"Quando le incognite aumentano, cresce anche la tentazione di cercare nella tecnologia una risposta risolutiva. L’intelligenza artificiale offre potenzialità enormi e i primi risultati sono già visibili anche in agricoltura, ma non è una scorciatoia: prima dei modelli servono dati affidabili, esigenze ben definite e benefici misurabili. In questo confronto con Radici, Patrick Gerlich, amministratore delegato di Bayer Crop Science Italia, legge il cambiamento da un osservatorio privilegiato: quello di una azienda globale attiva nelle Life Science che deve far incontrare ricerca globale e specificità locali. È su questo terreno che genetica, difesa e informazioni digitali possono diventare sistemi costruiti sui bisogni reali degli agricoltori. Fino, in prospettiva, a condividere con loro valore e rischio dei risultati."
L’intelligenza artificiale può trasformare l’agricoltura, ma il suo valore non dipende dalla quantità di dati disponibili. Dipende dalla capacità di trasformarli in decisioni, risultati misurabili e soluzioni realmente utilizzabili dagli agricoltori.
È uno dei messaggi centrali che emerge dall’intervista a Patrick Gerlich, Amministratore Delegato di Bayer Crop Science Italia, pubblicata sul sesto numero di Radici Magazine n.6 . Un confronto che parte dall’intelligenza artificiale per arrivare al cuore della trasformazione digitale del settore: qualità dei dati, ricerca, agricoltura rigenerativa e collaborazione lungo la filiera.
Anche Bayer presenta oggi l’AI come uno strumento applicato alla ricerca, allo sviluppo e al supporto delle decisioni agronomiche, dal breeding alla protezione delle colture.
Dall’intelligenza artificiale ai risultati concreti
Il dibattito sull’AI in agricoltura rischia spesso di concentrarsi sulle possibilità future. Per Patrick Gerlich, invece, il punto è partire da ciò che la tecnologia può già tradurre in risultati.
Nell’intervista a Radici, Gerlich cita l’esempio della genetica. Bayer ha costruito quella che definisce la propria più ampia base privata di dati genetici sulle piante e utilizza i digital twin per simulare combinazioni genetiche e identificare quelle con il maggiore potenziale. Processi che tradizionalmente richiedevano anni possono così essere significativamente accelerati.
Ma velocizzare la ricerca è soltanto una parte della questione.
Una tecnologia è utile se risponde a un problema reale
Perché un’innovazione venga realmente adottata deve innanzitutto inserirsi nel lavoro dell’agricoltore.
È qui che Gerlich pone un cambio di prospettiva importante: non partire dal prodotto per trovare successivamente il modo di portarlo sul mercato, ma partire dal bisogno dell’agricoltore e costruire intorno a quel bisogno la risposta.
Questo implica anche adattare innovazioni sviluppate su scala globale alle specificità dell’agricoltura locale. Nel caso italiano, Gerlich sottolinea la presenza di conoscenza tecnica, propensione all’innovazione e una forte attenzione alla qualità del cibo.
Dati agricoli: non servono più informazioni, servono decisioni migliori
Uno dei passaggi più interessanti dell’intervista riguarda proprio il significato del dato.
“L’agricoltore non ha bisogno di più dati ma di una raccomandazione in più.”
La quantità di informazioni disponibili, quindi, non è di per sé sinonimo di innovazione.
Il valore nasce quando dati provenienti da fonti diverse vengono aggregati, interpretati e trasformati in un’indicazione utilizzabile.
Gerlich cita FieldView, che mette in relazione informazioni relative, tra le altre cose, alla fertilità, alla salute e al potenziale produttivo del campo, alla semina e all’andamento della coltura, con l’obiettivo di supportare decisioni capaci di incidere su costi, impatto ambientale e resa.
Un secondo esempio è ResiYou, applicato alla gestione dei residui nell’ortofrutta. La soluzione utilizza machine learning e AI per prevedere i residui al raccolto in relazione al prodotto utilizzato e al momento del trattamento. La piattaforma italiana di Bayer presenta ResiYou come soluzione digitale per la gestione dei residui in frutta e verdura e per supportare il rispetto degli standard.
È un passaggio particolarmente significativo perché mostra come una decisione agronomica possa avere conseguenze direttamente commerciali, incidendo sulla conformità agli standard di filiera, sull’accesso ai mercati e sul rischio di scarto.
AI in agricoltura: tutto parte dalla qualità dei dati
L’intelligenza artificiale, però, introduce un’altra questione: quella dell’affidabilità delle informazioni utilizzate.
Gerlich mette in guardia dall’attenzione quasi esclusiva verso il risultato finale dell’AI. Prima dell’algoritmo esiste un lavoro meno visibile, ma decisivo: preparare i dati, collegare fonti differenti e fare in modo che possano dialogare tra loro.
“La qualità di ciò che esce dall’intelligenza artificiale dipende dalla qualità dei dati che vi entrano”.
È un principio che riguarda non soltanto il campo, ma potenzialmente l’intera filiera agroalimentare: raccogliere informazioni non basta se rimangono frammentate in sistemi incapaci di comunicare.
Dal singolo prodotto al sistema agricolo
Un’altra trasformazione riguarda il modo stesso di pensare l’innovazione.
Clima, geopolitica, sostenibilità e dinamiche economiche espongono l’agricoltore a problemi che difficilmente possono essere affrontati attraverso un singolo prodotto.
Gerlich porta l’esempio di Preceon – Smart Corn System, descrivendolo come un
sistema che combina genetica e pratiche agronomiche e che, nell’esperienza italiana raccontata nell’intervista, è stato adattato attraverso il confronto con agricoltori, zootecnia e industria casearia.
La prospettiva diventa quindi quella di un ecosistema di prodotti, competenze e strumenti, nel quale genetica, protezione delle colture e digitale lavorano insieme.
Agricoltura rigenerativa: sostenibilità significa misurare
Lo stesso approccio emerge affrontando l’agricoltura rigenerativa.
Per evitare che la sostenibilità rimanga una dichiarazione di principio, secondo Gerlich occorre collegarla a risultati verificabili.
Nell’intervista cita il progetto “Rigenerare per crescere”, avviato nella viticoltura per lavorare su sei dimensioni: produttività, benessere socioeconomico degli agricoltori, mitigazione e adattamento climatico, biodiversità, salute del suolo e tutela delle risorse idriche.
L’obiettivo non è opporre produttività e sostenibilità, ma cercare di tenere insieme riduzione dell’impatto, produttività e redditività, misurando i risultati ottenuti.
Il futuro? Condividere dati, ma anche rischio e risultati
La visione di Gerlich va infine oltre l’adozione di singole tecnologie.
Nell’intervista immagina l’evoluzione verso modelli in cui un sistema come Preceon possa arrivare non semplicemente a vendere prodotti e tecnologie, ma a vendere un risultato, condividendo con l’agricoltore parte del rischio e della responsabilità legata all’esito raggiunto.
È probabilmente qui che dati e AI mostrano il loro potenziale più interessante: non come un ulteriore livello tecnologico da aggiungere all’impresa agricola, ma come strumenti attraverso cui costruire nuovi modelli decisionali e nuove relazioni all’interno della filiera.
E per riuscirci diventa fondamentale lavorare insieme.
Come conclude Patrick Gerlich, l’AI genera valore quando le informazioni sono precise, affidabili e provenienti da livelli diversi della filiera. La vera sfida consiste quindi nel scegliere piattaforme capaci di aggregare quei dati e trasformarli in indicazioni utili.
In altre parole, il futuro dell’agricoltura non dipenderà semplicemente dalla capacità di raccogliere più dati, ma da quella di coltivarli, condividerli e trasformarli in decisioni migliori.