Geco Strategic Weed Management amplía una IA agrícola distinta de la cámara que detecta una mala hierba justo antes de pasar la pulverizadora. Su software utiliza varios años de imágenes e historial para estimar zonas persistentes antes de la siguiente intervención. EMILI informó de disponibilidad comercial en Norteamérica y uso en más de 160 explotaciones de siete países en enero de 2026, frente a tres granjas de prueba del oeste canadiense en 2023. Demuestra alcance, todavía no beneficios repetibles.
La distinción económica importa. Más semilla o un herbicida más fuerte pueden mejorar el cultivo y elevar los costes. Geco propone identificar con datos históricos dónde se justifica el gasto adicional. Los ensayos con EMILI, de Manitoba, y la red nacional AIVA pretenden conectar las zonas previstas con malas hierbas medidas, cosechas y operaciones de maquinaria, no solo producir mapas coloreados convincentes.
Una estrategia de banco de semillas no fotografía semillas bajo tierra
El banco de semillas es una reserva viable dentro o cerca del suelo. Algunas germinan esta temporada; otras quedan latentes y crean presión futura. Un campo puede parecer limpio tras un herbicida eficaz conservando esa reserva. El fundador Greg Stewart, en el reportaje de Country Guide, desplaza la atención desde las plantas visibles hoy hacia poblaciones recurrentes y esfuerzos sostenidos para reducir sus peores concentraciones.
La empresa afirma analizar generalmente cinco años de historial y más de 100 imágenes satelitales, combinando IA y modelos agronómicos. Drones o datos de pulverizadoras ópticas pueden complementar el registro. Es una inferencia de observaciones repetidas, no un recuento satelital directo de semillas subterráneas. La utilidad depende de separar señales de malas hierbas de estrés del cultivo, plantas espontáneas de cultivos previos, residuos, suelo desnudo, enfermedades y variaciones normales.
El resultado divide el campo en zonas de manejo. Una siembra más densa aumenta la competencia por luz, agua y nutrientes; los herbicidas residuales permanecen activos en el suelo durante un periodo contra las plantas que germinan. Laboreo y control de semillas en cosecha son otras opciones. Rotación, resistencia, suelos, equipos y programa existente siguen determinando la intervención. El mapa no sustituye al agrónomo ni prescribe el mismo tratamiento a todas las explotaciones.
Los archivos de prescripción convierten las zonas en instrucciones de dosis variable para sembradoras, pulverizadoras, aperos o máquinas autónomas compatibles. Geco afirma trabajar con marcas existentes sin exigir una plataforma propia. Reduce una barrera, no la necesidad de registros precisos, preparación y compatibilidad real. Una previsión adquiere valor operativo cuando el equipo puede usarla en la ventana adecuada de trabajo.
Crecimiento en un mercado con despliegue limitado de IA
EMILI, Enterprise Machine Intelligence and Learning Initiative, comenzó a colaborar en 2023. La cifra de más de 160 explotaciones no revela superficie inscrita, frecuencia de uso de prescripciones, renovaciones o retención plurianual. Esas medidas dirían más sobre la implicación que el número por sí solo. El crecimiento de una startup tampoco demuestra uso generalizado en la agricultura canadiense.
El análisis de adopción de Farm Credit Canada y Deloitte informó de uso de IA en el 1,8% de las empresas agrícolas canadienses en el segundo trimestre de 2025, frente al 12,2% en otras industrias. Conectividad rural, limitaciones de capital, falta de talento, infraestructura fragmentada y gobernanza incierta eran obstáculos. Geco crece en un entorno difícil y desigual, no en un sector ya universalmente automatizado.
EMILI aporta en Manitoba tierras, historial, observaciones de drones y exploración terrestre. AIVA extiende la validación con socios en Alberta, Ontario y Saskatchewan. El programa abarca trigo, soja, patatas, maíz, centeno, cebada, canola y habas; las rutas robóticas separadas incluyen calabazas y cebollas. Doseles, etapas, suelos, clima y especies distintos hacen del traslado desde un campo de trigo a patatas de otra región una cuestión a comprobar, no una suposición.
La validación inicial trató kochia resistente a herbicidas y avena loca, problemas importantes de las praderas para programas dependientes de pocas clases químicas. La investigación de Agriculture and Agri-Food Canada sobre kochia menciona hasta 30.000 semillas por planta y resistencia creciente. Los focos persistentes son relevantes: concentrar medidas caras puede ayudar, pero importancia biológica no demuestra retorno económico.
Tres experimentos conectan previsión y campo
La validación inicial de EMILI comparó modelos satelitales con drones y observación física y encontró identificación fiable de manchas mayores en los campos probados. Apoyó prescripciones con datos ampliamente disponibles, sin establecer rendimiento equivalente para cada especie, cultivo, campo o etapa de crecimiento.
Los actuales experimentos AIVA comparan primero zonas satelitales con especies y densidades observadas en cuatro visitas de temporada. La verificación forma parte del proceso. Imágenes repetidas reducen la dependencia de un año inusual, sin eliminar ambigüedades de clima, momento de aplicación, acceso o cambio de cultivos.
Un segundo experimento combina siembra base y elevada con herbicida residual base y elevado. El incremento de semilla es aproximadamente del 25–50% en zonas elegidas. Se medirán presión de malas hierbas, rendimiento y proteína. Esto conecta detección, agronomía e ingresos; el aumento mismo no es una recomendación universal.
Un tercero compara rutas de robots orientadas a malas hierbas con recorridos rectos convencionales en calabazas y cebollas. La capacidad diaria limitada puede dar valor a la priorización, también para observadores humanos. Las cámaras preguntan qué crece aquí ahora; Geco dónde vuelve la presión entre temporadas. Previsión, detección próxima y verificación humana pueden complementarse sin ser tecnologías excluyentes.
Un resultado prometedor no representa a todos los clientes
En 2025, Geco y EMILI probaron mayor siembra en tres franjas de 120 pies de ancho cada una en un campo Innovation Farms. Las zonas seleccionadas recibieron un 25% más de semilla. EMILI informó de un 7% más de rendimiento y un 29% menos de malas hierbas. Stewart describió un retorno de siete veces el coste de la semilla adicional. Importan atribución y denominador: un tratamiento concreto en una temporada, no siete veces todos los costes del software ni un retorno de toda la clientela.
El mecanismo es la competencia conocida del cultivo; Geco aporta la focalización. Añadir semilla por todas partes puede desperdiciarla en zonas de poca presión, y un herbicida premium quizá solo compense donde la presión persistente lo justifique. Un ensayo de trigo 2026 prueba las cuatro combinaciones base/elevadas de semilla y residual; Olds College realiza bloques replicados comparables en Alberta. La presión y la cosecha se medirán antes de comparar agronomía y economía.
El cálculo completo debe incluir programa, tiempo agronómico, semilla o químicos adicionales, pasadas, preparación, exploración y complejidad. Debe separar focalización y simple aumento del tratamiento. Un año de lluvia favorable o variaciones de campo puede exagerar ganancias; evitar futuras semillas puede crear valor no visible en la cosecha actual. Una estrategia multitemporada necesita evaluación plurianual.
La réplica entre cultivos también importa: trigo competitivo difiere de hortalizas espaciadas, y canola tiene economía distinta de soja. EMILI observa independientemente del modelo y AIVA puede comprobar fuera de Manitoba, aumentando credibilidad sin resolver el resultado. Faltan datos públicos de distribución de beneficios por cliente, fracasos, superficie inscrita y retención plurianual. La brecha define la prueba pendiente, no invalida el resultado inicial.
La resolución impone límites a los algoritmos
Los satélites ofrecen cobertura amplia e historial, incluso de campos nunca inspeccionados por drones. Pueden identificar manchas grandes recurrentes y perder plantas pequeñas o mezclar características dentro de un píxel. Nubes interrumpen la recogida; residuos, color del suelo, sombras, cierre del dosel y etapa dificultan clasificar. Repeticiones e imágenes extra ayudan, pero la señal sigue necesitando comprobación terrestre.
Un estudio UAV de 2026 revisado por pares comparó tres métodos de dron con referencia de cámara terrestre en barbecho de verano. Todos subestimaron las malas hierbas: omisiones del 41–65% en RGB, 48–73,5% en infrarrojo cercano y 78–85% en YOLO. Crucialmente, no evaluó Geco ni su método satelital plurianual. Ilustra que la complejidad no compensa automáticamente detalles insuficientes; esos porcentajes no deben atribuirse a Geco.
Las zonas persistentes son un objetivo más amplio que contar cada planta pequeña el día de pulverización y podrían encajar mejor con satélites. Aun así, falsos positivos desperdician insumos y falsos negativos pueden dejar poblaciones resistentes producir más semillas. Los costes son asimétricos y dependen de especie, resistencia, valor del cultivo, tratamiento y semillas esperadas. Una exactitud genérica no sustituye medir las consecuencias de actuar sobre una zona errónea.
Las decisiones restantes pertenecen a explotaciones y validadores
También importa la gobernanza de datos: historial, imágenes y mapas pueden revelar resultados sensibles de la explotación. Propiedad, almacenamiento, reutilización y portabilidad requieren condiciones claras, como el traslado entre programa y máquina sin preparación manual repetida. Preparar archivos antes del trabajo reduce necesidad de conexión, pero una banda ancha rural deficiente puede retrasar cargas, soporte e imágenes. Los agrónomos siguen cuestionando zonas extrañas y ajustando acciones al historial de cultivos y resistencia.
La próxima evidencia debería combinar retornos netos replicados en ensayos variables, falsos positivos y negativos por especie entre centros AIVA e integración práctica con equipos activos. Beneficios concentrados en algunos cultivos exigen uso más acotado, no una afirmación universal de precisión. El ensayo robótico es concreto porque pregunta dónde debe trabajar primero una máquina real, no si un panel resulta plausible.
La propuesta sustancial de Geco es hacer más selectivo el control costoso con varias temporadas de evidencias. Queda por saber dónde reduce presión futura sin crear costes presentes mayores. Comparar áreas tratadas y no tratadas entre temporadas, con historial local y costes completos, dirá más que el alcance comercial solo.
Una entrada agregadora de Google News ofrece otra vía a la cobertura; no es un estudio adicional de campo ni un comunicado oficial de Geco.