A inteligência artificial entrou de vez no vocabulário da agricultura. Mas, por trás da promessa de eficiência, automação e previsão, há perguntas decisivas que ainda carecem de respostas concretas. Que dados sustentam essas ferramentas? Como transformar modelagem em decisão prática no campo? O que a IA realmente acrescenta à pesquisa agroclimática? Essas são algumas das questões que orientam esta entrevista com Jurandir Zullo Junior, coordenador da Trilha Agro do Centro de Pesquisa Aplicada em IA (BI0S/Unicamp), ex-coordenador da COCEN e pesquisador do CEPAGRI. Na conversa, ele fala de infraestrutura de dados, sensoriamento remoto, mudanças climáticas, soberania tecnológica e dos limites de uma inovação que, para ser transformadora de fato, precisa encarar o território como ele é: desigual, heterogêneo e cheio de contradições entre promessa tecnológica e realidade no campo. A Trilha Agro do BI0S se apresenta como uma frente de apoio à tomada de decisão na agropecuária, do curto ao longo prazo. Como essa formulação se traduz, metodologicamente, em agenda de pesquisa? Ela se traduz menos como uma agenda fechada e mais como uma estrutura aberta para responder a problemas concretos. No projeto original, havia objetivos gerais, mas, na prática, assim que o centro foi aprovado, começaram a chegar demandas. Então a agenda foi se constituindo nesse encontro entre grandes temas e necessidades reais do setor. A robótica é um bom exemplo. Ela já aparecia como frente possível, mas ganhou corpo quando começaram a surgir demandas muito específicas, ligadas à falta de mão de obra e à mecanização de determinadas culturas. No caso do cacau, isso apareceu com força. Então o método acaba sendo esse: ouvir o problema, reunir grupos que têm competências diferentes e testar se aquilo pode virar pesquisa aplicada com utilidade concreta. Não é a tecnologia procurando um uso qualquer. É o problema que demanda pesquisa e inovação. O BI0S aponta a ausência de dados organizados e acessíveis como uma das barreiras centrais do setor. Quais são hoje os principais gargalos de infraestrutura de dados para a agropecuária brasileira? O primeiro gargalo é a heterogeneidade. São dados de naturezas muito distintas, produzidos por instituições diferentes, em escalas diferentes, e que muitas vezes não conversam entre si. O segundo é a conectividade. Às vezes se fala em agricultura digital como se o território estivesse plenamente integrado, mas isso não corresponde ao que existe no campo brasileiro. E o terceiro gargalo, que nem sempre aparece no debate público, é a manutenção. Não basta ter base aberta ou plataforma robusta. O problema é fazer aquilo continuar vivo, atualizado e confiável. Você consegue, às vezes, um grande esforço inicial de agregação, mas depois parte dos bancos deixa de ser alimentada, ou passa a operar com ritmos muito diferentes de atualização. O sistema envelhece rápido. Infraestrutura de dados não é só armazenamento; é governança, continuidade e curadoria. Nesse ponto, houve avanços institucionais importantes. A Lei de Acesso à Informação consolidou o princípio de que o acesso à informação pública é a regra, e a FAPESP passou a exigir planos de gestão de dados em modalidades e chamadas específicas. Mas entre a norma e o uso efetivo ainda existe uma distância considerável, especialmente quando entram em cena bases pulverizadas, redes desiguais e dados privados. Quando se fala em "agricultura baseada em dados", de que dados estamos falando? Climáticos, agronômicos, territoriais, econômicos, sanitários? Onde estão hoje os maiores vazios? Estamos falando de tudo isso ao mesmo tempo. Dados climáticos, meteorológicos, de solo, de relevo, de manejo, de produtividade, de mercado, de logística e, em alguns casos, até de cenário internacional. Dependendo da cultura, o que acontece fora do país pesa diretamente na decisão produtiva aqui dentro. O problema é que, em geral, esses dados não nascem integrados. Cada sistema costuma responder a uma finalidade específica. A economia agrícola olha uma coisa. A agrometeorologia olha outra. O agrônomo trabalha com outro conjunto. Então, mais do que ausência de dados, o que existe é uma dificuldade de articulação entre eles. Por isso eu diria que o maior vazio hoje está menos na coleta bruta e mais na mediação. Falta interface. Falta tradução. Falta um modo de fazer esses bancos conversarem e devolverem algo utilizável para quem precisa decidir. O dado existe em muitos casos. O que não existe com a mesma solidez é a ponte entre o dado e a decisão. Em sua trajetória no CEPAGRI, o senhor acompanhou a evolução do uso de sensoriamento remoto e agrometeorologia no país. O que a IA acrescenta de novo ao setor? Ela acrescenta muito quando o problema é volume. No sensoriamento remoto, por exemplo, houve uma explosão na quantidade de imagens disponíveis. Antes, você trabalhava quase de forma artesanal. Hoje isso ficou inviável. A IA ajuda a extrair padrão, automatizar leitura, trabalhar com séries temporais longas e encontrar sinais que o olho humano, sozinho, não conseguiria tratar em escala. Na climatologia acontece algo parecido. Não só aumentou o volume de dados como cresceu muito a diversidade de modelos e cenários. Então a IA e outras técnicas de processamento ajudam a selecionar, comparar e identificar comportamentos relevantes. Agora, ela vira reembalagem quando aparece como se bastasse despejar dados numa máquina e esperar uma resposta. Não é assim. Você continua precisando de método, de modelo adequado e de alguém que conheça profundamente o domínio do problema. A IA ajuda a lidar com a massa de informação. Ela não substitui, por si só, o conhecimento acumulado da área. No debate atual, às vezes parece que modelo preditivo basta. Por que a observação em campo, a curadoria dos dados e a validação empírica continuam centrais? Porque dado não chega puro ao modelo. Mesmo o dado de satélite, que hoje é central, não é uma medida direta da realidade. Ele depende de calibração, de modelagem e de comparação com rede de superfície. Sem isso, você corre o risco de tratar como evidência uma informação que ainda é, na melhor das hipóteses, uma aproximação. A IA pode ajudar muito a detectar anomalias, filtrar volumes enormes de informações e até acender alertas. Mas alguém ainda precisa dizer o que é plausível, o que é erro, o que merece ser revisto. Chuva negativa está errada. Um valor extremo fora de padrão precisa ser checado. Quanto maior o volume de dados, mais importante fica a curadoria especializada. A imagem que eu gosto de usar é a de tentar beber água de um hidrante. Não falta água; falta capacidade de tomar aquilo de forma útil. Com os dados acontece algo parecido. O desafio não é apenas captar. É separar, qualificar, interpretar e transformar em critério de decisão. No caso do CacauClima, um dos desafios é monitorar por satélite sistemas agroflorestais mais complexos, como a cabruca. O que esse caso revela sobre os limites da IA quando o território não se comporta de forma padronizada? Revela um limite importante: o território real é mais complexo do que o modelo gostaria que fosse. Sistemas como a cabruca não têm o comportamento visual e fenológico de uma plantação homogênea. Isso dificulta a leitura quando você depende apenas de um tipo de imagem ou de uma lógica muito padronizada de classificação. Nesses casos, a saída não é abandonar a IA. É usá-la melhor. Integrar diferentes dados, combinar imagem óptica com radar, trazer variáveis ambientais e, quando possível, incorporar informação de campo. Às vezes, uma variável externa aparentemente simples, como data de plantio ou de colheita, melhora muito o desempenho do modelo. Esse tipo de situação mostra que nenhuma tecnologia resolve tudo sozinha. O sensoriamento remoto tem limites. A IA também. O ganho aparece quando se aceita a complexidade do território em vez de tentar forçá-lo a caber numa leitura simplificada. O senhor diria que hoje o principal desafio da IA no agro é algorítmico, institucional ou epistemológico? Hoje, eu diria que o desafio maior é institucional e epistemológico, mais do que algorítmico. Algoritmo tem muita gente desenvolvendo. O problema é outro: frequentemente a solução aparece antes do problema real. Você vê isso bastante. Desenvolve-se uma ferramenta sofisticada e depois se tenta encaixar nela alguma aplicação. Nem sempre a pessoa parte de um caso concreto. Nem sempre volta para o território para perguntar se aquele resultado faz sentido na prática. Então o risco é produzir uma solução elegante, mas sem aderência real. É por isso que estruturas como o BI0S são interessantes. Porque colocam quem desenvolve método para conversar com quem vive o problema. Esse atrito é produtivo. Ele evita que a IA fique girando em torno de si mesma. A Trilha Agro busca gerar soluções tanto para grandes produtores quanto para a agricultura familiar. Como evitar que a digitalização do campo reproduza assimetrias já existentes? Primeiro, reconhecendo que essa assimetria existe e que o mercado, por si só, tende a olhar mais para quem tem escala, capital e capacidade de internalizar tecnologia. Grandes empresas conseguem montar suas redes, contratar soluções privadas, adaptar infraestrutura. Quem está em condições mais limitadas corre o risco de ficar à margem. Por isso instituições públicas, universidades e agências de fomento precisam ter esse cuidado como premissa. Nem toda demanda que chega deve ser incorporada só porque tem recurso ou porque parece inovadora. É preciso perguntar quem isso atende, quem fica de fora e como adaptar soluções para contextos produtivos diferentes. Se a digitalização não enfrentar essa questão, ela pode apenas sofisticar desigualdades antigas com uma linguagem nova. O problema não desaparece porque ganhou uma camada de inteligência artificial. Em projetos voltados à adaptação climática, como equilibrar previsão, incerteza e utilidade prática? Em que ponto uma projeção deixa de ser ciência e passa a ser especulação? Ela deixa de ser robusta quando perde vínculo com o território e com a validação. Não basta ter uma projeção tecnicamente sofisticada. É preciso saber que modelo está sendo usado, se ele é adequado para aquela região, se já foi comparado com observação e se conversa com a escala da decisão que se quer tomar. Na climatologia isso ficou muito claro. Hoje existe uma quantidade muito maior de modelos disponíveis. Então a escolha do modelo virou um problema científico em si. Não se trata de selecionar o cenário que confirma sua hipótese, mas de construir critérios para saber quais modelos representam melhor aquele sistema regional. Ao mesmo tempo, utilidade prática importa. O CPTEC (Centro de Previsão de Tempo e Estudos Climáticos), por exemplo, mantém aplicações públicas de monitoramento, previsão do tempo e previsão climática, mas acesso não elimina a necessidade de interpretação. Uma projeção útil é aquela que assume a incerteza, explicita seus limites e ainda assim ajuda a orientar decisão. Quando essa base some, o risco é produzir apenas especulação bem embalada. A agenda de IA aplicada ao campo levanta questões de soberania tecnológica. O Brasil está construindo capacidade própria ou ainda depende de plataformas, infraestruturas e padrões externos? Ainda depende bastante, sobretudo quando a conversa envolve infraestrutura pesada, equipamentos e a dimensão espacial da coleta de dados. Na formação de pessoal, no desenvolvimento de algoritmos e em parte do ecossistema de inovação, houve avanço. Mas, quando se sobe a escala e se olha para satélites, plataformas estratégicas e capacidade industrial, a dependência continua importante. Ao mesmo tempo, seria errado dizer que nada foi construído. O Amazônia-1, lançado em 2021, foi o primeiro satélite de observação da Terra projetado, integrado, testado e operado exclusivamente pelo Brasil. E o desenvolvimento conjunto do CBERS-5 com a China foi apresentado pelo governo brasileiro como um passo para colocar o país em um grupo muito restrito de nações com essa capacidade, com foco em aplicações meteorológicas e ambientais. Então eu diria que o Brasil está num meio do caminho. Há capacidade científica, há quadros qualificados, há algumas infraestruturas importantes e há esforços institucionais relevantes. Mas ainda existe dependência externa em pontos estratégicos da cadeia. E isso importa muito quando se fala em clima, agricultura e dados, porque a soberania tecnológica não é um luxo: ela interfere diretamente em quem coleta, quem processa, quem distribui e quem controla a informação que orienta decisões no território. Jaqueline Nichi é jornalista e socióloga. Doutora em Ambiente e Sociedade pelo Núcleo de Estudos e Pesquisas Ambientais (Nepam/Unicamp) e bolsista de Jornalismo Científico (Mídia Ciência/FAPESP) no Centro de Pesquisa Aplicada em Inteligência Artificial (BI0S/Unicamp)