Transferencia de Conocimiento Agrícola Mediante Sistemas de Inteligencia Artificial Agéntica: Una Revisión
Agricultural Knowledge Transfer Through Agentic Artificial Intelligence Systems: A Review
🔙 Regresar al menú anterior
Edgar Leonardo Camero Ortiz
Palabras clave:
Sistemas Multi-Agente, Extensión Agrícola, Ruido Semántico, Modelos de Lenguaje Grande (LLM), Manejo sostenible del suelo.
Keywords:
Multi-Agent Systems, Agricultural Extension, Semantic Noise, Large Language Models (LLM), Soil Sustainability.
Sistemas Multi-Agente, Extensión Agrícola, Ruido Semántico, Modelos de Lenguaje Grande (LLM), Manejo sostenible del suelo.
Keywords:
Multi-Agent Systems, Agricultural Extension, Semantic Noise, Large Language Models (LLM), Soil Sustainability.
Resumen
La transferencia efectiva de conocimiento hacia los pequeños agricultores es un desafío fundamental para la sostenibilidad agropecuaria y la mitigación del cambio climático. Actualmente, la brecha existente entre los avances científicos en edafología y las prácticas aplicadas en campo limita severamente la productividad y amenaza la preservación de la salud del suelo. Este artículo de revisión analiza de manera exhaustiva cómo los Sistemas Multi-Agente (MAS) o Inteligencia Artificial (IA) Agéntica han comenzado a abordar esta problemática, superando las limitaciones de los enfoques de extensión agrícola tradicionales. Para ello, se aplicó una metodología híbrida de revisión de literatura que combinó el rigor tradicional con herramientas computacionales avanzadas, incluyendo el cribado manual de 321 artículos y la validación humana de 190 documentos preprocesados mediante IA. Los hallazgos demuestran que los sistemas agénticos logran superar a los modelos predictivos convencionales gracias a su autonomía, capacidad de razonamiento iterativo, uso de herramientas externas (como RAG) y adaptación al contexto local. Frameworks recientes, tales como AgroAskAI y Farmer.Chat, ofrecen soluciones prácticas al “ruido semántico” la barrera cognitiva y lingüística entre el lenguaje técnico-científico y el dialecto del agricultor rural permitiendo recomendaciones precisas en tiempo real. Se concluye que la integración de IA agéntica en la agricultura democratiza el acceso a la agronomía de precisión, facilitando el manejo sostenible de diferentes tipos de suelos bajo el sistema U.S. Soil Taxonomy, aunque persisten retos significativos frente a la brecha digital y la gobernanza de datos.
Abstract
The effective transfer of knowledge to smallholder farmers remains a fundamental challenge for agricultural sustainability and climate change mitigation. Currently, the gap between scientific advances in edaphology and field-applied practices severely limits productivity and threatens soil health preservation. This review article comprehensively analyzes how Multi-Agent Systems (MAS) or Agentic Artificial Intelligence (AI) have begun to address this issue, overcoming the limitations of traditional agricultural extension approaches. To this end, a hybrid literature review methodology was applied, combining traditional rigor with advanced computational tools, including the manual screening of 321 articles and the human validation of 190 documents pre-processed by AI. Findings demonstrate that agentic systems outperform conventional predictive models due to their autonomy, iterative reasoning capabilities, use of external tools (such as RAG), and adaptation to local contexts. Recent frameworks, such as AgroAskAI and Farmer.Chat, offer practical solutions to “semantic noise” the cognitive and linguistic barrier between technical-scientific language and rural farmer dialects enabling precise, real-time recommendations. It is concluded that the integration of agentic AI in agriculture democratizes access to precision agronomy, facilitating the sustainable management of different soil types under the U.S. Soil Taxonomy system, although significant challenges persist regarding the digital divide and data governance.
La transferencia efectiva de conocimiento hacia los pequeños agricultores es un desafío fundamental para la sostenibilidad agropecuaria y la mitigación del cambio climático. Actualmente, la brecha existente entre los avances científicos en edafología y las prácticas aplicadas en campo limita severamente la productividad y amenaza la preservación de la salud del suelo. Este artículo de revisión analiza de manera exhaustiva cómo los Sistemas Multi-Agente (MAS) o Inteligencia Artificial (IA) Agéntica han comenzado a abordar esta problemática, superando las limitaciones de los enfoques de extensión agrícola tradicionales. Para ello, se aplicó una metodología híbrida de revisión de literatura que combinó el rigor tradicional con herramientas computacionales avanzadas, incluyendo el cribado manual de 321 artículos y la validación humana de 190 documentos preprocesados mediante IA. Los hallazgos demuestran que los sistemas agénticos logran superar a los modelos predictivos convencionales gracias a su autonomía, capacidad de razonamiento iterativo, uso de herramientas externas (como RAG) y adaptación al contexto local. Frameworks recientes, tales como AgroAskAI y Farmer.Chat, ofrecen soluciones prácticas al “ruido semántico” la barrera cognitiva y lingüística entre el lenguaje técnico-científico y el dialecto del agricultor rural permitiendo recomendaciones precisas en tiempo real. Se concluye que la integración de IA agéntica en la agricultura democratiza el acceso a la agronomía de precisión, facilitando el manejo sostenible de diferentes tipos de suelos bajo el sistema U.S. Soil Taxonomy, aunque persisten retos significativos frente a la brecha digital y la gobernanza de datos.
Abstract
The effective transfer of knowledge to smallholder farmers remains a fundamental challenge for agricultural sustainability and climate change mitigation. Currently, the gap between scientific advances in edaphology and field-applied practices severely limits productivity and threatens soil health preservation. This review article comprehensively analyzes how Multi-Agent Systems (MAS) or Agentic Artificial Intelligence (AI) have begun to address this issue, overcoming the limitations of traditional agricultural extension approaches. To this end, a hybrid literature review methodology was applied, combining traditional rigor with advanced computational tools, including the manual screening of 321 articles and the human validation of 190 documents pre-processed by AI. Findings demonstrate that agentic systems outperform conventional predictive models due to their autonomy, iterative reasoning capabilities, use of external tools (such as RAG), and adaptation to local contexts. Recent frameworks, such as AgroAskAI and Farmer.Chat, offer practical solutions to “semantic noise” the cognitive and linguistic barrier between technical-scientific language and rural farmer dialects enabling precise, real-time recommendations. It is concluded that the integration of agentic AI in agriculture democratizes access to precision agronomy, facilitating the sustainable management of different soil types under the U.S. Soil Taxonomy system, although significant challenges persist regarding the digital divide and data governance.
24–38
Descargar artículo
El archivo PDF estará disponible próximamente.
El archivo PDF estará disponible próximamente.