Inteligencia Artificial en acuicultura: dónde estamos realmente en 2026

La Inteligencia Artificial (IA) ya no es ciencia ficción, pero tampoco es una solución mágica. Los próximos avances en productividad en acuicultura no vendrán solo de algoritmos más sofisticados, sino de una mejor integración, expectativas realistas y una gestión sólida de las granjas.

Durante años, la IA se ha presentado como el siguiente gran salto del sector. Promesas de “granjas inteligentes”, control automatizado del bienestar y sistemas predictivos de salud se han vuelto habituales en congresos, proyectos de investigación y discursos comerciales. Pero ¿dónde está realmente la acuicultura hoy?

Una reciente revisión científica que analiza el uso de visión artificial y aprendizaje profundo para interpretar el comportamiento de los peces aporta una necesaria dosis de realidad. Su conclusión es clara: la IA ya es capaz de “ver” lo que hacen los peces, pero transformar esa información en decisiones de gestión fiables para el día a día sigue siendo el verdadero reto.

Alimentación: la aplicación más madura

Entre todas las aplicaciones analizadas, la detección del comportamiento alimentario es, con diferencia, la más avanzada y la más cercana a un uso rutinario. Los sistemas de visión ya pueden identificar con alta precisión la intensidad de la alimentación, la actividad en superficie y los pellets no consumidos, especialmente en entornos controlados como sistemas RAS o estanques con condiciones de agua estables.

Desde el punto de vista productivo, esto es especialmente relevante. El pienso sigue siendo el principal coste en la mayoría de los sistemas de cultivo, y el control de la alimentación basado en el comportamiento ofrece una vía concreta para mejorar el FCR, reducir desperdicios y limitar el impacto ambiental. De forma significativa, la revisión muestra que la principal limitación ya no es el algoritmo en sí, sino su integración con los sistemas de alimentación y los flujos de trabajo de la granja.

En términos prácticos: la tecnología funciona, pero todavía no es “enchufar y listo”.

Detección de estrés: útil, pero no diagnóstica

Salmón esquelético controlado por Inteligencia Artificial

La revisión también muestra avances sólidos en el análisis del comportamiento asociado al estrés, especialmente en situaciones de hipoxia, exposición a amonio y cambios ambientales bruscos. Las alteraciones en la velocidad de nado, la distribución espacial y la cohesión del grupo pueden ser detectadas de forma fiable por modelos de IA.

No obstante, la mayoría de los estudios analizan estresores individuales en condiciones controladas, muy alejadas de la complejidad de las granjas comerciales, donde actúan múltiples factores de forma simultánea. Por ello, la detección de estrés basada en el comportamiento debe entenderse como una herramienta de alerta temprana, no como un sustituto de los sensores, los muestreos o la evaluación veterinaria.

Enfermedades, bienestar y reproducción: aún en fase experimental

En lo que respecta a la detección de enfermedades, la evaluación del bienestar o el comportamiento reproductivo, la tecnología está mucho menos madura. Los cambios de comportamiento asociados a enfermedades suelen ser sutiles, poco específicos y fácilmente confundibles con otros factores de estrés. Existen sistemas de detección de agresividad o comportamiento reproductivo, pero solo para especies concretas y en entornos muy controlados.

Por ahora, estas aplicaciones siguen siendo principalmente de carácter experimental, con un valor práctico limitado a corto plazo para la mayoría de los productores, salvo en criaderos o unidades de reproductores.

El verdadero cuello de botella: la implantación, no la IA

Cámara e Inteligencia Artificial para la medición de peces

El rendimiento de la IA en acuicultura está hoy más condicionado por los datos y la infraestructura que por los propios algoritmos. La visibilidad bajo el agua, la variabilidad de la iluminación, el biofouling, los costes de anotación y los requisitos de computación siguen limitando su aplicación en condiciones reales.

Muchos modelos continúan dependiendo de hardware potente y conjuntos de datos específicos de cada granja, lo que dificulta la estandarización a gran escala. Como consecuencia, soluciones que funcionan bien en ensayos piloto suelen tener problemas para escalar entre instalaciones, especies o sistemas productivos.

En 2026, la IA en acuicultura debe entenderse como una herramienta de apoyo a la toma de decisiones, no como un sistema de gestión autónomo. Su mayor valor reside en apoyar las decisiones de alimentación, detectar comportamientos anómalos de forma temprana y complementar los sensores y la experiencia de los operarios.

El futuro apunta claramente hacia sistemas híbridos, que combinen visión artificial, sensores ambientales y supervisión humana, en lugar de soluciones totalmente automatizadas tipo “caja negra”.

Esta revisión no demuestra que la IA vaya a mejorar automáticamente el bienestar, eliminar las enfermedades o sustituir al personal de las granjas. Sí confirma, en cambio, que la tecnología ha superado la fase puramente teórica, al menos en algunos ámbitos clave.