El ABC y el MVP

Columna

Agronegocios

Innovación

Tecnología

02 de octubre de 2024

El ABC y el MVP

En un ciclo de construir, medir y aprender, las agtechs pueden actuar de forma ágil para el desarrollo rápido de soluciones

La innovación es un concepto fundamental para el desarrollo económico y social, especialmente para el agronegocio. Implica la creación e implementación de nuevas ideas, procesos, productos o servicios que generen valor para las organizaciones y para la sociedad en su conjunto.

En el sector agropecuario, la innovación puede ocurrir en diversas áreas, desde la producción de insumos hasta el desarrollo de maquinarias, softwares y plataformas para impulsar la productividad y para operar la comercialización de los productos.

Ya sea por la lectura del suelo con sensores, la liberación de defensivos biológicos por drones, la previsión climática por aplicaciones o la trazabilidad por blockchain, las startups del agro surgen como fuente de innovación, optimizando rutinas operativas y trayendo impactos que van desde la reducción de costos hasta el perfeccionamiento del uso de recursos, proporcionando más asertividad en las tomas de decisión.

Sin embargo, junto con el beneficio de este paquete tecnológico viene el riesgo de tener que probar y aprender rápidamente, con mayor tolerancia al error – una forma de pensar no muy común en el agro. Producir en este sector implica riesgo (clima, tipo de cambio, precio, etc.), pero no todos los productores tienen el apetito y los recursos financieros para arriesgarse probando las nuevas tecnologías.

Las startups operan en condiciones de incertidumbre y necesitan socios iniciales para validar ideas y compartir riesgos. Parece que aquí encontramos un enlace que pone a las agtechs, las startups del agro, y las fincas actuando codo a codo, en un modelo de innovación abierta, con actuación en campo para crecer y perseverar.

Además, el conocimiento técnico/científico de las startups necesita ser validado con la experiencia práctica de los productores rurales para ajustes de trayectoria y feedbacks, que permiten insights y pueden convertirse en fuente de ingresos en forma de un producto mínimo viable, el MVP.

Un MVP es una versión simplificada de un producto o servicio que permite probar su viabilidad en el mercado con el mínimo de inversión y esfuerzo posible. Al lanzar un MVP, las startups pueden recibir retroalimentación de los clientes y validar sus hipótesis de forma rápida y eficiente antes de invertir recursos significativos en el desarrollo de un producto final. En un ciclo de construir, medir y aprender, las agtechs consiguen actuar de forma esbelta para el desarrollo rápido de soluciones considerando los MVP, la experiencia del usuario y las interfaces con las que tendrá que interactuar. Básicamente, es aprender haciendo, amasando barro y escuchando a quien va a usar el producto final dentro de las porteras.

Con el enfoque del MVP, una solución se desarrolla en ciclos cortos, en los cuales el feedback constante de los usuarios va permitiendo ajustes en el desarrollo, en la inclusión de nuevos recursos (features) y en la trayectoria.

Sin embargo, a diferencia de un enfoque tradicional, en el que el producto solo estará listo y disponible para el mercado al final de todo un ciclo de desarrollo, en el MVP la funcionalidad mínima ya está disponible para su uso desde el principio en un entorno productivo, y la devolución de los usuarios es capturada y aplicada a lo largo del desarrollo. 

Además del MVP, otras prácticas comunes en el contexto del codesarrollo con startups incluyen la realización de pruebas de concepto (PoC) y de proyectos piloto para validar la eficacia de nuevas tecnologías en condiciones reales de operación. Por más que las tecnologías agrícolas demanden más tiempo para validación, estas prácticas permiten a las empresas probar de forma más rápida, reducir los riesgos asociados a la innovación y aumentar sus posibilidades de éxito e implementación a escala. A continuación, se puede seguir un ejemplo práctico.

En lugar de contratar una nueva solución tecnológica para toda su área productiva y desembolsar una gran suma de capital, un productor o criador podrá realizar una PoC de determinada tecnología o de un MVP;
La PoC debe realizarse en un período determinado, en un área limitada de la propiedad (parcela en lugar de la finca) o en un lote de animales (unidades en lugar del rebaño). La PoC tiene como propósito probar el concepto de la solución, para evaluar los resultados y la viabilidad técnica y financiera del consumo de lo que se propone;
De la PoC a la experimentación se podrá pasar a un proyecto piloto, con hipótesis y premisas técnicas definidas para un período mayor y, eventualmente, un área o lote mayores para la aplicación de la solución;
En proyectos piloto existe la posibilidad de cocrear nuevas soluciones basándose en aquello que antes los desarrolladores de la tecnología no conocían o no veían como oportunidad, por no haber aplicado la solución en el contexto rural o en una cultura agrícola diferente;
Durante el proyecto piloto, el productor puede dar retroalimentación para ajustes de trayectoria de las pruebas, discutir escenarios de implementación a escala con el socio tecnológico, evaluar el modelo de negocio y la viabilidad financiera para la contratación o incluso hacer comparaciones técnicas con otras soluciones del mercado;
En determinadas situaciones en las que el proyecto piloto no siga como lo planeado en términos de resultado, incluso después de recibir comentarios para ajustar la trayectoria, será mejor interrumpir la experimentación aunque no haya éxito;
No es fácil lidiar con el fracaso en una operación rural, pero el aprendizaje generado con la experimentación será muy útil para continuar atacando el problema, independientemente de la solución;
Probar rápido, fallar rápido y aprender rápido sigue siendo más ventajoso que invertir mucho tiempo y dinero en proyectos determinados. Esto mitiga riesgos y permite experimentar y aprender sobre las nuevas tecnologías.

A pesar de que este “básico” pueda ayudar, es importante que cada productor rural entienda su momento de gestión y sepa qué recursos tiene disponibles y qué redes de socios del ecosistema de innovación pueden apoyar su viaje en la búsqueda y experimentación de nuevas tecnologías.

Otra buena práctica, que también sirve de consejo relevante para quienes están a punto de probar nuevas tecnologías, es realizar una sondagem de mercado (benchmark) para hablar con otros productores rurales y clientes activos del desarrollador de la tecnología y comparar impresiones sobre la experiencia de uso y los resultados alcanzados. Con más información de quienes probaron o ya usan un nuevo producto o servicio, es posible dirigir mejor las PoCs y pilotos, evitar errores ya identificados y avanzar en el aprendizaje a partir de un punto de dificultad que haya sido superado por otros usuarios en situaciones reales.

Para tener acceso a las referencias de este texto haga clic aquí

Quién publicó esta columna

Ricardo Campo

É professor das Faculdades Harven, CNA e professor-coordenador do eixo de Empreendedorismo e Inovação da graduação em Negócios Digitais da Faculdade Pecege. Com MBA em Marketing pela FGV e mestrado em Administração e Agronegócios pela ESALQ-USP, sua trajetória inclui a atuação na área de consultoria do BID Invest, nos times de Inovação da Raízen e do Pulse Hub, assim como nos áreas de marketing da DSM/Tortuga e do Rabobank Brasil.

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.