“IA washing” en acuicultura: Cuando la inteligencia artificial no cambia nada

Mensaje de Error - Inteligencia Artificial

Hasta hace muy poco, la inteligencia artificial era un territorio de especialistas. Un campo en el que trabajaban unos pocos grupos muy concretos, con avances reales, pero todavía limitados en su aplicación práctica.

En apenas unos años, sin embargo, la IA ha pasado de promesa tecnológica a palabra comodín. En acuicultura, como en otros sectores, basta con invocarla para vestir proyectos, atraer atención mediática o reforzar discursos de innovación, incluso cuando su impacto real es mínimo.

Pero, seamos claros: utilizar la etiqueta “inteligencia artificial” para no cambiar procesos, no mejorar decisiones y no crear valor para el sector no es otra cosa que “IA whashing”, lo mismo que lo fue hace unos años hablar de Acuicultura 4.0.

El primer síntoma de IA washing es lingüistico. Abundan los textos que hablan de “modelos inteligentes”, “herramientas basadas en IA” o “sistemas de apoyo a la decisión”, pero que evitan explicar qué hace realmente el algoritmo, con qué datos trabaja o por qué es mejor que los métodos tradicionales.

En muchos casos, detrás de la supuesta IA hay técnicas estadísticas conocidas desde hace décadas, reglas heurísticas definidas por expertos o simples sistemas de alarmas por umbrales. Si no hay aprendizaje automático, no hay adaptación y, por tanto, no hay inteligencia artificial.

Sin datos, no hay IA que funcione. Solo sirve en condiciones ideales, pero no en un entorno real de una granja.

La visión artificial es quizá la que más IA washing genere. Por muchos vídeos espectaculares que se presenten, porcentajes de acierto se muestren en tanques experimentales, cuando se enfrentan a la realidad productiva donde hay turbidez, biofouling, densidades altas con superposición y estrés, la mayoría de estos sistemas dejan de funcionar o pierden el nivel de precisión que justificaba su valor.

¿Cuál es la IA que funciona? La que, por ejemplo, permite fenotipar miles de peces sin muestreos invasivos, detectar problemas sanitarios antes de que sean visibles, optimizar alimentación en función del comportamiento real o integrar predicciones en la planificación comercial.

Entonces, ¿cómo distinguir la IA útil de la IA washing? La clave es sencilla: preguntarse qué decisión cambia gracias a esa IA y si lo hace mejor que los métodos que ya existían.