En una granja lechera de Michigan, la inteligencia artificial no está reemplazando al productor: está quitándole de encima horas de trabajo administrativo. Paul Windemuller usa agentes basados en Gemini 3.6 Flash para combinar datos de sensores, clima, alimentación, calidad de leche y facturas, y convertirlos en decisiones operativas.
¿El objetivo? Que el dueño pase menos tiempo descargando archivos y cruzando hojas de cálculo, y más tiempo atendiendo a sus vacas y haciendo crecer el negocio.
De 30 vacas a una operación automatizada
Paul y Brittany Windemuller fundaron Dream Winds Dairy en 2014, en Michigan, con apenas 30 vacas arrendadas. Doce años después, la granja cuenta con una instalación automatizada que ordeña a 260 vacas Holstein.
La operación produce información constantemente. Collares con sensores monitorean a cada animal, una estación meteorológica registra las condiciones ambientales y un portal en línea almacena datos sobre calidad, producción y envíos de leche.
El problema no era la falta de datos. Era que cada sistema trabajaba por separado. Cada mañana, Paul debía descargar archivos, combinar hojas de cálculo y calcular manualmente el rendimiento del negocio. En una granja con márgenes ajustados, ese retraso puede afectar decisiones importantes.
Una arquitectura multiagente para organizar los datos
Para resolverlo, Paul creó un sistema local de inteligencia artificial con varios agentes especializados. La solución utiliza Gemini 3.6 Flash dentro de Google Antigravity y trabaja con una interfaz basada en carpetas locales.
En lugar de depender de APIs o técnicas de extracción web, el sistema observa una carpeta. Cuando Paul guarda allí archivos CSV, fotografías de recibos, facturas o documentos PDF, los agentes procesan la información y la integran en un análisis común.
Este enfoque tiene dos ventajas prácticas: acepta datos numéricos y visuales, y mantiene la información sensible dentro de la infraestructura de la granja.
Qué hace cada agente
La arquitectura divide el trabajo en funciones concretas:
- Agente orquestador: coordina el flujo de trabajo diario y decide qué tareas deben ejecutarse.
- Agentes de ingesta: limpian y estandarizan archivos provenientes de robots de ordeño, registros de alimentación y otras fuentes.
- Agente de análisis: estudia la relación entre el rendimiento biológico, el clima y las operaciones de la granja.
- Agente de reportes: convierte los resultados en explicaciones escritas que una persona puede leer rápidamente.
Esta separación evita depender de un único prompt enorme. Cada agente tiene una responsabilidad definida y el orquestador conecta las etapas, una estrategia que puede mejorar la trazabilidad y facilitar el mantenimiento del sistema.
Por qué Gemini Flash reduce el costo de los agentes
Los flujos de trabajo agénticos suelen requerir varias rondas de razonamiento, lectura de archivos, uso de herramientas y generación de resultados. Para una pequeña empresa, ejecutar ese ciclo todos los días puede resultar demasiado costoso.
Según Google, Gemini 3.6 Flash está diseñado para razonamiento avanzado, uso de herramientas y programación. También ofrece una ventana de contexto de 1 millón de tokens y una salida máxima de 64.000 tokens.
La empresa afirma que el modelo produce aproximadamente un 17 % menos de tokens de salida que Gemini 3.5 Flash y que tiene un menor costo por token generado. En la práctica, eso puede reducir el precio de ejecutar bucles agénticos de forma continua.
¿Por qué importa? Porque una solución de IA no es realmente útil para un negocio si funciona en una demostración, pero resulta demasiado cara para operar todos los días.
La métrica que guía las decisiones: SVM
El sistema no se limita a resumir datos. Está diseñado alrededor de una métrica que Paul considera más útil para su operación: el Static Variable Margin, o margen variable estático diario.
Métricas tradicionales como el ingreso sobre el costo de alimentación pueden cambiar debido a la volatilidad de los precios de la leche y del alimento. El SVM intenta aislar esos efectos del mercado usando precios fijos y concentrándose en la eficiencia biológica y operativa.
El cálculo sigue varias etapas:
- Rendimiento biológico: analiza la producción de leche, los niveles de grasa y proteína, el recuento de células somáticas y el consumo de alimento.
- Ingreso estático: aplica precios fijos basados en estándares históricos, incluidos los precios de enero de la Federal Order 33, sobre los sólidos producidos.
- Costo estático del alimento: utiliza precios fijos para los ingredientes y mide los cambios en el volumen realmente consumido.
- Ingreso estático sobre el costo de alimentación: resta el costo estático del alimento al ingreso estático.
- Costos variables: descuenta gastos por vaca, como reemplazos, reproducción y suministros veterinarios.
El cálculo excluye costos generales como mano de obra, servicios públicos y depreciación. De esa manera, un cambio en el SVM refleja principalmente la salud del ganado, la alimentación y la eficiencia de la operación, no las fluctuaciones del mercado.
De una hoja de cálculo a un informe para el director de la granja
Calcular el margen es solo una parte del proceso. El verdadero valor aparece cuando los resultados se convierten en una explicación útil y rápida.
El agente de reportes genera un informe diario llamado Farm CEO Briefing. En vez de mostrar una tabla extensa, identifica los factores que impulsaron el resultado del día.
Por ejemplo, una caída de 0,15 dólares por vaca podría explicarse así:
- Consumo de materia seca: menos 0,08 dólares porque la humedad redujo el consumo de alimento.
- Recuento de células somáticas: menos 0,04 dólares por un aumento leve que podría indicar problemas de salud.
- Leche descartada: menos 0,03 dólares porque dos vacas ingresaron al área de tratamiento.
El informe también propone acciones. En un escenario de estrés por calor, podría recomendar ajustar la ventilación. La IA no se limita a decir que el resultado empeoró: conecta los datos con posibles causas y siguientes pasos.
La diferencia entre automatizar un reporte y apoyar una decisión está en explicar qué cambió, por qué cambió y qué conviene revisar después.
Un modelo para pequeñas empresas
La experiencia de Dream Winds Dairy muestra una aplicación concreta de los agentes de IA. No se trata de una granja futurista desconectada de la realidad, sino de una empresa que ya tenía sensores, archivos y sistemas separados, pero necesitaba una forma más eficiente de utilizarlos.
El enfoque también tiene límites. La calidad de las recomendaciones depende de que los archivos estén completos, de que las métricas estén bien definidas y de que los precios de referencia sean adecuados. Además, cualquier decisión relacionada con la salud animal debe validarse con profesionales y con la experiencia del productor.
Aun así, el principio puede trasladarse a otros sectores. Un restaurante podría combinar inventario, ventas y facturas. Un taller podría cruzar órdenes de trabajo, repuestos y tiempos de reparación. Una tienda podría analizar ventas, compras y márgenes sin obligar a su dueño a revisar varias hojas cada mañana.
Lo importante no es ponerle la etiqueta de IA a una tarea. Es diseñar un flujo en el que los datos entren de forma ordenada, los agentes hagan trabajos específicos y el resultado llegue como una explicación accionable.
Para Paul, el beneficio principal es recuperar tiempo sin perder control sobre la información. Para otros negocios independientes, su sistema plantea una posibilidad interesante: construir una capa operativa inteligente sobre las herramientas que ya utilizan, sin tener que convertir toda la empresa en un laboratorio tecnológico.
Fuente original
https://blog.google/innovation-and-ai/models-and-research/gemini-models/using-gemini-to-manage-farm