Mientras China entrena modelos de IA con un billón de parámetros usando chips propios, el 88% de las pymes españolas aún no ha implementado inteligencia artificial (INE, 2025). La pregunta no es si la IA china puede superar a Occidente, sino por qué empresas locales siguen perdiendo dinero sin aprovechar lo que ya existe. La brecha no está en la tecnología, está en la adopción.
El abismo de los datos y las naranjas
Un informe de McKinsey (2024) apunta a que el 61% de las empresas españolas consideran la IA crucial para su competitividad. Luego pasa lo que pasa. Lo que pasa es que solo el 12% de las pymes han dado el paso (INE, 2025). Ochenta y ocho de cada cien negocios pequeños siguen funcionando como en 2015. Y no porque no quieran. Es que no saben por dónde empezar.
O creen que la IA es cosa de gigantes tecnológicos. Que para jugar necesitas una GPU de 40.000 euros. O un equipo de doctores en matemáticas. Y sí, cuando Meituan entrena un modelo de 1 billón de parámetros con chips chinos, parece que el futuro se escribe en mandarín. Pero la realidad de una pyme valenciana es otra.
Carlos y las predicciones que fallaban
Carlos Gómez lleva veinte años en el campo. Su empresa, Agroval, produce frutas y verduras en la comarca de La Ribera, Valencia. Naranjas, caquis, hortalizas de temporada. Vende a supermercados, a cooperativas, a alguna cadena europea. En teoría, lo tenía todo controlado.
En teoría.
Cada año, perdía entre un 18% y un 22% de la producción por malas predicciones. Calculaba mal cuándo iba a madurar el fruto. O cuándo iba a llegar una helada. O cuánta agua necesitarían los árboles en las semanas críticas. Según datos del Ministerio de Agricultura (2024), el desperdicio alimentario en origen en España ronda el 14% de media. Agroval superaba esa cifra con creces.
"Me pasaba las noches mirando el parte meteorológico", cuenta Carlos. "Y aún así, fallaba. Llegaba una ola de calor que no esperaba, y las naranjas se estropeaban antes de recogerlas. O pedía más cosecha de la que luego salía, y el cliente se quedaba colgado".
El problema no era trabajar duro. Era trabajar sin información útil.
El sector agrícola español genera el 3,3% del PIB nacional (INE, 2025). Pero la digitalización llega al 20% de las explotaciones (COEXPHAL, 2024). La brecha entre lo posible y lo real es enorme.
Lo que pasó cuando sonó el teléfono
No fue una revelación mística. Fue una conversación en una feria agrícola en Almería. Un amigo de Carlos le habló de unas empresas que estaban aplicando inteligencia artificial a la predicción de cosechas. "No necesitas un superordenador", le dijo. "Necesitas a alguien que sepa qué pregunta hacer".
Carlos contactó con Script Finance, una consultora de inteligencia artificial con sede en Almería. Jesús Basterra, cofundador de la firma, lo recibió con una pregunta inesperada: "Dime qué es lo que más te duele perder".
El dolor de Carlos era doble. Por un lado, el dinero que se dejaba en el campo. Por otro, la confianza con sus clientes. Había perdido un contrato con una cadena de supermercados porque no pudo garantizarle el volumen exacto de caquis en la fecha prometida.
El primer paso: entender qué demonios predecir
El equipo de Script Finance, liderado por José Antonio Manzano en la parte técnica, hizo algo que muchas consultoras olvidan: pasó tres semanas observando. Sin tocar nada. Sin proponer soluciones. Solo mirando.
Qué datos tenía Agroval (y eran muchos). Qué decisiones tomaba Carlos a diario. Dónde se producían los errores más costosos.
El proceso se alargó más de lo que Carlos esperaba. "Yo quería una app ya, que me diera respuestas mañana", confiesa. Pero lo que descubrieron fue que el problema no era la falta de datos. Era que los datos estaban desperdigados: cuadernos de campo, excels anticuados, sensores que nadie sabía interpretar.
El 73% de los proyectos de IA fallan no por la tecnología, sino por la calidad y el acceso a los datos (Gartner, 2024). Antes de predicciones, hay que ordenar el desorden.
El modelo que no era de un billón de parámetros
Meituan había entrenado un modelo de lenguaje con más de un billón de parámetros. Una bestia. Pero Agroval no necesitaba una bestia. Necesitaba un caballo de tiro.
Lo que implementaron fue un sistema de predicción mucho más modesto, pero infinitamente más útil. Un modelo que combinaba:
- Datos históricos de producción de los últimos siete años (temperaturas, lluvias, rendimiento por hectárea).
- Datos en tiempo real de sensores de humedad, temperatura del suelo y estaciones meteorológicas cercanas.
- Imágenes satelitales de la zona, procesadas para medir el vigor vegetativo de las plantaciones.
"Eso yo no lo sabía", dice Carlos. "Sabía que el calor adelantaba la fruta, pero no sabía cuánto exactamente. Y mucho menos que el riego de febrero influyera tanto".
La implementación no fue un paseo
Aquí viene lo que nadie cuenta en los casos de éxito. La implementación fue dura.
El modelo se entrenó con datos de Agroval. Pero los datos tenían lagunas. Días sin registro. Mediciones mal etiquetadas. Una ocasión en que el sensor de humedad se estropeó y tardaron tres semanas en repararlo. Todo eso había que limpiarlo.
José Antonio Manzano lo resume así: "El 80% del tiempo lo dedicamos a preparar los datos. El 20% restante, a construir el modelo. La gente cree que la IA es magia. No lo es. Es fontanería de datos".
Además, el modelo necesitaba ajustarse a las condiciones específicas de La Ribera. No valía una solución genérica. El microclima de la zona, el tipo de suelo, las variedades de naranja... todo influía. Hubo que reentrenar el modelo tres veces hasta que las predicciones empezaron a acercarse a la realidad.
Carlos recuerda una noche en particular: "El modelo me decía que iba a llover fuerte al día siguiente. Yo miré el cielo y no veía nada. Dudé. Pero seguí la predicción y adelanté la recogida de una parcela. Al día siguiente cayó una tormenta que destrozó la parcela de al lado, que no había recogido. Ahí me creí el sistema".
Los resultados (y lo que no salió bien)
Después de seis meses de ajustes, los números empezaron a hablar.
- Reducción de pérdidas de producción: del 20% inicial al 5%. En términos absolutos, Agroval dejó de perder unos 45.000 euros anuales en fruta no recogida o mal vendida.
- Mejora en la planificación: Carlos pudo comprometerse con sus clientes a volúmenes exactos con dos semanas de antelación, algo que antes era imposible.
- Ahorro de tiempo: el equipo dedicaba unas 10 horas semanales a gestionar imprevistos. Con el modelo, se redujeron a 2 horas.
También hubo resistencias internas. Uno de los encargados de campo, con 30 años de experiencia, se negaba a mirar las predicciones. "Llevo toda la vida en esto y no me va a decir un ordenador cuándo recoger". Hasta que una predicción le evitó perder una parcela entera de caquis. Ahora consulta la pantalla cada mañana.
La resistencia al cambio es el segundo factor más común de fracaso en proyectos de IA (McKinsey, 2024). En Agroval se superó con formación y resultados visibles, no con imposiciones.
¿Y la inteligencia artificial china?
Volvamos a la pregunta del principio. ¿Puede la IA china superar a Occidente?
Sí, probablemente ya lo está haciendo en escalas masivas. Modelos con un billón de parámetros, chips propios, inversión estatal multimillonaria. Pero para el 88% de las pymes españolas que aún no usan IA, esa competición es irrelevante. Como dice Jesús Basterra, "la inteligencia artificial no es una carrera de caballos. Es una herramienta para resolver problemas concretos".
El verdadero reto no es tecnológico. Es de acceso, comprensión y voluntad. Ahí, la brecha no es China contra Occidente. Es entre quienes se atreven a dar el primer paso y quienes esperan a que la tecnología sea perfecta.
Carlos ya no espera. Agroval sigue creciendo, y el modelo se actualiza cada temporada con nuevos datos. El siguiente paso, según cuentan en Script Finance, es añadir predicciones de plagas y enfermedades. Porque si algo ha aprendido Carlos es que la IA no compite con la experiencia. La amplifica. Y eso, al final, es lo único que importa.
