Por qué la IA arruina tu cultivo

ChatGPT, Claude y compañía no son doctores de plantas: por qué los análisis de plantas mediante IA sin un contexto completo son un disparate peligroso y por qué los cultivadores deben volver a aprender a entender sus plantas por sí mismos

Se fotografía una hoja amarilla. Se suben dos imágenes a ChatGPT, Claude, Gemini u otro sistema de IA. Se añade una frase como:

«¿Qué le falta a mi planta?»

Pocos segundos después aparece una respuesta detallada.

Deficiencia de calcio. Deficiencia de magnesio. Exceso de riego. Estrés lumínico. pH incorrecto. Bloqueo de nutrientes. Muy poco fertilizante. Demasiado fertilizante.

La IA explica el daño visible, menciona una supuesta causa y ofrece directamente un plan de actuación. Recomienda CalMag, un lavado, una corrección del pH, más fertilizante, menos agua o sustituir el sustrato.

La respuesta está claramente estructurada. Utiliza términos técnicos. Suena lógica y segura de sí misma.

Y aun así puede ser una completa gilipollez.

Por eso, en CannaSelection lo decimos deliberadamente con claridad:

Actualmente, los sistemas generales de IA no son herramientas fiables para diagnosticar plantas de cannabis. Quien aplica tratamientos concretos basándose en dos imágenes no está realizando un análisis de la planta. Está dejando que un modelo estadístico adivine a partir de información incompleta.

Lo peligroso no es únicamente que la respuesta sea incorrecta. Lo peligroso es que suene a conocimiento especializado.

Primero hay que entender qué hace realmente una IA

ChatGPT, Claude y sistemas comparables son los llamados Foundation Models generativos. A menudo se habla de forma simplificada de Large Language Models, o LLM.

Estos modelos no funcionan como una enciclopedia en la que se consulta una pregunta y después se ofrece una respuesta técnica verificada.

Durante el entrenamiento se procesan cantidades muy grandes de textos, imágenes y otros contenidos. A partir de ello, el modelo aprende relaciones estadísticas, estructuras y patrones. Aprende, por ejemplo, qué términos suelen aparecer juntos, qué explicaciones parecen plausibles desde el punto de vista lingüístico y cómo se responde normalmente a un determinado tipo de pregunta.

OpenAI describe que sus modelos se desarrollan, entre otras cosas, con información disponible públicamente en Internet, contenidos con licencia y datos proporcionados o generados por personas y usuarios. Anthropic también menciona para Claude una combinación de contenidos de Internet de acceso público, datos de terceros, datos generados internamente y otros conjuntos de datos.

Sin embargo, después del entrenamiento el modelo no almacena estos contenidos como una base de datos consultable. Aprende relaciones matemáticas dentro de la información de entrenamiento y genera a partir de ellas una respuesta probablemente adecuada. OpenAI describe este proceso, en esencia, como el aprendizaje de relaciones dentro de cantidades de información muy grandes.

Dicho de forma simplificada:

La IA no sabe qué le falta a tu planta. Calcula qué respuesta parece probablemente adecuada para tu entrada.

Esto resulta impresionantemente eficaz para muchas tareas.

Pero es algo completamente distinto de un diagnóstico biológico fundamentado.

Por qué una respuesta plausible no es necesariamente correcta

Un modelo lingüístico ha sido entrenado para generar una continuación coherente.

Si alguien pregunta:

«Mi planta de cannabis tiene manchas marrones. ¿Qué le falta?»

el modelo reconoce relaciones lingüísticas típicas:

• manchas marrones,

• calcio,

• magnesio,

• pH,

• absorción de nutrientes,

• CalMag,

• sobrefertilización,

• estrés lumínico.

A partir de estos patrones se genera una respuesta.

Pero el modelo no posee automáticamente la información necesaria para distinguir entre estas posibles causas.

No conoce el cepellón ni los valores del agua. No sabe cómo se ha regado durante las dos últimas semanas. No sabe si la planta se ha trasplantado recientemente, si ya se ha aplicado CalMag o si las supuestas manchas son daños mecánicos.

Aun así, un modelo generativo no tiene por qué guardar silencio. Puede sustituir las relaciones que faltan por una explicación plausible.

El National Institute of Standards and Technology denomina a este comportamiento «Confabulation»: los sistemas de IA generativa pueden generar contenidos falsos y presentarlos con gran seguridad.

Precisamente por eso los análisis de plantas mediante IA son tan problemáticos para los principiantes.

Un cultivador experimentado puede reconocer que una recomendación no encaja con el sustrato o con el manejo realizado hasta ese momento.

Un principiante a menudo solo reconoce:

«La IA ha dicho que es calcio».

Y entonces aplica calcio.

Una IA con reconocimiento de imágenes tampoco entiende una planta

Los sistemas modernos como ChatGPT o Claude pueden procesar imágenes además de texto. Por eso surge rápidamente la impresión de que evaluarían una foto de una planta de forma similar a un fitopatólogo experimentado.

Es falso.

Los modelos multimodales procesan características visuales y las relacionan con patrones lingüísticos. Pueden reconocer que una hoja es amarillenta, tiene manchas, se enrolla o presenta una determinada forma.

Pero eso no significa que comprendan automáticamente qué proceso biológico ha provocado ese aspecto.

Una hoja puede presentar un aspecto similar debido a:

• una verdadera deficiencia de nutrientes,

• una absorción de nutrientes alterada,

• una zona radicular sobrecargada,

• un sustrato permanentemente demasiado húmedo,

• una concentración de sales demasiado elevada,

• una transpiración desfavorable,

• estrés lumínico o térmico,

• una infestación de plagas,

• daños mecánicos,

• envejecimiento natural,

• características genéticas.

La imagen muestra la consecuencia visible.

No muestra necesariamente la causa.

Incluso los modelos desarrollados específicamente para reconocer enfermedades de las plantas tienen grandes dificultades cuando las imágenes reales difieren de las condiciones de sus conjuntos de datos de entrenamiento. La iluminación, el fondo, el ángulo de la cámara, la variedad, la fase de desarrollo y el entorno pueden influir considerablemente en la fiabilidad. En investigación, este problema se denomina Domain Shift.

Se trata de modelos desarrollados específicamente con imágenes de plantas etiquetadas.

ChatGPT, Claude y otros sistemas generales de IA, en cambio, no son modelos validados para el diagnóstico del cannabis.

La capacidad de describir una imagen no es lo mismo que la capacidad de diagnosticar una planta.

El cannabis es un caso de uso especialmente complicado para la IA

Durante décadas, el cannabis estuvo prohibido o estrictamente regulado en muchos países.

Esto tuvo consecuencias importantes para la investigación, la calidad de los datos y la documentación abierta del cultivo profesional.

Está demostrado que los obstáculos regulatorios han dificultado la investigación sobre el cannabis. Entre los problemas principales, las instituciones científicas describen el acceso limitado a material vegetal adecuado, procedimientos de autorización complejos, financiación limitada y falta de estandarización.

Además, una gran parte de la investigación existente sobre cannabis se centra en los efectos medicinales, los principios activos, el consumo y las consecuencias para la salud.

Sin embargo, para diagnosticar mediante IA plantas de cannabis de interior se necesitarían conjuntos de datos completamente distintos.

Un modelo de diagnóstico sólido tendría que vincular imágenes con información complementaria extensa y confirmada:

• genética,

• edad de la planta,

• fase de desarrollo,

• composición del sustrato,

• volumen de la maceta o del bancal,

• estado de las raíces,

• análisis del agua,

• historial de riego,

• estrategia de fertilización,

• evolución de la temperatura,

• humedad ambiental,

• temperatura de las hojas y del espacio,

• PPFD y DLI,

• estado de las plagas,

• análisis de laboratorio,

• causa confirmada,

• tratamiento documentado,

• reacción real a dicho tratamiento.

Habría que documentar miles de casos comparables en condiciones controladas, evaluarlos técnicamente y realizar un seguimiento a largo plazo.

Para el cannabis no existe una base de datos con la amplitud y la calidad necesarias para una detección general fiable mediante imágenes.

En su lugar, un modelo suele encontrar en Internet:

• publicaciones de foros,

• debates de Reddit,

• diarios de cultivo,

• textos de fabricantes,

• publicidad de productos,

• artículos de blogs,

• publicaciones en redes sociales,

• imágenes de daños mal etiquetadas,

• experiencias personales aisladas,

• tablas de deficiencias copiadas unas de otras.

Esto no es una base de datos de diagnóstico validada científicamente.

Sí, Reddit y los foros también forman parte del espacio de información

Hay que ser conscientes del tipo de información disponible en Internet.

OpenAI confirma que los contenidos de Internet disponibles públicamente forman parte de las fuentes de datos utilizadas. Desde mayo de 2024 existe además una asociación oficial entre OpenAI y Reddit, mediante la cual OpenAI puede acceder a contenidos estructurados y actuales de Reddit.

Esto no significa que cada respuesta de ChatGPT proceda directamente de un comentario concreto de Reddit. Normalmente, un modelo no copia simplemente una publicación individual y la presenta como fuente.

Pero sí significa que los debates públicos, las opiniones de la comunidad y los contenidos de usuarios no verificados pueden formar parte del espacio de información a partir del cual estos sistemas aprenden patrones u obtienen información actualizada.

Y precisamente en los temas de cultivo hay que examinar la calidad de esta base de partida.

En muchos foros se diagnostican problemas de las plantas sin conocer los valores del agua, el historial de riego o la composición del sustrato. Un usuario escribe «CalMag», el siguiente «nitrógeno» y el tercero «exceso de riego».

Nadie examina las raíces.

Nadie realiza un análisis del sustrato.

Nadie documenta de forma fiable qué medida ayudó realmente al final.

Aun así, estas publicaciones permanecen disponibles públicamente y se siguen citando, copiando y resumiendo.

Si la información de partida consiste en suposiciones, conocimientos a medias e imágenes mal etiquetadas, no puede surgir de ahí un diagnóstico fiable del cannabis.

Un modelo puede generar un resumen lingüísticamente excelente a partir de una gran cantidad de información deficiente.

Pero eso no convierte automáticamente la información en verdadera.

La persona antes de la IA suele ser el segundo problema

Incluso un modelo muy potente solo puede trabajar con la información que recibe.

Y aquí comienza exactamente el siguiente problema.

La mayoría de los cultivadores no proporcionan a la IA el historial completo del cultivo. Transmiten aquello que ellos mismos perciben.

Son dos cosas completamente distintas.

Un principiante, por ejemplo, escribe:

«La planta se está poniendo amarilla, aunque riego con normalidad».

¿Qué significa «con normalidad»?

• ¿Cuántos litros?

• ¿Con qué intervalo?

• ¿En qué tamaño de maceta?

• ¿Con qué criterio se riega?

• ¿Hay drenaje?

• ¿Con qué rapidez se seca el sustrato?

• ¿Qué grado de enraizamiento tiene?

• ¿Se riega toda la superficie de manera uniforme?

• ¿La parte inferior del sustrato permanece húmeda constantemente?

• ¿Cuánto pesa la maceta antes y después del riego?

Es posible que el usuario crea que riega correctamente. Por eso no menciona su forma de regar como una posible fuente de errores.

Por tanto, la IA no recibe la situación real.

Recibe la interpretación subjetiva del usuario.

Lo mismo se aplica a afirmaciones como:

• «El clima es adecuado».

• «El pH es correcto».

• «La lámpara no es demasiado potente».

• «El sustrato es de alta calidad».

• «Fertilizo muy poco».

• «La planta no puede tener exceso de riego».

• «Tiene que ser una deficiencia».

La IA no ve el cultivo.

Ve la narración del cultivador sobre su cultivo.

Si falta información importante, el modelo no puede extraerla mágicamente de la imagen.

En su lugar, puede rellenar las lagunas con suposiciones típicas.

Más contexto puede mejorar la respuesta, pero no garantiza un diagnóstico

Naturalmente, una IA puede ofrecer mejores resultados si recibe información extensa y precisa.

Quien documenta por completo la genética, la edad de la planta, el sustrato, el volumen de la maceta, el análisis del agua, la iluminación, el clima, las cantidades de riego, la fertilización y la evolución temporal permite una valoración mucho mejor que quien solo sube dos imágenes.

La IA puede entonces, por ejemplo:

• estructurar las posibles causas,

• señalar contradicciones en los datos,

• formular preguntas de seguimiento útiles,

• elaborar un diagnóstico diferencial,

• comparar valores medidos,

• resumir una documentación.

Sin embargo, esto no justifica una confianza ciega.

Incluso con más contexto, un modelo general no se convierte en un diagnosticador de cannabis validado. Puede establecer prioridades incorrectas, mezclar distintos sistemas de cultivo o desarrollar una conclusión falsa pero lógicamente convincente a partir de un dato incorrecto del usuario.

La diferencia decisiva es:

Con un buen contexto, la IA puede ayudar a pensar. Pero no debería tomar la decisión.

Precisamente ahí falla el uso habitual.

La mayoría de las personas no introducen toda la información relevante. Suben una foto, esperan una respuesta inequívoca y después actúan como si se hubiera realizado un análisis de laboratorio.

Una planta es un sistema, no una colección de manchas aisladas

Las plantas de cannabis responden a la interacción de numerosos factores.

El agua influye en el contenido de oxígeno de la zona radicular.

El estado de las raíces influye en la absorción de nutrientes.

La temperatura y la humedad ambiental influyen en la transpiración.

La transpiración influye en el transporte de determinados nutrientes.

La intensidad lumínica modifica las necesidades de agua y nutrientes.

La estructura del sustrato determina cómo se distribuyen el agua y el oxígeno en la maceta.

Por eso, un síntoma visible puede encontrarse al final de una larga cadena causal.

Por ejemplo, una planta puede mostrar signos de deficiencia aunque el nutriente correspondiente esté presente en cantidad suficiente en el sustrato.

La causa podría ser, en cambio:

1. El sustrato permanece demasiado húmedo de forma constante.

2. La zona radicular recibe demasiado poco oxígeno.

3. La función de las raíces se ve afectada.

4. La absorción de nutrientes empeora.

5. Aparecen en las hojas síntomas que parecen deficiencias.

La IA reconoce el daño visible y recomienda añadir más fertilizante.

Como consecuencia, se vuelve a regar, aumenta la concentración de sales y el problema real se agrava aún más.

La observación visible era correcta.

La interpretación era incorrecta.

En Living Soil esto resulta especialmente peligroso

Living Soil es un sistema biológicamente activo.

La disponibilidad de nutrientes, la actividad microbiana, la materia orgánica, la humedad, el suministro de oxígeno, las raíces y la estructura del sustrato están directamente relacionados.

Aun así, recibimos regularmente recomendaciones de IA como:

• lavar Living Soil a fondo,

• aumentar inmediatamente la CE / conductividad electrica,

• aplicar CalMag de forma indiscriminada ante la aparición de manchas,

• añadir fertilizante mineral siguiendo un esquema,

• corregir agresivamente el pH de cada agua de riego,

• combinar varios productos orgánicos y minerales,

• tratar inmediatamente las supuestas deficiencias con nutrientes individuales.

Algunas de estas medidas pueden ser útiles en determinadas situaciones.

Pero sin conocer el sistema completo, no constituyen un diagnóstico.

Son activismo descontrolado.

Es especialmente problemático que la IA mezcle con frecuencia información procedente de sistemas minerales, orgánicos e hidropónicos. La respuesta generada puede contener afirmaciones correctas de cada área y, aun así, ser completamente errónea como recomendación general.

Se crea una especie de producto técnico híbrido:

• un poco de hidroponía,

• un poco de cultivo orgánico,

• un poco de Living Soil,

• un poco de descripción del fabricante,

• un poco de Reddit.

Lingüísticamente, todo encaja.

Biológicamente, no tiene sentido.

La IA convierte rápidamente un pequeño problema en un cultivo fallido

Una planta de cannabis necesita tiempo para reaccionar a los cambios.

Una hoja que ya está dañada no necesariamente volverá a ponerse verde después de una corrección. Un síntoma puede proceder de un problema ocurrido varios días atrás. Algunas anomalías ya se han estabilizado y solo necesitan seguir observándose.

Sin embargo, las respuestas de la IA casi siempre terminan con una recomendación de actuación.

Esto genera la sensación de que hay que hacer algo de inmediato.

La evolución típica es la siguiente:

1. La IA detecta una supuesta deficiencia de calcio.

2. Se aplica CalMag.

3. Dos días después, la hoja antigua permanece sin cambios.

4. Una segunda IA sospecha una sobrefertilización.

5. Se lava el sustrato.

6. A continuación, se sospecha un problema de pH.

7. Se corrige el pH.

8. Después se vuelve a fertilizar.

En pocos días se han modificado todas las variables relevantes.

Después, nadie puede determinar ya:

• qué ocurrió originalmente,

• qué medida era adecuada,

• qué medida provocó nuevos daños,

• si realmente habría sido necesario intervenir.

Una parte considerable de los cultivos fallidos no se debe al problema inicial, sino a la reacción precipitada ante él.

La IA acelera este activismo descontrolado.

Quien solo pregunta a la IA nunca llega a conocer su planta

El problema mayor no es técnico.

Es humano.

En CannaSelection observamos desde la legalización que los cultivadores proporcionan cada vez con más frecuencia un historial de cultivo incompleto.

Envían dos imágenes y esperan una solución terminada.

Faltan:

• genética,

• edad,

• volumen de la maceta,

• sustrato,

• valores del agua,

• valores de luz,

• clima,

• cantidad de riego,

• fertilización,

• evolución temporal,

• medidas aplicadas previamente.

Ante las preguntas de seguimiento, a menudo aparece la perplejidad.

No porque esta información se oculte deliberadamente, sino porque muchos cultivadores nunca se han ocupado de ella.

No saben exactamente cuánta agua aplican.

No conocen los valores de su agua.

No pueden explicar por qué utilizan un producto.

No han documentado la evolución.

No observan qué hojas fueron las primeras afectadas.

No quieren entender una planta.

Quieren una respuesta.

Pero así no funciona el cultivo de plantas.

Cultivar significa entender el porqué

Quien cultiva una planta debería poder explicar, ante cada medida:

• ¿Por qué utilizo este sustrato?

• ¿Cómo retiene y distribuye el agua?

• ¿Cómo llega el oxígeno a las raíces?

• ¿De dónde proceden los nutrientes?

• ¿Cómo pasan a estar disponibles para la planta?

• ¿Por qué riego hoy?

• ¿Por qué aplico esta cantidad de agua?

• ¿Qué objetivo tiene este aporte?

• ¿Cómo reconozco si la medida funciona?

• ¿Qué efectos secundarios puede tener?

Si alguien no puede responder a estas preguntas, no debería aplicar la siguiente recomendación de la IA.

Primero debería entender su propio sistema.

Una IA puede formular una justificación con apariencia técnica para casi cualquier idea.

Pero una buena formulación no convierte una mala medida en una medida útil.

Quien introduce gilipolleces, proporciona información incompleta o desconoce por sí mismo los factores decisivos, a menudo solo recibe a cambio gilipolleces mejor formuladas.

Prestad atención a las plantas, no a los prompts

Quien quiera cultivar de forma fiable debe ocuparse de los fundamentos:

• fisiología vegetal,

• síntomas de daños en las plantas,

• salud radicular,

• riego,

• estructura del sustrato,

• biología del suelo,

• luz,

• transpiración,

• temperatura,

• humedad ambiental,

• química del agua,

• ciclos de nutrientes.

Esto parece más laborioso que subir una foto.

Pero es la única manera de tomar buenas decisiones de forma duradera.

Un cultivador no necesita memorizar cada reacción bioquímica. Pero sí debe entender que un síntoma puede tener varias causas y que una planta nunca debe considerarse al margen de su sistema.

Debe aprender a leer su planta:

• ¿Cómo se encuentra la hoja?

• ¿Qué tacto tiene?

• ¿Cómo se desarrolla el crecimiento nuevo?

• ¿Con qué rapidez bebe la planta?

• ¿Cómo reacciona después del riego?

• ¿El problema permanece estable o se está extendiendo?

• ¿Afecta a hojas viejas o jóvenes?

• ¿Está afectada una sola planta o todo el cultivo?

Esta información no se obtiene mediante un prompt.

Se obtiene mediante la observación diaria.

Nuestra recomendación clara

Desaconsejamos expresamente utilizar ChatGPT, Claude, Gemini u otros sistemas generales de IA como base para diagnosticar y tratar plantas de cannabis.

En particular, nadie debería, basándose en una respuesta de IA:

• volver a fertilizar inmediatamente,

• lavar Living Soil,

• utilizar varios aportes a la vez,

• mezclar estrategias orgánicas y minerales,

• cambiar el pH de forma precipitada,

• modificar por completo procesos que funcionan,

• anteponer valores individuales medidos a la planta.

Una IA no puede levantar tu maceta.

No puede notar si el sustrato está compactado.

No puede oler una zona radicular anaeróbica.

No conoce la evolución de los últimos días.

No ve cómo se comporta la planta durante la fase de oscuridad.

Solo sabe lo que le cuentas y lo que puede reconocerse en un fragmento limitado de la imagen.

No conoce tu cultivo. Por eso tampoco debería dirigirlo.

Por qué el Grow Doctor trabaja de otra manera

El Grow Doctor de CannaSelection no se ha creado deliberadamente como un supuesto doctor de plantas basado en IA.

No pretende inventar un diagnóstico espectacular a partir de dos imágenes.

En su lugar, guía al cultivador de forma estructurada a través de los síntomas y los factores de influencia relevantes.

Entre otras cosas, ayuda a acotar:

• qué parte de la planta está afectada,

• si los síntomas aparecen en hojas viejas o jóvenes,

• cómo se estructura el daño visible,

• qué causas pueden considerarse en principio,

• qué condiciones adicionales deben comprobarse,

• qué causas pueden descartarse sistemáticamente.

Esta es la diferencia decisiva.

El Grow Doctor no promete una respuesta mágica e inmediata.

Hace que el cultivador observe con mayor precisión y compruebe las variables correctas.

Porque el diagnóstico de plantas no es un concurso de imágenes.

Es un proceso de eliminación.

Back to the Roots

Un buen cultivo propio no empieza con ChatGPT, Claude y compañía.

Empieza con curiosidad, observación y la disposición a asumir la responsabilidad de un sistema vivo.

Quien solo quiere un producto terminado, pero no quiere entender los procesos ni invertir tiempo en sus plantas, debería preguntarse honestamente si el autocultivo es realmente el proyecto adecuado.

Siempre que se cumplan los requisitos legales y médicos para el acceso, recurrir a la farmacia puede resultar al final más barato, controlable y fiable en términos de calidad que un cultivo de interior mal comprendido.

Y lo decimos aunque, desde nuestro punto de vista, la calidad farmacéutica estandarizada no debería ser el objetivo del autocultivo, sino como mucho su nivel de comparación más bajo.

El autocultivo puede ofrecer mucho más.

Pero solo si el cultivador está dispuesto a ocuparse de la planta.

Nuestra conclusión

ChatGPT, Claude y otros modelos generativos son herramientas impresionantes.

Pueden estructurar información, preparar textos, comparar valores medidos y, con un contexto completo, ordenar posibles hipótesis.

Pero no son doctores de plantas de cannabis.

No han sido entrenados con una base de datos completa y validada científicamente sobre síntomas de daños en el cannabis. No conocen tu configuración individual ni tu historial de cultivo. Sus respuestas se basan en patrones estadísticos procedentes de fuentes muy diferentes, entre ellas potencialmente foros, debates de comunidades, contenidos de fabricantes e imágenes de daños mal clasificadas.

El resultado puede sonar plausible y ser completamente erróneo.

Por eso, nuestro consejo es:

Dejad de permitir que los sistemas generales de IA diagnostiquen vuestras plantas.

Conoced vuestras plantas.

Entended vuestro suelo.

Conoced vuestra agua.

Documentad vuestras medidas.

Observad los cambios.

Y preguntaos cada vez por qué hacéis algo.

Un cultivo no mejora porque una respuesta aparezca en diez segundos.

Mejora cuando el cultivador entiende qué ocurre realmente en su sistema.