De datos del invernadero a sistemas de IA en el mundo real

Empezamos un invernadero hidropónico en Asunción en 2018. No como proyecto de investigación. Como negocio. Desde el primer día abastecimos a Bolsi — un restaurante que después entraría en el top 20 del mundo. Eso puso la vara de entrada. No le entregás a una cocina así y adivinas, así que no lo hicimos.

Desde el primer ciclo, estábamos registrando todo: temperatura, humedad, concentración de nutrientes, luz. No porque tuviéramos una tesis de IA — porque si un cultivo fallaba, necesitábamos saber exactamente por qué. Construimos nuestros propios sensores. Imprimimos carcasas. Escribimos scripts para registrar y visualizar los datos. Iteramos constantemente. Proceso de ingeniería estándar — solo que aplicado a la lechuga.

A los tres años, sumamos visión por computadora y machine learning. El impacto no fue teórico. Fue operativo. Tareas que tomaban horas de inspección manual se convirtieron en segundos en un dispositivo edge. Problemas que antes aproximábamos se volvieron medibles. Sistemas que dependían de que alguien estuviera físicamente presente dejaron de hacerlo.

Eso cambió cómo pensábamos el trabajo. Empezamos a hacernos una pregunta simple: ¿qué más a nuestro alrededor es lento, manual, o depende de que alguien esté ahí en el momento justo?

Miramos a la gente con la que ya estábamos trabajando — investigadores, técnicos de campo, agencias locales. El mismo patrón aparecía una y otra vez. Datos críticos recolectados a mano, en papel, por personas paradas en un río o manejando una camioneta por un camino de tierra. Los ríos de Paraguay tienen peces migratorios que se cuentan manualmente por técnicos en botes. El Gran Chaco tiene cámaras trampa que quedan meses antes de que alguien revise el material. Los municipios no tienen forma sistemática de conocer el estado de sus propios caminos a menos que alguien recorra cada kilómetro e informe.

Actualmente estamos construyendo varios sistemas en torno a estos problemas. Los estamos inscribiendo en Moonshot 2026 y los vamos a lanzar en coordinación con las fechas del evento — más sobre eso a medida que las cosas se hagan públicas.

Estos no son casos borde. Son sistemas críticos — simplemente invisibles para las plataformas globales de IA porque los datos no existen y el mercado no encaja. Entonces construimos para ellos. Pipelines de detección de peces en la cuenca del Paraná, con humanos en el loop. Análisis de cámaras trampa para el Chaco, construido con científicos locales. Sin pivot deck. Sin ejercicio de dimensionamiento de mercado. Solo años construyendo sistemas en el campo, en un lugar que la mayoría de las plataformas ignoran. Somos FDF Labs, con base en Asunción. Construimos IA que funciona donde los datos son escasos, las condiciones son desordenadas y la confiabilidad importa. Si estás trabajando en problemas así — deberíamos hablar.