L’evoluzione delle tecnologie digitali rende oggi possibile l’uso di approcci basati sull’intelligenza artificiale (IA) anche in agricoltura. In questo intervento vogliamo presentare rapidamente il contesto e poi soffermarci sulle sfide e le prospettive dell’applicazione dell’intelligenza artificiale in un contesto agricolo.
Quando si ha a che fare con l’intelligenza artificiale, il primo elemento da affrontare, e che spesso genera un equivoco fondamentale, riguarda la definizione stessa di “intelligenza”. Per noi umani, essere intelligenti è sinonimo di “essere creativi”; al contrario, quando si ha a che fare con delle “macchine”, è possibile accontentarsi di una definizione più debole di questo concetto, in cui con intelligenza si intende la capacità di agire in modo razionale in determinati contesti. Si pensi, ad esempio, ad un sistema di guida autonoma: quello che desideriamo è che sia “solo” in grado di far muovere un mezzo sulla strada rispettandone il codice, o di spostarsi all’interno di un vigneto muovendosi in modo affidabile tra i filari di vite.
Dove si applica; come cambia; implicazioni per i territori
Fatta questa doverosa premessa, in un contesto agricolo le applicazioni legate all’intelligenza artificiale possono essere sviluppate con due grandi obiettivi generali. Il primo è quello di creare strumenti che permettano di fare in modo più rapido ed efficiente qualcosa che noi umani saremmo già in grado di fare da soli. Il secondo, più astratto, ha come obiettivo quello di risolvere problemi che noi non siamo (ancora?) in grado di risolvere, come ad esempio inventare metodi agronomici innovativi che possano contrastare gli effetti del cambiamento climatico. Questo secondo contesto si riferisce all’intelligenza artificiale “generalista” e, ad oggi, è probabilmente più vicino ad un ambito di ricerca piuttosto che di applicazione diffusa.
Se pensiamo invece alle applicazioni del primo tipo, gli utilizzi pratici sono già sotto gli occhi di tutti. Si pensi ai robot che si occupano delle operazioni di campo, alla distribuzione mirata dei prodotti fitosanitari, alla gestione efficiente dell’irrigazione, all’ottimizzazione dei processi di cantina o anche alla valutazione di strategie di marketing confrontandole con pratiche già attive altrove. Su scala più ampia, le potenzialità di questi approcci travalicano i confini della singola azienda e si estendono all’applicazione di metodi avanzati di analisi per valutare o difendere la “vocazionalità” di un territorio o un tipo di cultura e, in prospettiva, per definire quali colture possano essere ottimali in un contesto di cambiamento climatico.
Se vogliamo focalizzarci sulle tecnologie attualmente più mature, e potenzialmente più accessibili per le aziende, un posto di primo piano lo occupano sicuramente le tecnologie per la gestione intelligente dell’irrigazione. In questo caso, integrando dati provenienti da sensori che misurano l’umidità terreno, previsioni meteo, modelli matematici e sistemi automatizzati di distribuzione è possibile fornire agli agricoltori un suggerimento puntuale su come programmare l’apporto idrico “ottimale”. I vantaggi di questo tipo di approcci non si limitano al risparmio idrico, ma in alcuni casi – come in viticoltura – possono avere un impatto positivo sulle caratteristiche compositive dei prodotti agricoli. Una seconda in grande sviluppo, ma che presenta applicazioni già tecnologicamente mature è quella che sfrutta algoritmi di computer vision per estrarre parametri agronomici o produttivi importanti dalle immagini raccolte da satelliti, droni, telecamere o telefoni cellulari. A titolo di esempio citiamo la mappatura del volume fogliare e la vigoria di campi e filari, l’individuazione automatica di insetti dannosi con trappole smart, o la stima in tempo reale della pezzatura dei frutti sia in fase di crescita che in occasione della raccolta.
Anche questa sintesi estrema tratteggia un quadro sicuramente stimolante. Esistono comunque dei prerequisiti tecnologici che è necessario soddisfare per poter dare effettiva applicazione alle tecnologie appena delineate. Il primo elemento necessario per poter “allenare” modelli di intelligenza artificiale è la disponibilità di dati annotati e possibilmente accessibili. Per essere resi disponibili, i dati richiedono infrastrutture per essere raccolti ed organizzati, oltre a standard accettati per poterli confrontare e unire opportunamente. Accanto alla disponibilità dei dati, è anche necessario garantire la raccolta di informazioni accessorie che definiscono il contesto agricolo o produttivo in cui tali dati sono stati raccolti.
Queste informazioni costituiscono a tutti gli effetti gli elementi utilizzati per allenare i modelli di IA. L’informazione agronomica è fondamentale nel processo di “educazione” (training): per imparare bene, un modello deve essere educato fornendogli informazioni agronomiche di qualità. In questo senso, il dato agronomico e gestionale acquisisce grande valore ed è fondamentale per gli agricoltori e le associazioni di categoria prendere coscienza di questo valore che deve diventare centrale nella fase di discussione e contrattualizzazione con i fornitori di tecnologia. I dati debbono sicuramente essere condivisi per essere sfruttati, ma il processo di condivisione deve essere consapevole e vantaggioso per tutte le parti in gioco.
Le considerazioni precedenti mostrano chiaramente come il processo di integrazione dei modelli di intelligenza artificiale nella filiera agricola passi attraverso la costruzione di un approccio di sistema. Tale processo deve coinvolgere tutti gli attori della filiera, partendo dal decisore politico (responsabile di infrastrutture e standard), passando per gli enti di ricerca (sviluppo e innovazione), le associazioni di categoria e arrivando fino ai singoli produttori (testing e definizione delle priorità). Come in tutti gli approcci “di sistema”, esistono delle sfide da affrontare. In primo luogo, è necessario affrontare il problema dell’accesso alla tecnologia in un contesto agricolo: è assurdo (e improduttivo) pensare che i professionisti attivi in agricoltura debbano anche trasformarsi in esperti di digitalizzazione e tecnologia. Va quindi favorita la nascita di iniziative imprenditoriali che possano veicolare l’intelligenza artificiale in questo contesto. In molti casi, soprattutto in presenza di aziende agricole medio-piccole, la relazione tra questi “provider” di tecnologia e le aziende stesse dovrà passare attraverso un processo di mediazione condotto dalle associazioni di categoria.
Il tema dell’accesso alle tecnologie ne solleva immediatamente uno legato alla standardizzazione. I modelli di intelligenza artificiale funzionano meglio se allenati su grandi quantità di dati, ma la condivisione dei dati non è necessariamente vantaggiosa per le iniziative imprenditoriali che li sfruttano. Quali siano le tecnologie più opportune per la condivisione, quali dati vadano effettivamente condivisi e in quale forma, sono temi rilevanti che richiedono una riflessione congiunta di tutti gli attori. Va ricordato, inoltre, che standardizzazione e condivisione sono sicuramente un asset, ma non debbono diventare elementi di omologazione. L’ultimo elemento che preme sottolineare è la necessità di investire in formazione per creare profili professionali che siano in grado di mediare tra “intelligenza artificiale” e “intelligenza agronomica”. Questo è fondamentale anche per evitare che le soluzioni di IA finiscano per risolvere problemi che gli agricoltori non hanno. Figure professionali di questo tipo saranno necessarie per trovare un equilibrio tra i processi di innovazione – fondamentali per consentire un’evoluzione sostenibile e vantaggiosa dell’agricoltura – e gli elementi di tradizione e specificità che caratterizzano il mondo agricolo. L’obiettivo non deve essere quello di creare un’agricoltura senza agricoltori, ma di lavorare con gli agricoltori per disegnare l’agricoltura di domani.
Intervento tratto dal Rapporto sul Turismo Enogastronomico Italiano 2025.
