Inteligencia artificial en la acuicultura: entre promesas, práctica y preguntas pendientes
publicado el
08/14/2025
escrito por
El Dr. Md. Tanvir Rahman
El Dr. Md. Tanvir es profesor en el Departamento de Microbiología e Higiene de la Facultad de Ciencias Veterinarias de la Universidad Agrícola de Bangladesh. También fue director del Laboratorio Central Prof. Mohammad Hossain de la misma universidad. Sus principales áreas de especialización incluyen la resistencia a los antibióticos, la ecología molecular y el enfoque de “Una sola salud”.
Md. Liton Rana
Md. Liton es estudiante de doctorado en el Centro de Investigación en Ciencias Ecoambientales (RCEES) de la Academia China de Ciencias, en China. Anteriormente, obtuvo su maestría en Microbiología en la Universidad Agrícola de Bangladesh, donde investigó la resistencia a los antimicrobianos (RAM) en patógenos asociados a la ganadería y en el microbioma del suelo. Fuera del laboratorio, Liton actúa como revisor científico para PLOS ONE, Scientific Reports y BMC Microbiology. También es miembro activo de la red de embajadores de AMR Insights y divulgador científico voluntario.
¿Qué pasaría si el mayor valor de la inteligencia artificial (IA) no fuera solo resolver problemas, sino ayudarnos a formular preguntas más profundas?
La inteligencia artificial (IA) está emergiendo como una herramienta poderosa en la acuicultura. Desde la detección temprana de enfermedades hasta una gestión más inteligente de la alimentación, ya está transformando las prácticas. Pero no es una solución única para todos. Junto con su promesa, surge la necesidad de reflexión: ¿pueden los modelos diseñados para una especie o región funcionar en otros contextos? ¿Cómo garantizamos que estas herramientas sean más equitativas y accesibles para todos?
La acuicultura como la cría de peces y moluscos, se está convirtiendo rápidamente en una de las fuentes más importantes de proteína animal a nivel mundial. Hoy en día, los productos acuáticos aportan más del 16 % de la proteína animal consumida globalmente. Para satisfacer esta creciente demanda, se proyecta que la producción acuícola alcance las 129 000 kilotoneladas para 2050.
Lograr este objetivo mientras se protege a la sanidad de los animales acuáticos y se preserva la eficacia de los pocos antimicrobianos disponibles dependerá de cuán eficientemente y con cuánta inteligencia cultivemos.
Es aquí donde entra la inteligencia artificial. En los últimos años, la IA ha avanzado notablemente en mejorar la seguridad en la acuicultura, evolucionando de una idea conceptual a un campo multidisciplinario avanzado.
En este artículo exploramos:
- Dónde la IA ya está marcando la diferencia
- Qué innovaciones se aproximan
- Qué preguntas clave deben hacerse los veterinarios y gestores de granjas, sin dejarse llevar por el entusiasmo desmedido
- Una lista de verificación práctica para el equipo veterinario o de gestión
|
Desafío |
Enfoque tradicional | Solución con IA en el campo |
| Detección temprana de enfermedades en camarones (p. ej. EMS/AHPND) | Muestreo diario + PCR (retraso de 2–3 días) |
|
| Seguimiento del uso de antimicrobianos | Registros en papel, incompletos | Las cámaras Edge-AI y los sensores de audio cuentan las comidas individuales y señalan los casos de alimentación con medicamentos no indicados en la etiqueta; los datos se envían automáticamente a los paneles de control nacionales (Noruega, Chile). |
| Conteo de piojos de mar en salmón | Microscopía manual (costosa, estresante) | Los modelos de aprendizaje profundo que se ejecutan en cámaras estéreo submarinas escanean los piojos de 1000 peces en menos de 10 minutos, lo que permite intervenciones sin antibióticos (peces limpiadores, láser) en umbrales más bajos. |
| Riesgo de floraciones de algas | Pronósticos meteorológicos + imágenes satelitales de clorofila | Los modelos híbridos de IA envían alertas de 48 horas por SMS a los agricultores para que puedan dejar de alimentar a los peces y así evitar daños en las branquias. |
La IA ha abierto oportunidades emocionantes para mejorar la productividad acuícola:
- Lagos de datos basados en el enfoque “Una sola salud” que combinan sensores de calidad del agua, secuenciación genómica de patógenos y perfiles de genes de resistencia antimicrobiana (RAM) para predecir “dónde y cuándo” podría emerger una cepa resistente.
- Algoritmos de alimentación por refuerzo que reducen la tasa de conversión alimenticia (FCR) en un 5–10 %, reduciendo costos y la carga fecal de RAM en sedimentos.
- Microscopios portátiles con IA integrada capaces de detectar quistes del virus de la mancha blanca en el campo, reduciendo tiempo y costos de laboratorio.
Con las oportunidades surgen advertencias necesarias. Los profesionales se preguntan:
- Calidad de los datos: En programas de IA o ML, mantener datos de calidad es esencial. Un modelo entrenado con salmones noruegos podría no funcionar en estanques de tilapia en Bangladesh. Crear conjuntos de datos regionales, libres de sesgos y respetando la confidencialidad es un gran reto.
- Uso racional de antimicrobianos: Si el sistema IA detecta un aumento del 2 % en mortalidad, ¿eso justifica tratamiento antibiótico inmediato o se debe esperar confirmación de cultivo? Necesitamos umbrales de decisión definidos conjuntamente por veterinarios, reguladores y expertos en ética.
- Brecha digital: La IA basada en la nube requiere conexión estable, pero muchos pequeños productores carecen de acceso a internet rápido. Soluciones con computación local o por SMS pueden cerrar esta brecha sin aumentar desigualdades.
- Reconocimiento regulatorio: El Código Acuático de la OMSA actualmente no contempla evidencia generada por IA. Es urgente validar modelos para que los certificados sanitarios oficiales puedan basarse en datos de vigilancia por IA.
- Ciber bioseguridad: Un algoritmo que controla alimentadores o sistemas de oxigenación puede ser hackeado. Se necesita una regulación sobre quién asume la responsabilidad si un ciberataque causa mortalidad masiva o tratamientos indebidos.
Si eres responsable de una granja o veterinario, aquí tienes formas de comenzar con IA:
- Empieza con un punto específico y medible (ej. mortalidades inexplicables 48 horas después de cambios de agua).
- Recopile datos etiquetados durante 2-4 semanas (incluye mortalidad, temperatura del agua, oxígeno disuelto, pH, imágenes).
- Usa referencias abiertas (ej. conjuntos de datos de Aquabyte, FAO AquaSpy) para evaluar la precisión del modelo antes de adquirirlo.
- Mantente en contacto con tu autoridad local de sanidad animal. Verifica si los resultados pueden integrarse en bases de datos nacionales de RAM.
- Ten un plan de contingencia por si el proveedor de IA deja de operar, asegurándote de conservar acceso a los datos crudos para reentrenar el modelo localmente.
La IA no es mágica, pero es poderosa. En acuicultura, ya está transformando la gestión de crisis inciertas en una práctica predictiva y precisa. Está permitiendo un control más racional y mínimo del uso de antimicrobianos. El siguiente paso es garantizar que estas herramientas sean seguras, equitativas y accesibles para todas las granjas: desde un estanque de camarones de 2 hectáreas en zonas rurales de Bangladesh hasta una jaula de salmón de 10 000 toneladas en el Atlántico Norte.
Featured image: Canva AI
The Animal Echo aspira a fomentar la comprensión individual y colectiva de la salud y el bienestar de los animales. Le ofrecemos ideas y opiniones de expertos en salud y bienestar animal de todo el mundo. Las opiniones expresadas en The Animal Echo son las de su(s) autor(es) y no reflejan necesariamente la posición oficial de la OMSA.
Seguir leyendo
Manténgase al día con nuestro boletín mensual. Reciba las últimas noticias de nuestra Organización, red y colaboradores. Incluye autodeclaraciones de los Miembros, artículos, conocimientos científicos, publicaciones y mucho más.
