Estimar la cosecha de café con IA: el celular cuenta cerezas, el satélite no ve bajo la sombra

Segunda entrega de la serie sobre inteligencia artificial y café. Antes: IA contra la roya y la broca. Después: tueste y catación y preparación.

Saber cuánto café va a dar una parcela antes de cosecharla sirve para todo: contratar cortadores, negociar con el comprador, pedir un crédito. Hoy se estima sobre todo a ojo o contando frutos en unas cuantas ramas. La inteligencia artificial promete hacerlo con una foto o desde el espacio. Revisamos qué tan bien funciona.

Contar cerezas con un celular básico

El estudio más grande con pequeños productores se publicó en 2024 en Plant Phenomics. Con ayuda de casi 1,000 productores de Perú y Colombia, se fotografiaron 2,968 árboles (8,904 fotos) con celulares comunes, y un modelo de detección de objetos contó las cerezas de cada imagen.

Al comparar con el conteo real, el modelo explicó 72 % de la variación entre árboles (R² de 0.72). Suena bien, pero el error medio fue de 41.74 %: en promedio, la estimación de un árbol se desviaba cerca de 250 cerezas. Por variedad, el ajuste en Perú fue desde 0.32 hasta 0.77.

Los autores documentan dónde falla: el conteo se infla en ramas con pocas cerezas y se queda corto cuando una foto tiene más de unas 1,000. También advierten que la falta de señal en las fincas puede impedir usarlo, y que pedirle más fotos al productor lo desanima.

El mismo grupo, del centro de investigación CIAT, publicó en 2026 una versión mejorada probada en Colombia, Perú, Honduras y Uganda. Llegó a un R² de hasta 0.96 y un error de hasta 10 % por parcela, pero sólo con la rama aislada del fondo, es decir, en condiciones óptimas de captura. Los autores dejan pendientes la validación con usuarios y el análisis costo-beneficio.

Ese equipo desarrolla Croppie, una app que ya está en la tienda de Android. Es un dato relevante: la evidencia es arbitrada, pero no independiente de quien hace la herramienta. No encontramos una validación de terceros, y la página del proyecto no menciona México.

Madurez: el fruto verde se esconde entre las hojas

Distinguir cereza verde, madura y pasa es otra tarea. En Brasil, un estudio de la Universidad de São Paulo (2023) con fotos de celular en ramas llegó a entre 77 y 81 % de precisión de detección. Lo más difícil fue el fruto verde, que se confunde con las hojas, queda tapado y cambia con la luz.

Hay cifras mucho más altas en cosecha mecanizada, con cámaras sobre la descarga de la cosechadora. Pero una de ellas se obtuvo con sólo 63 imágenes originales multiplicadas por aumento de datos, y una muestra tan chica con cifras cercanas al 99 % pide cautela.

Satélites y drones: funcionan a pleno sol

Desde el espacio, los mejores resultados publicados son brasileños:

• Con imágenes Sentinel-2, un estudio en Minas Gerais estimó el rendimiento con R² de 0.82 y un error medio de 20 %. Los autores reconocen que la resolución es baja para medir lo que ocurre bajo el follaje.
• Con PlanetScope, en un lote de 10.24 hectáreas, un modelo llegó a R² de 0.93.

Ambos casos son café a pleno sol, en terreno plano y cosechado a máquina. Los autores del estudio peruano-colombiano lo dicen sin rodeos: satélites y drones no son viables en muchos cultivos que crecen bajo árboles, como el café.

Por qué México es otro problema

Buena parte del café mexicano crece bajo sombra, en ladera y en parcelas pequeñas. La investigación mexicana con satélite se ha concentrado en mapear cafetales, no en estimar cosecha, y aun así la sombra complica el trabajo:

• En Chiapas, un equipo de ECOSUR, el CICY y la UNAM clasificó sistemas de café con radar, imágenes ópticas y 150 parcelas de campo. El mapa general acertó 95 %, pero el sistema con mayor densidad de árboles fue el que peor se clasificó.
• CentroGeo y el INECOL construyeron un índice de intensificación con más de 178,000 parcelas del padrón cafetalero, Landsat-8 y LiDAR. Coincidió 76.98 % con expertos en campo, pero su correlación con el rendimiento municipal fue baja (R² de 0.46), y los autores reportan dificultad para distinguir café de sombra de bosque.

La cifra oficial tampoco pasa por satélite. La estimación de superficie agrícola del SIAP con percepción remota cubre maíz, sorgo, frijol, trigo y arroz. El café no está en la lista. No encontramos publicada la metodología con la que se estiman los avances de cosecha de café.

No encontramos ningún uso verificable de IA, drones o satélite para estimar la cosecha de café en México, ni oficial, ni académico, ni comercial.

Donde sí hay un avance mexicano: el grano verde

Después de la cosecha, la visión por computadora tiene un terreno más controlado: el grano sobre una mesa. En 2026, un equipo del TecNM Orizaba y la UAEMex publicó un sistema que fotografía cada grano verde por las dos caras con una Raspberry Pi. Voltear el grano subió la precisión media por tipo de defecto de 0.727 a 0.908, y el conjunto de 9,600 imágenes es público. Su límite es claro: analizar una muestra de 350 gramos toma unos 38 minutos. Sirve para un laboratorio o una cooperativa, no para una línea industrial.

Conviene leer con la misma cautela las cifras de otros países. Un modelo tailandés que distinguía 17 defectos con entre 98.78 y 99.84 % de exactitud bajó a 88.63 % con imágenes que nunca había visto.

En la industria, las clasificadoras ópticas ya anuncian algoritmos de IA. Bühler, por ejemplo, promete para su línea SORTEX H SpectraVision hasta 50 % más concentración de rechazos. Es una cifra del fabricante: no encontramos ninguna validación independiente publicada para café.

Qué preguntar antes de confiar en un pronóstico

1. ¿Dónde se probó? Un modelo de lotes brasileños a pleno sol no dice nada de una ladera en Veracruz.
2. ¿Qué error tiene por parcela, no sólo qué R²? Un R² alto puede convivir con errores de 40 % por árbol.
3. ¿Quién lo validó? Los estudios del desarrollador cuentan, pero no sustituyen una prueba de terceros.

Por ahora, contar frutos en ramas de muestra sigue siendo la base del pronóstico en un cafetal de sombra. La IA puede ayudar a contarlos más rápido, siempre que alguien mida qué tanto se equivoca en tu tipo de finca.

Cómo revisamos estas cifras: leímos el estudio de Plant Phenomics completo y, cuando la editorial bloqueó el texto, el resumen oficial depositado por la revista. Las cifras de fabricantes van identificadas como tales. Si algo cambió, lo corregimos según nuestra política de correcciones.