Dopo una stagione che ha ridotto i margini e punito gli errori, uno sguardo ingegneristico, con le sue potenzialità e i suoi limiti, alle tecnologie che stanno trasformando le informazioni operative nel nuovo patrimonio dell’agricoltura.
La stagione 2025/26 ha lasciato una lezione che va oltre il settore delle ciliegie, anche se è stato proprio questo comparto a pagarne il prezzo più alto. Secondo Frutas de Chile, le spedizioni si sono chiuse intorno ai 114 milioni di casse, con un calo vicino al 10% rispetto alla stagione precedente.
Eppure, nonostante la minore quantità di frutta spedita via mare, i ritorni economici non si sono ripresi come previsto. Qualcosa si è incrinato nell’equazione che ha sostenuto il settore per un decennio.
Produrre di più non garantisce più guadagni maggiori. È la stessa industria ad averlo riconosciuto: gli analisti di Copefrut hanno sintetizzato il nuovo scenario spiegando che la sfida non consiste più nello spendere meno, ma nello spendere meglio.
Secondo il bilancio stagionale dell’economista agrario di INIA Quilamapu, Jorge González, verso la fine di gennaio un chilogrammo di ciliegie calibro 4J veniva commercializzato in Cina intorno ai 10 dollari (8,59 Euro), mentre il calibro L raggiungeva appena i 2,6 dollari (2,23 Euro).
Quasi quattro volte di differenza per la stessa specie, nella stessa settimana. Il mercato non paga più semplicemente la frutta: paga attributi misurabili come calibro, consistenza e condizioni qualitative, penalizzando chi non li possiede.
Rabobank indica la stessa direzione: il risultato non dipende più da quanto si produce, ma da come, quando e in quali condizioni la frutta arriva a destinazione.
Tutto questo non riguarda esclusivamente le ciliegie. L’uva da tavola deve rispettare standard di calibro estremamente precisi, il mirtillo compete con origini in grado di offrire frutti più consistenti, mentre avocado, agrumi e frutta a guscio operano con margini che non consentono inefficienze.
La conclusione vale per tutti: quando i margini si restringono, l’informazione smette di essere un lusso e diventa un asset produttivo. Da qui nasce la domanda alla base di questo articolo: che cosa può realmente offrire l’intelligenza artificiale a questa necessità di conoscere di più e stimare di meno?
Partiamo dall’evidenza: l’agricoltura cilena non è un settore tecnologicamente arretrato. I frutteti vengono monitorati attraverso stazioni meteorologiche, sonde di umidità e analisi fogliari.
Gli stabilimenti delle grandi aziende esportatrici utilizzano calibratrici ottiche di ultima generazione, come i sistemi Unitec, Tomra o MAF Roda, capaci di fotografare ogni frutto da tutte le angolazioni e classificarlo per calibro, colore e difetti a velocità impossibili per l’occhio umano.
Nel cuore dei moderni impianti di lavorazione, la misurazione automatizzata ha già vinto. Il punto cieco si trova in tutto ciò che sta intorno.
Lungo l’intero percorso della frutta, un numero sorprendente di decisioni continua a basarsi su stime: quanta frutta è realmente presente in un appezzamento prima della raccolta; in quali condizioni arriva ciascun lotto al ricevimento; quali sono state le cause degli scarti; quale resa ha ottenuto ogni produttore.
È la stessa industria a interrogarsi sul problema. Nei media tecnici di settore, come Smartcherry, viene sollevata stagione dopo stagione la questione della rappresentatività del campionamento manuale in fase di ricevimento.
Un bin contiene circa 200 chilogrammi di frutta proveniente da alberi e zone differenti; eppure, l’intero lotto viene classificato sulla base di un piccolo campione.
Nella gestione quotidiana, gli stessi fornitori del settore sottolineano come una parte consistente delle operazioni continui a dipendere dalla carta e da fogli Excel isolati tra loro.
La migliore dimostrazione del fatto che il problema sia concreto e diffuso è la nascita di un’intera industria cilena di software per l’agricoltura il cui argomento commerciale consiste, letteralmente, nell’eliminazione dei fogli di calcolo manuali.
Il paradosso è evidente: la macchina al centro della linea misura ogni frutto con una precisione nell’ordine dei decimi di millimetro, mentre molte delle decisioni che la circondano continuano a essere prese attraverso campionamenti, esperienza visiva e fogli Excel.
Non si tratta di negligenza: fino a poco tempo fa non esisteva un modo economicamente sostenibile per effettuare queste misurazioni in maniera continua. È proprio questo lo spazio oggi conteso dalle nuove tecnologie di misurazione.
Prima di proseguire è necessaria una precisazione. Chi scrive non è un agronomo: sono un ingegnere civile meccatronico e mi occupo dello sviluppo di sistemi di misurazione per l’industria, capaci di trasformare ciò che avviene in campo o lungo una linea produttiva in dati utili alle decisioni.
I lettori di questa rivista conoscono la frutta molto meglio di me; quello che posso offrire è un punto di vista differente: spiegare, senza filtri di marketing, che cosa si nasconde dietro la sigla “IA”, che cosa può misurare all’interno di un’operazione agricola e che cosa invece non può fare.
Prima di proseguire è utile chiarire alcuni concetti, perché molte delle frustrazioni legate a questa tecnologia nascono proprio dalla confusione tra i termini. L’intelligenza artificiale non è una singola tecnologia: è il termine ombrello che comprende sistemi in grado di svolgere attività che associamo all’intelligenza.
Sotto questo ombrello, quasi tutto ciò che oggi funziona appartiene alla stessa disciplina, il machine learning o apprendimento automatico: programmi che imparano schemi e correlazioni a partire dai dati, invece di seguire regole scritte manualmente.
Per valutarne le applicazioni pratiche, è fondamentale distinguere il tipo di dati utilizzato: testo, numeri oppure immagini.
La prima applicazione lavora con il linguaggio. È l’intelligenza artificiale generativa, quella di ChatGPT e dei suoi equivalenti, e oggi rappresenta una delle opportunità più immediate per migliorare la gestione di qualsiasi attività agricola praticamente senza investimenti.
Analizzare le tendenze contenute nei fogli di liquidazione, redigere e revisionare protocolli e documentazione per gli audit oppure migliorare le comunicazioni in inglese con i clienti e gli importatori.
Il suo limite è evidente: lavora con informazioni che qualcuno ha già registrato. Non può vedere il campo né la frutta.
La seconda applicazione lavora con dati numerici ed è quella maggiormente sottovalutata. Si tratta del machine learning classico: modelli capaci di individuare schemi all’interno di serie di dati.
Molte aziende hanno accumulato anni di telemetria dell’irrigazione, dati climatici e liquidazioni che non sono mai stati realmente utilizzati fino in fondo.
Questo patrimonio storico permette applicazioni molto concrete: correlare l’andamento idrico e climatico di ciascun appezzamento con la resa e il calibro finale; individuare anomalie, come una zona che comincia a comportarsi diversamente dalle altre prima che il sintomo diventi visibile; oppure prevedere le curve di raccolta sulla base dello storico aziendale, anziché utilizzare la media della zona.
Il limite non è l’algoritmo: è la disponibilità di dati realmente significativi. Uno storico ordinato ma incapace di considerare l’effetto dell’annata, una potatura particolarmente severa o un cambio di portinnesto può generare previsioni inutili.
Il valore emerge quando il dato numerico viene incrociato con il contesto agronomico che soltanto il personale di campo conosce. Le aziende che registrano dati con disciplina da anni sono sedute su un patrimonio che ancora non stanno valorizzando pienamente.
La terza applicazione è quella capace di vedere: la visione artificiale. E qui è utile eliminare un equivoco frequente: chi gestisce un moderno stabilimento di lavorazione convive già con la visione artificiale, anche se magari non la definisce così.
Le calibratrici ottiche sono esattamente questo: sistemi di visione integrati, chiusi e progettati per un unico scopo, installati all’interno della macchina e straordinariamente efficienti nello svolgimento di una sola attività.
La novità dell’ultimo decennio non consiste nella tecnologia in sé, utilizzata da decenni per l’ispezione di componenti industriali. Il vero cambiamento è che le reti neurali profonde hanno acquisito la capacità di riconoscere oggetti all’interno di scene disordinate del mondo reale, caratterizzate da ombre, polvere e frutti che si sovrappongono tra loro.
Grazie a questo sviluppo, la visione artificiale si è resa indipendente dalla macchina: oggi è possibile installare una telecamera con un modello addestrato praticamente in qualsiasi punto dell’operazione, a una frazione del costo di una linea di selezione, per svolgere attività che nessuna calibratrice riesce a coprire.
Nella pratica, trasforma ciò che vede in un dato attraverso quattro operazioni: rilevamento — c’è un frutto qui? —, conteggio — quanti ne sono passati? —, misurazione — quali sono le sue dimensioni? — e ispezione — presenta un difetto visibile? —.
Sembrano attività semplici, ma sono precisamente quelle che permettono di intervenire sul punto cieco descritto in precedenza.
Dal suo funzionamento deriva la conseguenza pratica più importante. Un sistema di visione non è semplicemente “una telecamera intelligente”: è un sistema ingegneristico complesso.
Da una parte c’è l’hardware: telecamere industriali, dotate di ottiche e sistemi di illuminazione scelti appositamente per la scena e progettate per lavorare nelle condizioni reali di un campo o di uno stabilimento di confezionamento, ambienti tutt’altro che simili a un laboratorio.
Dall’altra c’è il modello: un programma che ha imparato a riconoscere gli oggetti analizzando migliaia di immagini precedentemente etichettate. L’intelligenza non risiede nell’obiettivo della telecamera, ma nel modello, e il modello impara esclusivamente da ciò che gli viene mostrato.
Un sistema addestrato su mele perfettamente illuminate in un laboratorio europeo può fallire davanti ad avocado ammassati su un nastro trasportatore cileno, alla reale velocità di lavorazione e con il controluce di un capannone.
La conseguenza è che, nella visione artificiale, il concetto di “collega e usa” non esiste. Per questo i progetti seri iniziano acquisendo dati direttamente sulla linea o nel campo del cliente.
E il criterio con cui valutare qualsiasi fornitore, compreso chi scrive, dovrebbe essere uno soltanto: deve dimostrare che il sistema funziona con la vostra frutta e all’interno della vostra operazione, non attraverso il video di un catalogo.
Nel frutteto. L’applicazione più consolidata è anche la più semplice da descrivere: contare. Effettuare il censimento delle piante su grandi superfici attraverso immagini aeree è oggi un problema sostanzialmente risolto e permette di sostituire gli inventari eseguiti a piedi, che nelle aziende di centinaia di ettari risultano lenti, costosi o addirittura impraticabili.
Allo stesso modo, la visione applicata al monitoraggio permette di individuare e quantificare sintomi visibili, dalle zone con vegetazione in sofferenza fino alle catture nelle trappole, trasformando la sorveglianza fitosanitaria in un dato quantificabile anziché in una semplice impressione raccolta in campo.
Diversi livelli più in alto troviamo invece la promessa più pubblicizzata e meno mantenuta del settore: prevedere la produzione esportabile contando fiori o frutti con mesi di anticipo.
Contare ciò che vede la telecamera è una cosa; prevedere quanto arriverà effettivamente all’interno di una confezione destinata all’esportazione dopo aver attraversato allegagione, condizioni climatiche, gestione agronomica e raccolta è qualcosa di completamente diverso.
La telecamera vede la struttura della pianta e il numero di fiori, ma non vede la fisiologia che determinerà quanti di quei fiori la pianta riuscirà a portare fino alla raccolta.
Quel passaggio non può essere risolto da un’immagine: richiede agronomia. Chi promette di riuscire a farlo dovrebbe essere in grado di mostrare risultati verificati relativi alle stagioni precedenti, sulla stessa specie e nell’area geografica di interesse.
Al ricevimento. È qui che si decide quale lotto può sopportare 30 giorni di trasporto marittimo e quale deve essere lavorato immediatamente e dove, come abbiamo visto, il campione analizzato è estremamente ridotto.
La visione artificiale non sostituisce il giudizio dell’addetto esperto al ricevimento: ne moltiplica la capacità di osservazione. Registrare visivamente l’intero lotto, anziché soltanto la manciata di frutti che riesce a passare sul tavolo di controllo, modifica completamente la base statistica sulla quale viene presa la decisione.
Esiste inoltre un ulteriore vantaggio particolarmente importante in questa fase: un buon sistema non si limita a misurare, ma conserva anche una prova visiva di ciò che ha rilevato.
In un punto della filiera nel quale le decisioni vengono discusse con il produttore, poter mostrare direttamente la frutta e non soltanto un numero trasforma un dato potenzialmente contestabile in una decisione supportata da evidenze.
Sulla linea. La calibratrice misura già ciò che passa al suo interno. Il contributo della visione artificiale riguarda tutto ciò che avviene attorno ad essa: misurare il flusso prima e dopo il sorter per individuare i colli di bottiglia che impediscono di utilizzare pienamente una macchina dal valore di milioni.
Contare unità, casse e pallet nei punti in cui oggi il conteggio viene ancora eseguito manualmente; e, soprattutto, trasformare lo scarto in un’informazione tempestiva.
In molti stabilimenti, le cause degli scarti vengono registrate manualmente e diventano disponibili quando il turno di lavoro è ormai terminato. Un sistema capace di classificare gli scarti in tempo reale permette invece di informare il personale di campo, durante la stessa raccolta, su quale pratica stia causando il danno, anziché accorgersene soltanto il giorno successivo.
Verso la destinazione. La stagione 2024/25 ha fornito un duro promemoria del costo che può avere l’impossibilità di dimostrare le condizioni della frutta: il caso della Maersk Saltoro, la nave che subì un’avaria nel Pacifico e arrivò in Cina 52 giorni dopo la partenza, con circa 5 milioni di casse di ciliegie a bordo.
Il carico era valutato intorno ai 100 milioni di dollari (85,92 milioni di Euro), secondo quanto riportato dalla stampa specializzata. La frutta venne dichiarata non idonea e distrutta.
Quando si verifica una situazione di questo tipo, oppure arriva una normale contestazione relativa alle condizioni qualitative, la differenza tra recuperare la perdita e doverla assorbire può dipendere dalla disponibilità di prove: una registrazione oggettiva e datata delle condizioni in cui la frutta ha lasciato lo stabilimento.
Un archivio visivo sistematico di ciascun lotto confezionato non impedisce il verificarsi dell’incidente, ma modifica radicalmente la posizione dell’esportatore nei confronti delle compagnie assicurative e degli importatori.
È qui che si distinguono i progetti realmente utili da quelli destinati a finire abbandonati in qualche magazzino.
Primo: la visione artificiale può vedere soltanto ciò che è visibile. Un difetto interno o una condizione fisiologica che non si manifesta ancora sulla superficie non possono essere individuati attraverso normali telecamere, indipendentemente dalla quantità di intelligenza artificiale utilizzata.
Esistono tecnologie complementari, come la spettroscopia o il vicino infrarosso, che permettono di affrontare in parte questi problemi, ma appartengono a un’altra categoria di soluzioni e comportano costi differenti.
Secondo: la geometria detta le regole. Esistono configurazioni nelle quali nessuna telecamera può vedere ciò che sarebbe necessario osservare: frutti nascosti dal fogliame oppure oggetti coperti all’interno di un carico compatto.
In un progetto industriale che ho avuto modo di valutare, la conclusione è stata che determinate posizioni all’interno del carico risultavano invisibili con qualsiasi configurazione di telecamere, e la scelta corretta è stata comunicarlo prima di vendere un sistema destinato inevitabilmente a fallire.
Un fornitore serio deve essere disposto a spiegare quando un problema non può essere risolto attraverso la visione artificiale; è opportuno diffidare di chi sostiene che il proprio prodotto sia in grado di risolvere qualsiasi cosa.
Terzo: a volte la soluzione non è l’intelligenza artificiale. Alcune variabili possono essere rilevate meglio attraverso un sensore semplice, robusto ed economico anziché mediante un modello di deep learning.
La domanda corretta non dovrebbe mai essere “come posso applicare l’IA a questo problema?”, ma piuttosto “qual è il modo più semplice e affidabile per misurarlo?”.
A volte la risposta è una telecamera accompagnata da un modello addestrato; in altri casi basta un termometro installato nel punto giusto.
Quarto, e questo è il limite più importante: l’intelligenza artificiale non può sostituire un’attività di individuazione precoce che non è stata effettuata.
Il dato più significativo delle ultime stagioni arriva da INIA Quilamapu: la cimice asiatica ha rappresentato il 70% dei respingimenti fitosanitari delle ciliegie destinate agli Stati Uniti nella stagione 2024/25 e il 67,6% nel 2025/26.
Ogni respingimento comporta una fumigazione che può deteriorare la qualità della frutta oppure il suo reindirizzamento verso mercati di minor valore.
Esistono strumenti di supporto parziale, come le trappole dotate di telecamere che automatizzano il monitoraggio oppure l’ampliamento del campionamento visivo durante il ricevimento, ma nessuna tecnologia applicata al porto può correggere ciò che non è stato individuato in frutteto.
La lezione non è che l’intelligenza artificiale possa risolvere autonomamente il problema della cimice asiatica. Il punto è che, quando una rilevazione tardiva comporta conseguenze di questa portata, non è più ragionevole continuare a dipendere esclusivamente da campioni minimi e controlli effettuati rapidamente.
1. Quale decisione importante viene ancora presa “a occhio”?
Un progetto tecnologico non dovrebbe iniziare dalla tecnologia, ma da una decisione concreta che oggi viene presa sulla base di informazioni insufficienti: quante persone assegnare a un’attività, quale lotto spedire oppure come determinare la liquidazione di ogni produttore.
Se non è possibile identificare chiaramente questa decisione, non esiste ancora un vero progetto, ma soltanto un’esigenza che conviene approfondire prima di investire.
Una semplice stima può essere sufficiente per stabilire se valga la pena procedere. Se le perdite causate dall’errore non superano ampiamente il costo necessario per migliorare la misurazione, difficilmente l’investimento sarà giustificato.
Ma quando sono in gioco differenze di prezzo significative legate al calibro oppure l’impossibilità di documentare una contestazione relativa alle condizioni della merce, la domanda smette di essere se convenga misurare e diventa quando sia necessario iniziare a farlo.
Senza informazioni proprie non esiste modello in grado di garantire risultati affidabili. È una delle regole fondamentali di qualsiasi progetto di visione artificiale.
Il vantaggio è che acquisire immagini da una linea di lavorazione o da un appezzamento è generalmente abbastanza semplice, comporta un costo limitato e non interferisce necessariamente con l’operatività.
Una linea, un appezzamento, una stagione. I progetti tecnologici che falliscono nel settore agricolo condividono quasi sempre lo stesso errore iniziale: sono partiti su scala troppo grande.
Un progetto pilota con obiettivi precisi e una metrica di successo definita in anticipo consente di validare la soluzione, correggere eventuali errori e raccogliere le informazioni necessarie prima di procedere su scala maggiore.
L’ultima stagione ha dimostrato che il mercato non premia necessariamente chi produce di più, ma chi conosce meglio ciò che possiede.
Sapere quanto prodotto è disponibile, in quali condizioni si trova e poter disporre delle informazioni necessarie per dimostrarlo è stata, per decenni, una capacità concentrata nel cuore automatizzato dei grandi impianti di lavorazione.
L’intelligenza artificiale, e in particolare la visione artificiale, sta estendendo questa capacità al resto della filiera, dal frutteto fino al pallet che lascia lo stabilimento.
Non è magia e non pretende di esserlo: è un nuovo strumento di misurazione per un settore nel quale informazione ed esperienza sono sempre state determinanti.
La prossima stagione favorirà ancora una volta chi saprà con precisione che cosa possiede prima che sia il mercato di destinazione a comunicarglielo.
La domanda non è più se questa tecnologia funzioni. La domanda è quale decisione all’interno della vostra attività meriti finalmente di smettere di essere presa a occhio.
Fonte immagine: Stefano Lugli
Kevin Figueroa
Fondatore di NeuralCrops
20 dic 2023
Le api da miele e le api muratrici hanno favorito l'allegagione del ciliegio dolce, ma solo quando presenti entrambe. I risultati dimostrano che l'offerta di materiale per la nidificazione e l'impiego di arnie possono aumentare la presenza di api nei frutteti di ciliegie dolci.
19 mar 2026
A Quillón, il progetto Agroclima Corazón de Paloma introduce app mobile, stazioni meteo e modelli agroclimatici per aiutare circa 60 piccoli produttori di ciliegie a gestire i frutteti, difendere la varietà patrimoniale e affrontare il cambiamento climatico.
11 set 2026
L’intelligenza artificiale trasforma la frutticoltura in Cile: visione artificiale, machine learning e dati aiutano a misurare qualità, resa e scarti, ridurre gli errori e migliorare le decisioni dal frutteto alla linea di confezionamento e fino all’esportazione.
11 set 2026
In Puglia l’HTS identifica per la prima volta in Italia il Pomes virus Greece (PVGR) nel ciliegio dolce. Il virus è stato rilevato nell’8,7% dei campioni analizzati; un caso di Cherry green ring mottle virus segna inoltre la prima segnalazione regionale del virus CGRMV.
