«Bytes to Bites» es un análisis en profundidad sobre digitalización y uso de Inteligencia Artificial y Big Data para mejorar los sistemas alimentarios, elaborado por miembros del equipo de análisis y del consejo asesor de Peakbridge VC. Este fondo especializado en foodtech cuenta en su portfolio con varias startups en esta categoría, como Tastewise, InsideTracker u Orbisk. Compartimos a continuación el segundo de los tres volúmenes (From farm to fork: leveraging AI in the food value chain) que componen este informe que profundiza en cómo la IA impacta en toda la cadena de valor alimentaria, llevando ideas desde el campo hasta el plato de manera más rápida e inteligente. El reporte también destaca algunas de las startups más relevantes de la categoría.
El análisis, cuyo próximo capítulo estará dedicado a la digitalización de la Nutrición, ha sido elaborado por Eva Everloo (Analista Senior) junto con Anđela Martinović, Ph.D. (Analista Científica), Anina Troya (Analista) y Orly Savion, Ph.D. (CTO) de PeakBridge VC.
Tabla de contenidos
La cadena de valor de alimentos globalizada contemporánea
En el mundo actual, la cadena de valor de la alimentación global es como un complejo rompecabezas que abarca todo el planeta, y permite la distribución de sustento vital. Este sistema involucra a numerosos actores, incluyendo agricultores, fabricantes, distribuidores, minoristas y consumidores, todos interconectados en un equilibrio delicado. En la década de 2020, el mundo fue testigo de la disrupción de esta intrincada red con la pandemia de COVID-19. Otro ejemplo más reciente es el brote de gripe aviar[i] en Estados Unidos, que resultó en costes económicos de 2.5 a 3 mil millones de dólares, cortes en el suministro de alimentos y precios exacerbados. ¿Cómo habría sido la situación si las redes descentralizadas de seguimiento con inteligencia artificial (IA) y blockchain hubieran estado desplegadas para recopilar datos de enfermedades infecciosas de manera transparente y confiable[ii], y prever la oferta y demanda con una distribución óptima de la red alimentaria?
El cambio climático es otro desafío que afecta a toda la cadena alimentaria, y revela sus vulnerabilidades. Hasta el momento, ha causado rendimientos de cultivos erráticos, que han provocado desabastecimiento de materia prima para los fabricantes, mayores costes costes de transporte y fluctuaciones de precios. Esta situación presenta desafíos adicionales en la agenda de innovación, ya que los equipos de compras luchan por encontrar materia prima suficiente y que cumplan con requisitos de calidad específicos y obliga a utilizar materiales alternativos que podrían afectar al producto final, y que, en última instancia, terminan influyendo en el comportamiento de compra del consumidor. La imagen a continuación ilustra la cadena de valor de alimentos globalizada actual y los desafíos complejos e interdependientes que enfrentan sus actores en el mundo actual.
Más allá de los impactos inmediatos del cambio climático y otras disrupciones externas, la cadena alimentaria enfrenta una serie de desafíos, que incluyen el uso ineficiente de recursos, ineficiencias operativas, monitorización de plagas y enfermedades, cumplimiento regulatorio, expectativas de transparencia por parte de los consumidores, pérdida y desperdicio alimentario, sostenibilidad, dificultades para evaluar el impacto ambiental, ciclos de innovación lentos, preferencias variables de los consumidores, y brechas en infraestructura y tecnología en ciertas regiones.
Estos desafíos requieren tecnologías innovadoras para afrontarlos. Para mejorar la eficiencia de la cadena alimentaria global, es crucial contar con una comunicación rápida y acceso a información valiosa a través de una red de datos robusta (¡junto con objetivos compartidos y alineación en KPIs en toda la cadena de valor!). La IA, a través de sus capacidades en análisis de datos, análisis predictivo, automatización y monitorización en tiempo real, surge como una fuerza transformadora en la industria que permite la creación de una cadena de valor altamente eficiente, interconectada e inteligente, facilitando un rendimiento operativo excepcional, ahora y en el futuro.
Este artículo, siguiendo la exploración previa del papel de la IA en el desarrollo de nuevos productos, profundiza en cómo la IA está dando forma a la industria alimentaria y su crítica cadena de valor (ver Figura abajo).
El rol de la Inteligencia Artificial en la optimización de la cadena de valor de alimentos
Agricultura
El sector agrícola en todo el mundo enfrenta desafíos como la falta de mano de obra, el uso excesivo de fertilizantes, pesticidas y herbicidas, predicciones inexactas de la demanda, ineficiencia de recursos, enfermedades de cultivos y condiciones climáticas impredecibles, lo que causa variaciones en la producción que afectan el suministro de alimentos. Un problema importante es que 800 millones de agricultores a pequeña escala carecen de una plataforma de información compartida, lo que complica la toma de decisiones sobre los cultivos.
IA en Agricultura de Precisión:
- Monitorización en tiempo real: La IA proporciona información en tiempo real sobre factores críticos como la humedad del suelo, los requisitos de agua de los cultivos y las predicciones meteorológicas para la toma de decisiones precisa. Otra aplicación importante es el seguimiento de la biodiversidad, incluida la salud de las abejas y los esfuerzos de polinización.
- Sensores remotos: Drones y satélites impulsados por IA para monitorización de la salud de los cultivos y estimación de rendimiento.
- Optimización de recursos: Algoritmos de IA optimizan el uso de fertilizantes y pesticidas, reduciendo desperdicios e impacto ambiental.
- Riego inteligente: Procesos de riego automatizados para el ahorro de agua.
- Agricultura robótica: Sistemas autónomos impulsados por IA manejan tareas como siembra, cosecha y deshierbe, mejorando la eficiencia y reduciendo costes laborales.
Además, la IA está revolucionando la agricultura controlada en interiores. Ofrece producción durante todo el año, reduce el uso de tierras y minimiza la necesidad de productos químicos. Aquí, la IA ayuda a vigilar y optimizar las condiciones ambientales para lograr mayores rendimientos y eficiencia de recursos (agua / electricidad / calor). Un control óptimo sobre las condiciones de crecimiento, incluido el tipo, color y duración de la iluminación LED, puede mejorar aún más la calidad de los alimentos. Estas granjas interiores a menudo están ubicadas más cerca de los consumidores, acortando así las cadenas de valor y reduciendo las emisiones relacionadas con el transporte. A pesar de los desafíos energéticos en curso, la integración de la agricultura urbana con la IA presenta una solución prometedora para garantizar la seguridad alimentaria y la sostenibilidad en regiones densamente pobladas con tierras de cultivo limitadas.
En la cría de ganado, se han desarrollado sensores dotados de IA para rastrear el estado y el comportamiento del ganado, que permiten la detección de enfermedades más allá de las capacidades de seguimiento humano. Esto facilita la administración eficiente de antibióticos a gran escala, reduce su uso excesivo y, en última instancia, ayuda a frenar la resistencia a los antibióticos.
Startups:
- Hyperplan (FR) utiliza datos de satélites, condiciones meteorológicas y IA para mejorar la predicción de la producción de cultivos, eficiencia económica y reducción de gases de efecto invernadero. Colaboran con el grupo de cereales Vivescia y Corteva Agriscience, especializados en semillas y protección de cultivos[iii].
- Leaf (EE. UU.) proporciona una infraestructura de datos unificada que consolida información de diversas fuentes (satélites, clima, máquinas, imágenes de drones, etc.) para empresas con arquitectura de datos existente que sirven a los agricultores.
- Blue Circle (IL) predice la maduración de las uvas utilizando IA y datos meteorológicos históricos.
- Tortuna AgTech (EE. UU.) utiliza robótica, datos e IA para la cosecha, predicciones y control de plagas en la agricultura.
- AgEye (EE. UU.) ofrece «científico de plantas como servicio» utilizando visión por computadora y algoritmos de aprendizaje profundo (Deep Learning) para monitorizar el crecimiento de los cultivos, mejorando la eficiencia operativa en la agricultura controlada en interiores.
- 80 Acres Farms (EE. UU.) opera granjas verticales totalmente optimizadas con monitorización y control automatizados y robots. Estas granjas pueden producir hasta 300 veces más alimentos que una granja común con un 100% de energía renovable y un 95% menos de agua.
- BeeHero (EE. UU.) ha desarrollado sensores de IoT que transforman las colmenas convencionales en colmenas inteligentes con la capacidad de abordar la escasez mundial de polinizadores.
- Cynomys (IT) monitorea más de 30 parámetros ambientales, incluyendo partículas finas, amoníaco, sulfuro de hidrógeno y metano, para aumentar la sostenibilidad ambiental y reducir la mortalidad del ganado.
El campo de la agricultura de precisión está experimentando un aumento de la colaboración entre jugadores de la industria establecidos y startups[iv], impulsando la innovación y el crecimiento. Por ejemplo, en 2023, 80 Acres Farms se asoció con Siemens Technology para apoyar su expansión[v]. Mil tiendas Kroger ya están siendo abastecidas con verduras, microvegetales y hierbas aromáticas[vi].
En 2021, la empresa de equipos y servicios de riego de EE. UU. Valmont Industries adquirió la startup israelí Prospera Technologies, que utiliza tecnologías de IA y visión por computadora para mejorar el riego y otras prácticas agrícolas[vii]. La Agencia Espacial Europea (ESA) se unió a la Universidad Tecnológica de Delft en los Países Bajos para crear el Agricultural Sandbox, haciendo que los datos satelitales sean accesibles para los profesionales agrícolas[viii]. Hiphen, con sede en Francia (especialista en análisis de imágenes), adquirió la estadounidense SlantRange, proveedora de análisis de cultivos basada en drones y datos de agricultura de precisión. Este movimiento estratégico fortalece la posición de Hiphen en el sector de la agricultura de precisión[ix]. Adicionalmente, Hummingbird Technologies se asoció con Agreena, la principal plataforma de agricultura regenerativa de Europa, para promover la agricultura regenerativa mediante sensores remotos y herramientas de agronomía de precisión[x]. Estos acuerdos destacan el esfuerzo colectivo para aprovechar la IA y las tecnologías innovadoras para una agricultura más sostenible y productiva.
Control de calidad y distribución
Tras la cosecha en el punto de madurez adecuado, los productos son transportados desde el campo hasta instalaciones de procesado, CAFOs (Concentrated Animal Feeding Operations), centros de distribución de almacenamiento al por mayor, puntos de venta al por menor, restaurantes y, en última instancia, los consumidores. Esta red de distribución enfrenta desafíos que van desde un almacenamiento inadecuado y problemas de gestión de inventario hasta dificultades en el transporte, todos contribuyendo a costes elevados y desperdicio de alimentos. Los procesos de control de calidad de alimentos son laboriosos y propensos a errores (humanos), lo que resulta en una pérdida significativa de alimentos (por ejemplo, la necesidad de desechar un camión completo de productos frescos). El almacenamiento eficiente de alimentos, especialmente el almacenamiento en frío, es crucial para mantener la calidad y la seguridad alimentaria.
El auge del comercio electrónico y las ventas directas al consumidor enfatiza aún más la importancia de optimizar la gestión del inventario. Además, el transporte y la distribución enfrentan problemas como el aumento de los costes de combustible, el cumplimiento normativo, limitaciones de infraestructura y preocupaciones de sostenibilidad, especialmente con la creciente demanda de entregas just-in-time y la expansión de la logística de última milla.
IA en control de calidad y distribución:
- Pronóstico de inventario preciso: Predicciones precisas de inventario, reduciendo el exceso y la falta de existencias.
- Eficiencia energética: Empleo de la IA para optimizar las operaciones de almacén, incluida la iluminación, el control de temperatura y el uso de equipos, reduciendo así el consumo de energía y los costos operativos.
- Control de calidad: Mejora de la precisión de la inspección mediante la automatización impulsada por IA.
- Reducción de desperdicio: Estrategias impulsadas por la IA para una mejor gestión de inventario, reduciendo la probabilidad de desperdicio y deterioro de alimentos.
- Mantenimiento predictivo: Utilización de modelos de mantenimiento predictivo para anticipar fallas de equipos en transporte, evitando demoras costosas.
Startups:
- Neolithics (IL): Utiliza análisis de imágenes hiperespectrales y aprendizaje automático para detectar, clasificar y ordenar cultivos según su condición en las cintas transportadoras, abordando problemas de control de calidad inconsistentes y pérdidas de productos en las cadenas de distribución.
- Imperfect Foods (EE. UU.): Utiliza IA para conectar a los consumidores con productos alimenticios cercanos a su ubicación y entrega alimentos imperfectos de manera conveniente hasta la puerta del cliente.
- Farmstead (EE. UU.): Es una plataforma de comestibles en línea impulsada por IA que ayuda a restaurantes, minoristas y mayoristas a predecir la demanda, reducir el desperdicio de alimentos y evitar la falta de existencias.
También en este caso se han producido interesantes colaboraciones entre corporaciones y startups. Por ejemplo, la inversión[xi] de Tyson Foods (productor de carne) en Clear Labs, una startup especializada en test de alimentos basados en ADN. Clear Labs utiliza IA y secuenciación de ADN para proporcionar seguridad alimentaria y garantía de calidad, lo cual es crítico en la industria de la carne y representa un riesgo importante[xii] para la salud pública.
Además, TeleSense (EE. UU.) fue recientemente adquirida[xiii] por DECCO Post Harvest, un proveedor de tecnología de monitorización de almacenamiento y transporte de cereales utilizando sensores inalámbricos y análisis avanzado. Finalmente, Apeel Sciences adquirió[xiv] ImpactVision en 2021, una empresa de aprendizaje automático (Machine Learning) desarrolladora de una plataforma de software de seguridad alimentaria y calidad, que aplica tecnología de imágenes hiperespectrales a los alimentos.
Venta: Retail + Restauración
Los desafíos en el sector minorista giran en torno a ofrecer experiencias eficientes de compra, minimizar el desperdicio de alimentos y optimizar el inventario. Un obstáculo significativo es la falta de datos integrados, lo que afecta la visibilidad del inventario, la personalización y la gestión general de la cadena de valor. Esto dificulta que los minoristas comprendan y se conecten efectivamente con los clientes, ajusten las estrategias de precios y se adapten al comportamiento y las dinámicas del mercado en evolución.
IA en retail:
- Predicción de demanda y gestión de inventarios: Modelos de predicción de demanda basados en IA para obtener información sobre la demanda del consumidor, ayudando en una mejor gestión de inventarios y reducción de desperdicios y costos operativos.
- Compra personalizada: Experiencias de compra personalizadas mejoradas mediante datos de comportamiento y compras históricas. Asistentes de compra virtuales que brindan recomendaciones y asistencia contribuyen a esto.
- Ajuste de la estrategia de precios: Utilización de IA para refinar estrategias de precios a través de una mejor comprensión del comportamiento del consumidor y las dinámicas del mercado.
En la restauración, los retos incluyen optimizar las operaciones en la cocina para aumentar la eficiencia, mantener rigurosos estándares de seguridad alimentaria, optimizar menús y precios, y mejorar la experiencia general para garantizar la satisfacción del cliente, fidelizar y alcanzar la rentabilidad.
IA en restauración:
- Mejora de la eficiencia: Optimización de las operaciones de restaurantes para mejorar la eficiencia y reducir el tiempo de preparación de alimentos.
- Cumplimiento de la seguridad alimentaria: Sistemas impulsados por IA para la monitorización rigurosa y el cumplimiento de las regulaciones de seguridad alimentaria en toda la cadena de valor.
- Mejora del servicio al cliente: Personalización del servicio, gestión de los tiempos de espera y procesamiento eficiente de pedidos para mejorar las experiencias gastronómicas generales.
- Predicción de demanda: Pronóstico preciso del tráfico de clientes a través de datos históricos y en tiempo real para una mejor asignación de recursos.
- Optimización del menú: Optimización de ofertas y estrategias de precios para satisfacer las diversas preferencias del cliente y maximizar los ingresos.
- Soluciones de personal: Robots y automatización impulsados por IA para abordar los desafíos del personal y mejorar la eficiencia laboral[xv].
Startups:
- Trax (SG): Utiliza IA para mejorar la gestión de almacenes y el seguimiento de inventarios en tiempo real mediante visión por computadora y aprendizaje automático.
- Shelf Engine (EE. UU.): Emplea IA para ayudar a los comercios a optimizar los niveles de existencias, reduciendo el desperdicio de alimentos y los costes operativos.
- TasteWise (IL): Proporciona información inteligente sobre el consumidor y el mercado mediante el seguimiento de datos de menús de restaurantes junto con información de redes sociales.
- Delicious Data (DE): Se centra en mejorar las operaciones de restaurantes de servicio rápido, abordando el desperdicio de alimentos y otras ineficiencias operativas mediante modelos de pronóstico de la demanda impulsados por la IA.
- Instacart (EE. UU.): Proporciona a los minoristas productos y servicios para impulsar sus ofertas de comercio electrónico, satisfacer pedidos, digitalizar tiendas físicas, brindar servicios publicitarios y obtener información para mejorar la participación del consumidor y las elecciones más saludables.
Además, hay movimientos notables en este espacio, como la adquisición[xvi] de Novo Labs, especializada en IA conversacional para canales de pedidos de voz de alto volumen, y la compra[xvii] de Square de GoParrot en 2022, una solución de software omnicanal para restaurantes y franquicias. Otro desarrollo interesante es cómo Amazon aprovecha los recursos de datos y la infraestructura de AWS para ofrecer e-grocery con Amazon Go y Amazon Fresh[xviii].
Gestión de residuos
La ineficiencia a la hora de conectar la oferta mundial de alimentos con la demanda provoca que se pierdan aproximadamente un tercio de los alimentos del mundo. Esto se traduce en tierras desperdiciadas, más emisiones y uso excesivo de agua, empeorando los problemas climáticos que, a su vez, generan disrupciones en la cadena de valor. Para las corporaciones de la industria, esto significa inestabilidad económica, disminución de las ganancias y un mercado volátil. Reducir el desperdicio de alimentos es un objetivo crítico en toda la cadena de valor alimentaria que requiere la colaboración de las partes interesadas a nivel mundial.
IA en la gestión de residuos:
- Optimización de la producción y distribución basada en datos: La IA utiliza conjuntos de datos históricos y en tiempo real para una producción y distribución eficientes, garantizando que la oferta se alinee con las necesidades del consumidor, minimizando la sobreproducción, reduciendo el inventario excesivo, el deterioro y la minimización de residuos.
- Aplicaciones de IA para mejorar el reciclaje: Algoritmos de ML que identifican y clasifican tipos de residuos como plásticos, metales y papel[xx].
Startups:
- Orbisk (NL): Proporciona a las cocinas profesionales un monitor de desperdicio de alimentos totalmente automatizado.
- Prairie Robotics (CA): Utiliza IA para clasificar los residuos del vertedero y estimar su peso aproximado mediante imágenes.
En este campo, destaca la adquisición[xxi] por parte de Too Good to Go de CodaBene, una plataforma de gestión de desperdicios de alimentos que ayuda a los minoristas a digitalizar sus datos y minimizar el desperdicio.
Transparencia y trazabilidad
Uno de los desafíos prevalentes en la cadena alimentaria radica en la falta de transparencia. Los consumidores de hoy buscan una mayor visibilidad sobre el origen, el método de producción y el recorrido de los productos alimenticios. La falta de sistemas integrales a menudo no proporciona información completa, lo que provoca inquietud ante el posible etiquetado engañoso de alimentos y conflictos de interés dentro de las organizaciones responsables de estos etiquetados. Además, los requisitos de certificación en varias etapas de la cadena de valor pueden aumentar los costes de implementación, complicando aún más la búsqueda de transparencia.
IA en transparencia y trazabilidad:
- Integración de blockchain: La tecnología blockchain, conocida por su capacidad para mantener registros de transacciones transparentes e inmutables, proporciona una herramienta sólida para rastrear un producto a través de sus etapas en la cadena de valor.
- Mejora de la retirada de productos: Blockchain permite la identificación y eliminación casi instantáneas de productos alimenticios contaminados.
- Trazabilidad del producto: Códigos QR específicos del producto con información detallada de seguimiento permiten a los consumidores rastrear el recorrido de un producto desde la granja hasta la mesa.
Startups:
- Agriplace (NL): Es una plataforma independiente que crea herramientas inteligentes para facilitar la certificación y permite un intercambio rápido de datos con auditores y compradores.
- RegAsk (SG): Proporciona tecnología que monitorea, predice y reporta actualizaciones o cambios en las regulaciones relevantes, brindando alertas instantáneas.
- Index Biosystems (CA): Utiliza biotecnología para la trazabilidad llamada BioTags, que son huellas microscópicas aplicadas directamente a productos para permitir la verificación descendente de reclamaciones de sostenibilidad, garantía de calidad y seguridad alimentaria.
Evaluación del impacto
La evaluación del impacto ambiental es crucial para tomar decisiones informadas que promuevan la sostenibilidad, minimicen el daño al planeta y garanticen la transparencia, el cumplimiento legal y la planificación a largo plazo en la cadena de valor alimentaria. Sin embargo, hoy enfrenta varios desafíos, incluida la falta de información sobre emisiones y métodos estandarizados para medir las huellas de carbono.
IA en evaluación de impacto:
- Fiabilidad de las mediciones: La IA mejora la fiabilidad de las mediciones de impacto ambiental utilizando datos históricos y en tiempo real.
- Estructuras de medición estandarizadas: La IA respalda el desarrollo de estructuras de medición estandarizadas en toda la cadena de valor alimentaria, promoviendo la consistencia y la comparabilidad.
- Alineación con regulaciones e incentivos económicos: La IA ayuda a alinear las evaluaciones de impacto ambiental con los requisitos regulatorios e incentivos económicos, facilitando prácticas responsables en toda la industria.
Startups:
- Carbon Cloud (DK): Utiliza IA para evaluar la huella climática de los productos alimenticios para reducir el impacto climático negativo.
- Mondra (UK): Combina datos satelitales e IA para ayudar a las empresas alimentarias a cumplir sus objetivos de neutralidad de carbono mediante el seguimiento del impacto ambiental de los alimentos en toda la cadena de valor.
Dos operaciones notables en este campo han sido la adquisición[xxiii] por parte de IBM de Envizi (AU), que proporciona software impulsado por IA para ayudar a las organizaciones a crear cadenas de valor más resilientes y sostenibles al simplificar la captura, consolidación, gestión, análisis e informes de sus datos de ESG, y el acuerdo entre AlboClimate y ALUS (ONG canadiense) para el uso de sensores remotos para modelar el uso del suelo y el carbono en ecosistemas silvestre y cultivados[xxiv].
Mapa de startups – Cadena de suministro
Un auge de startups dedicadas a soluciones impulsadas por IA ha surgido en toda la cadena de suministro de alimentos. Representan un paisaje dinámico que revoluciona la industria alimentaria al aprovechar la inteligencia artificial para mejorar la sostenibilidad, la eficiencia y la transparencia, dando forma a una cadena de valor alimentaria más sostenible y conectada.
Disclaimer: esta descripción general no es exhaustiva y solo representa una selección de nuevas empresas. Además, la categorización de las empresas no es exclusiva, lo que significa que las nuevas empresas pueden clasificarse en varias categorías.
Desafíos y riesgos para la IA en la cadena alimentaria
En el Volumen 1 de esta serie, se apuntaron los desafíos generales para la aplicación de la IA en alimentación. Este artículo profundiza en los retos y riesgos relacionados específicamente con la cadena de valor alimentaria.
- Estandarización y fragmentación: los datos inconsistentes procedentes de diversos métodos de recopilación y la falta de estandarización y protocolos dificultan el intercambio de datos y la interoperabilidad. Para los datos de emisiones, la falta de claridad sobre la forma en que se calcula (por ejemplo, el impacto de CO2 de los piensos para el ganado) añade mayor complejidad.
- Compartición de datos e integración: el uso de sistemas y tecnologías diversas complica el intercambio de datos. El software incompatible en granjas, empresas de transporte y retail interrumpe las operaciones y requiere cambios en los flujos de trabajo organizativos para lograr una buena integración de la inteligencia artificial.
- Adaptación a fluctuaciones dinámicas: los sistemas de inteligencia artificial deben adaptarse rápidamente a las fluctuaciones dinámicas causadas por la estacionalidad, las tendencias o eventos inesperados como desastres naturales o pandemias, por ejemplo, los desafíos planteados por la pandemia de COVID-19.
- Integración del expertise: a medida que la tecnología de inteligencia artificial avanza, requiere una integración perfecta en las operaciones de los agricultores. Superar la brecha entre la innovación tecnológica y la experiencia agrícola es crucial para su adopción.
- Resistencia a la adopción: los agricultores pueden ser reacios a adoptar la tecnología, lo que podría ralentizar la adopción de la inteligencia artificial en la agricultura.
- Datos del canal Horeca: Todavía no hay datos exhaustivos sobre compras las compras o las ventas en restauración, lo que limita las aplicaciones de la inteligencia artificial en este sector hoy por hoy. Los proveedores existentes de datos sindicados están enfocados predominantemente en el retail.
Abordar estos desafíos requiere flexibilidad, alineación operativa y colaboración en toda la cadena de valor agroalimentaria.
Conclusión: abrir el camino
El estado actual de la industria alimentaria se caracteriza por numerosos desafíos e ineficiencias que obstaculizan su capacidad para satisfacer las demandas de una población mundial en crecimiento. Desde segmentos desarticulados de la cadena de valor hasta mecanismos inadecuados de intercambio de datos, la industria lucha con complejidades que llevan al desperdicio, la ineficiencia y la falta de transparencia. Estos retos abarcan toda la cadena de valor alimentaria, desde la agricultura hasta el control de calidad, la distribución, la venta al por menor, el sector Horeca, la gestión de residuos y la transparencia, adaptándose a las preferencias del consumidor.
En medio de este contexto, surge una oportunidad de transformación a través de la inteligencia artificial. Las aplicaciones de inteligencia artificial en la agricultura están generando grandes cantidades de datos que pueden cerrar estas brechas. Al aprovechar la inteligencia artificial para integrar datos a lo largo de la cadena de valor y establecer una infraestructura de conectividad fiable, la industria puede alinear sus operaciones, facilitar una planificación coordinada y fomentar relaciones colaborativas en todo el espectro, del campo a la mesa. La inteligencia artificial ya está revolucionando diferentes segmentos de la cadena de valor alimentaria, incluida una mayor eficiencia, transparencia y calidad de alimentos, reducción de desperdicio y aumento de la sostenibilidad. En esta transición, las startups desempeñan un papel vital para impulsar la innovación y la colaboración con los actores establecidos de la industria.
Sin embargo, esta visión de una cadena de valor agroalimentaria más interconectada e inteligente también requiere una colaboración más amplia y estrategias alineadas entre todos los interesados. Otras condiciones que deben cumplirse para desbloquear el pleno potencial transformador de la inteligencia artificial incluyen la estandarización, el intercambio e integración de datos.
Mientras anticipamos el Volumen 3, que explora la inteligencia artificial en la salud y la nutrición, vislumbramos un futuro prometedor donde la inteligencia artificial continúa dando forma a una cadena de valor agroalimentaria más interconectada e inteligente.
[i] https://www.fairr.org/resources/reports/industry-reinfected-avian-flu
[ii] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9187510/
[iii] https://www.lefigaro.fr/economie/hyperplan-la-plateforme-collaborative-de-suivi-des-cultures-pour-securiser-la-chaine-agro-alimentaire-20230220
[iv] https://agfundernews.com/increasing-agtech-partnerships-a-precursor-to-consolidation-in-precision-ag5564
[v] https://press.siemens.com/global/en/pressrelease/siemens-and-80-acres-collaborate-scale-vertical-farming
[vi] https://ir.kroger.com/CorporateProfile/press-releases/press-release/2023/Kroger-and-80-Acres-Farms-to-Reach-More-Customers/default.aspx
[vii] https://agfundernews.com/prospera-valmont-acquires-crop-analytics-startup-for-300m
[viii] https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-1/Monitoring_crop_health_across_the_Netherlands
[ix] https://www.finsmes.com/2023/06/hiphen-acquires-slantrange.html#:~:text=Hiphen%2C%20an%20Avignon%2C%20France%2D,a%20platform%20for%20drone%20phenotyping.
[x] https://agfundernews.com/agreena-acquires-hummingbird-technologies-to-strengthen-the-integrity-of-carbon-farming
[xi] https://www.clearlabs.com/tyson-ventures-invests-in-clear-labs-on-a-mission-to-safely-feed-a-growing-world-population/
[xii] https://www.reuters.com/business/healthcare-pharmaceuticals/usda-reports-highly-lethal-bird-flu-kentucky-chicken-farm-2022-02-14/
[xiii] https://news.agropages.com/News/NewsDetail—44037.htm
[xiv] https://agfundernews.com/impactvision-acquired-by-apeel-to-look-inside-fruit-veg-for-freshness
[xv] https://www.forbes.com/sites/markcperna/2022/07/05/why-americas-restaurant-staffing-crisis-could-make-it-harder-to-go-out-to-eat/?sh=5976e4cb2653
[xvi] https://dallasinnovates.com/dallas-based-conversational-ai-service-novo-labs-acquired-by-synq3-restaurant-services/
[xvii] https://squareup.com/us/en/press/square-acquires-goparrot
[xviii] https://www.pocket-lint.com/nl-nl/gadgets/nieuws/amazon/139650-wat-is-amazon-go-waar-is-het-en-hoe-werkt-het/
[xx] https://www.sciencedirect.com/science/article/abs/pii/S095965262301716X
[xxi] https://www.toogoodtogo.com/en/toogoodtogo-acquires-codabene
[xxii] https://www.worldwildlife.org/publications/an-eco-wakening-measuring-awareness-engagement-and-action-for-nature
[xxiii] https://www.techtarget.com/searchbusinessanalytics/news/252511936/IBM-unveils-acquisition-of-Envizi-to-add-ESG-analytics-tools#:~:text=IBM%20revealed%20that%20it%20completed,the%20deal%20were%20not%20disclosed
[xxiv] https://www.albosys.com/post/albo-climate-and-alus-partner-to-leverage-remote-sensing-and-machine-learning-for-new-acre-project
Puedes acceder al original en inglés aquí: BYTES TO BITES VOL. 2 – FROM FARM TO FORK: LEVERAGING AI IN THE FOOD VALUE CHAIN
¿Te ha resultado útil?
Comparte esta publicación
