferencias específicas de los compradores mediante conjuntos de muestras, digitalizando de facto el juicio subjetivo.
"Así es como funciona el modelo. Le das ejemplos de imágenes que le indican: esto es buena calidad… esto es muy malo… y el modelo aprende a reproducirlos fielmente. De ese modo, puedes crear categorías", explica Krish.
En un sector definido por la variabilidad biológica y las expectativas cambiantes, el resultado es un marco compartido y transparente que reduce las fricciones, los residuos y los costes ocultos derivados del desacuerdo, sustituyendo las decisiones subjetivas por evaluaciones coherentes y repetibles.
Para más información:
Kristie Dutt
GoMicro AI
https://gomicro.ai/
[email protected]
