Agronomi AI: cosa e quali sono e come funzionano – Agricoltura digitale

Negli ultimi anni le ricerche fatte su Google sono crollate, questo perché sempre più persone, invece di cercare informazioni in rete, si affidano all’intelligenza artificiale, interrogando piattaforme come ChatGPT (OpenAI), Grok (xAI), Claude (Anthropic), Gemini (Google) e altre ancora. Si tratta però di LLM (modelli linguistici di grandi dimensioni) generalisti, che sono stati addestrati su una grande mole di dati, ma non specifica.

Hanno letto, ad esempio, la Libreria del Congresso statunitense, miliardi di siti internet, le conversazioni via chat e forum, manuali, codici sorgente e tutto ciò che è reperibile online. Ma non hanno, ad esempio, una formazione agronomica specifica. Per questo motivo, se un agricoltore fa una domanda tecnica a ChatGPT la risposta sarà molto vaga, cauta, magari non sbagliata, ma certo non in grado di risolvere un dubbio o di dare specifiche tecniche affidabili.

Questo non significa che il ChatGPT di turno sbagli, semplicemente i dati che ha a disposizione non sono sufficienti. Eppure sono disponibili online, gratuiti e a pagamento, diversi assistenti virtuali che sfruttano addestramenti agronomici specifici per aiutare gli agricoltori. In questo articolo cercheremo di analizzare che cosa è disponibile oggi, quali sono le performance di questi modelli e come devono essere scelti.

D’altronde anche la Fao, nel suo documento Digital Agriculture and AI Innovation Roadmap del 2025, ha sottolineato come l’Intelligenza artificiale sia ormai uscita dai grandi laboratori di ricerca per arrivare direttamente nelle mani degli operatori del settore agricolo. Il miglioramento dei modelli, il calo dei costi del cloud computing e la diffusione di smartphone, stanno rendendo possibili servizi che fino a pochi anni fa erano difficili da immaginare, soprattutto nei Paesi in via di sviluppo.

Leggi anche L’agricoltore come supervisore di Agenti AI

LLM, RAG e LoRA: le parole da conoscere

Per capire il funzionamento degli agronomi AI bisogna familiarizzare con alcuni concetti: LLM, RAG e LoRA.

Un LLM è il modello linguistico vero e proprio, cioè il “motore” che riceve una domanda scritta o parlata e genera una risposta in linguaggio naturale. ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic), Llama (Meta), Qwen (Alibaba Cloud) e Mistral (Mistral AI) sono esempi di modelli o famiglie di modelli linguistici.

Da soli, però, questi sistemi ragionano sulla base di quello che hanno imparato durante l’addestramento. Un RAG, acronimo di Retrieval-Augmented Generation, è invece un sistema che permette al modello LLM di cercare prima le informazioni in una banca dati e poi generare la risposta. Detto in modo semplice: prima di rispondere, l’intelligenza artificiale va a consultare documenti selezionati, come bollettini fitosanitari, schede tecniche, etichette di agrofarmaci, disciplinari di produzione, dati meteo o manuali agronomici. Questo approccio riduce il rischio che il modello inventi risposte e rende il consiglio più aderente alla realtà.

Un esempio concreto è Farmer.Chat (Digital Green e Gooey.AI), che viene descritto come un sistema basato su LLM e RAG, capace di lavorare su più tipi di dati: testi, voce, foto, video, risposte audio, dati meteo e informazioni sul suolo. Secondo gli sviluppatori, è stato impiegato in Paesi come Kenya, India, Etiopia, Nigeria e Brasile, su oltre quaranta filiere agricole.

Farmer.Chat (Digital Green e Gooey.AI) viene descritto come un sistema basato su LLM e RAG, capace di lavorare su più tipi di dati

(Fonte foto: Farmer.Chat)

Poi c’è LoRA, acronimo di Low-Rank Adaptation. È una tecnica che consente di specializzare un modello già esistente senza riaddestrarlo da zero. Invece di modificare tutti i miliardi di parametri del modello (lavoro lungo e costosissimo), si addestrano piccoli moduli aggiuntivi su un dominio specifico, ad esempio l’agronomia. È come prendere un trattore già costruito e montarci sopra un’attrezzatura specializzata: la macchina resta la stessa, ma diventa più adatta a un certo lavoro.

AgriLLM (AI71 insieme a CGIAR), ad esempio, usa modelli base come Qwen3 (Alibaba Cloud) o Llama 3.3 (Meta), adattati con LoRA al dominio agricolo. Dhenu (KissanAI), invece, usa modelli della famiglia Llama (Meta), con varianti pensate per l’agricoltura indiana e con versioni di dimensioni diverse, anche più leggere e potenzialmente utilizzabili su dispositivi meno potenti.

L’integrazione con banche dati, meteo, suolo…

I sistemi più affidabili sono quelli che non si limitano a generare testo, ma sono collegati a fonti esterne. In questo senso, gli agronomi AI più promettenti non sono semplici chatbot, ma piattaforme integrate.

Un assistente che risponde a una domanda sulla difesa dovrebbe poter consultare le etichette aggiornate dei prodotti, i bollettini fitosanitari, i dati meteo e, se possibile, lo storico aziendale. Un sistema che dà consigli irrigui dovrebbe essere collegato a previsioni meteorologiche, sensori nel suolo, immagini satellitari o dati di evapotraspirazione. Un sistema che fornisce raccomandazioni nutrizionali dovrebbe poter leggere analisi del terreno, rese storiche, mappe di vigore e costi dei fertilizzanti.

Farmer.Chat, ad esempio, integra dati meteo e informazioni agronomiche locali, con l’obiettivo di dare risposte più vicine alle condizioni reali dell’azienda agricola. Norm (FBN), invece, è stato addestrato su contenuti agronomici dell’ecosistema FBN, etichette di mezzi tecnici, fonti pubbliche come Usda ed extension services, e nel 2024 è stato aggiornato con migliaia di etichette di prodotti per la protezione delle colture.

Norm (FBN) è stato addestrato su contenuti agronomici dell’ecosistema FBN

(Fonte foto: Norm (FBN))

Modelli scaricabili e piattaforme online: due strade diverse

Un’altra distinzione importante riguarda il modo in cui questi strumenti vengono utilizzati. Alcuni modelli possono essere scaricati e installati in locale, cioè su server propri o in ambienti controllati. Altri, invece, sono disponibili solo come servizi online, accessibili via app, sito web o API. In questo ultimo caso si parla spesso di SaaS, acronimo di Software as a Service, cioè software erogato come servizio.

I modelli scaricabili, come alcune versioni di AgriLLM (AI71) o Dhenu (KissanAI), offrono diversi vantaggi. Permettono un maggiore controllo sui dati (fondamentale per proteggere la privacy), possono essere personalizzati su un territorio o su una filiera e riducono la dipendenza da un fornitore esterno. Sono interessanti per università, consorzi agrari, grandi cooperative, società di consulenza, Organizzazioni di Produttori o Pubbliche Amministrazioni che vogliono costruire un proprio assistente agronomico.

Il rovescio della medaglia è la complessità. Un modello scaricabile non è automaticamente un prodotto pronto all’uso. Bisogna installarlo, mantenerlo aggiornato, collegarlo a banche dati, valutarne le risposte e gestire la sicurezza informatica. Inoltre, i modelli più grandi richiedono server potenti e competenze non banali.

Le piattaforme online, invece, sono più semplici da usare. L’agricoltore o il tecnico accede al servizio e inizia a fare domande. È il caso di Farmer.Chat, accessibile attraverso canali come WhatsApp, Telegram, app mobile, web e API, o di Norm, disponibile via web/cloud per i membri FBN. Anche E.L.Y. (Bayer) rientra in questa logica enterprise: un sistema proprietario, pensato per rispondere a domande su agronomia, gestione aziendale e prodotti Bayer.

Il vantaggio è l’immediatezza. Lo svantaggio è che l’utente ha meno visibilità su modello, dataset, criteri di aggiornamento e gestione dei dati. In altre parole, è più facile da usare, ma richiede fiducia nel fornitore.

Chat, WhatsApp, voce e foto: cambia anche il modo di fare consulenza

Tra le varie proposte disponibili cambia anche l’interfaccia. Un agronomo AI può essere interrogato tramite una chat testuale, come avviene con ChatGPT. Ma può anche funzionare su WhatsApp, rispondere a messaggi vocali, ricevere fotografie delle piante o inviare risposte audio.

Questa evoluzione è molto importante per l’agricoltura. Non tutti gli agricoltori hanno tempo o sono abituati a scrivere domande tecniche lunghe e precise. In molte aree del mondo, soprattutto nei Paesi in via di sviluppo, WhatsApp e i messaggi vocali sono molto più accessibili di una piattaforma web complessa. Per questo sistemi come Farmer.Chat puntano su canali semplici, multimodali e già diffusi tra gli utenti finali.

La voce può facilitare l’uso da parte di agricoltori con bassa alfabetizzazione digitale o che lavorano direttamente in campo. Le foto possono essere utili per segnalare sintomi su foglie, frutti o fusti, anche se non bastano da sole per una diagnosi certa.

La chat testuale, invece, ha il vantaggio di essere ordinata e facilmente tracciabile. È adatta ai tecnici e a chi vuole conservare uno storico delle risposte. Tuttavia richiede domande ben formulate. E sappiamo che in agricoltura la qualità della risposta dipende molto dalla qualità della domanda.

Quanto sono affidabili oggi gli agronomi AI?

Come sempre, dipende. Dipende dal modello, dai dati usati per addestrarlo, dalle fonti a cui è collegato, dal territorio in cui viene impiegato e dal tipo di domanda. Oggi gli agronomi AI possono essere utili per orientarsi, sintetizzare documenti, spiegare concetti tecnici, aiutare nella consultazione di manuali e rispondere a domande ricorrenti. Possono anche aiutare i tecnici a lavorare più velocemente, ad esempio recuperando etichette, riassumendo bollettini o trasformando informazioni complesse in indicazioni comprensibili. In India, ad esempio, l’intelligenza artificiale è utilizzata per aiutare i piccoli agricoltori ad avere accesso ai fondi pubblici (come la nostra Pac).

Sono invece molto più delicati quando si passa al consiglio operativo: quale prodotto usare, a che dose, in quale momento, con quale rischio di fitotossicità, rispettando quale disciplinare e quale intervallo di sicurezza. In questi casi l’errore può avere conseguenze economiche, ambientali e legali.

Alcuni sistemi dichiarano esplicitamente i propri limiti. FBN specifica, ad esempio, che Norm può sbagliare e che non sostituirà mai completamente l’agronomo. È una precisazione importante, perché mette l’intelligenza artificiale nel suo giusto perimetro.

Dhenu è un agronomo AI sviluppato per il mercato indiano

(Fonte foto: Dhenu)

Come valutare un agronomo AI

Per un agricoltore, un tecnico o una cooperativa, scegliere un assistente AI non è semplice. Tuttavia ci sono alcune domande che possono aiutare a capire se uno strumento è serio o solo una bella interfaccia.

La prima riguarda le fonti: su quali dati è stato addestrato il modello? Usa documenti agronomici verificati? Consulta etichette, bollettini, disciplinari e banche dati aggiornate? Oppure è solo un chatbot generico travestito da agronomo?

“Il collo di bottiglia sta nella disponibilità di dati di qualità: senza politiche decise di supporto alla creazione di data spaces collettivi in cui gli agricoltori possano condividere i propri dati senza perderne il controllo, l’efficacia dell’intelligenza artificiale non potrà che essere limitata”, ci spiega Gianluca Brunori, docente presso l’Università di Pisa che da anni lavora sul tema del digital farming.

La seconda riguarda la localizzazione: il sistema conosce il territorio in cui viene usato? Sa distinguere tra una coltura in Pianura Padana e una in Sicilia? Tiene conto di clima, suolo, varietà, normative regionali e disponibilità dei mezzi tecnici?

La terza riguarda la trasparenza: il fornitore dichiara il modello usato, i criteri di valutazione, i limiti del sistema e la frequenza di aggiornamento? Nel mercato reale, molte soluzioni che si presentano come intelligenza artificiale agronomica non pubblicano né il modello base, né il dataset, né i criteri di validazione. Questo rende difficile valutarne davvero l’affidabilità.

La quarta riguarda la responsabilità: cosa succede se il consiglio è sbagliato? È previsto l’intervento di un agronomo umano? Le risposte vengono registrate? Il sistema distingue tra informazione generale e prescrizione tecnica?

La quinta riguarda la privacy: i dati aziendali, le mappe, i registri dei trattamenti e le informazioni produttive vengono usati per addestrare altri modelli? Restano nella disponibilità dell’azienda agricola? Possono essere cancellati?

La cartina di tornasole per verificare empiricamente l’affidabilità di un modello è porgli una domanda specifica, di cui si conosce la risposta, e vedere se la versione fornita è corretta. E, ahimè, per ora i modelli online sono poco raffinati. La Fao mette in guardia dalla valley of disappointment, la “valle della delusione”: molti progetti di intelligenza artificiale partono con grande entusiasmo, ma si fermano perché non soddisfano le aspettative dei clienti.

L’agronomo umano resta centrale

L’idea che l’intelligenza artificiale possa sostituire l’agronomo è, almeno oggi, poco realistica. È più probabile che cambi il modo di lavorare del tecnico. Un agronomo AI può aiutare a rispondere a domande frequenti, recuperare rapidamente informazioni, tradurre documenti complessi in linguaggio semplice, confrontare alternative e supportare servizi di assistenza su larga scala. Può essere particolarmente utile dove la consulenza tecnica è scarsa o costosa, come avviene in molte aree rurali del Sud globale.

Ma la decisione agronomica richiede esperienza, osservazione diretta, conoscenza del territorio e responsabilità. Un modello può suggerire delle opzioni, ma difficilmente può sostituire il sopralluogo in campo, l’occhio del tecnico e il confronto con l’agricoltore.

“È l’agronomo che beneficerà maggiormente di questi strumenti: l’accuratezza delle risposte dell’intelligenza artificiale dipende dalla qualità delle domande, per cui sarà richiesta una preparazione specifica”, conclude Brunori.